深度学习模型并非“越大越好”，它可能引起气候变化问题

本月早些时候，OpenAI宣布已经建成史上最大的人工智能模型，该模型规模惊人，被命名为“GPT-3”，是一项令人印象深刻的技术成就。然而，它却凸显了人工智能领域的一个隐患。

 

现代人工智能模型需要消耗大量能量，并且这些能量需求正以惊人的速度增长。在深度学习时代，产生一流的人工智能模型所需的计算资源，平均每3.4个月翻一番；这意味着，能量需求在2012年至2018年之间增加了300,000倍。而“GPT-3”只是这种指数级增长轨迹上的一个最新节点。

 

 

深度学习模型真的越大越好吗？

 

在今天，人工智能的碳足迹是有意义的，而如果这个行业趋势继续下去，情况将很快变得糟糕得多。除非我们愿意重新评估并改革当今的人工智能研究方向，否则，人工智能领域可能会成为我们在未来几年中应对气候变化的对手。

 

GPT-3很好地说明了这种现象。该模型包含多达1750亿个参数。如何理解这个数字呢？不妨参考一下它的前身模型GPT-2，它在去年发布时被认为是最先进的，GPT-2只有15亿个参数。去年GPT-2的训练耗费了数十千兆次/天，这个计算输入的数量已经非常庞大了，而GPT-3需要的数量可能是GPT-2的好几千倍。

 

依靠越来越大的模型，来推动人工智能技术进步，这种做法的问题在于，构建和部署这些模型需要大量的能源消耗，并因此产生碳排放。

 

在2019年一项被广泛讨论的研究《Energy and Policy Considerations for Deep Learning in NLP（NLP深度学习的能源和政策考虑）》中，由Emma Strubell领导的一组研究人员，评估了训练单个深度学习模型的能量消耗，这个数值可能高达626,155磅的二氧化碳排放量——约相当于五辆汽车在整个生命周期内的碳足迹。相比之下，一个普通的美国人每年产生的二氧化碳排放量大约是36,156磅。

 

可以肯定的是，这项评估针对的是能耗特别高的模型。如今，训练一个普通规模的机器学习模型产生的碳排放量应该远远小于626,155磅。

 

同时值得注意的是，在进行这项分析时，GPT-2是当时可供研究的、最大的模型，研究人员将其视为模型大小的上限。可仅仅一年之后，GPT-2看上去很袖珍了，比它的后继产品小了一百倍。

 

那么，机器学习模型到底为什么会需要消耗这么多的能量呢？

 

第一个原因是，用于训练这些模型的数据集的大小在不断地膨胀。在2018年，BERT模型在使用了30亿个单词的数据集进行训练之后，实现了同类中最佳的NLP（自然语言处理）性能。XLNet使用了320亿个单词的数据集进行训练，并且在性能上超过了BERT。不久之后，GPT-2接受了400亿个单词的数据集的训练。而让之前所有此类工作都相形见绌的是，GPT-3将使用一个包含5,000亿个单词的加权数据集进行训练。

 

在训练过程中，神经网络会针对输入的每条数据，执行一整套冗长的数学运算（既包括正向传播，也包括反向传播），并且以复杂的方式更新其参数。因此，更大的数据集，就会转化为飞速增长的计算和能源需求。

 

导致人工智能巨大能量消耗的另一个原因是，开发模型所需要进行的大量实验和调校。今天的机器学习，在很大程度上仍然是反复试错的练习。从业人员通常会在训练过程中针对给定模型构建数百个不同的版本，在确定最佳设计之前，他们会尝试不同的神经体系架构和超参数。

 

上述提到的那篇2019年研究论文中，描述了一个案例研究。研究人员们选择了一个平均规模的模型——比GPT-3之类的博人眼球的庞然大物要小得多，并且不仅检查了训练最终版本所需的能量，还测量了为了生产这个最终版本进行的各种测试的总体能量消耗。

 

在六个月的过程之中，他们培训了4,789个不同版本的模型，总共需要花费9,998天的GPU时间（超过27年）。考虑到所有这些因素，这些研究人员估计，构建该模型总计要产生78,000磅的二氧化碳排放量，超过一个普通美国成年人两年的碳排放量。

 

到此为止，这次讨论还仅仅涉及了机器学习模型的训练环节。但是训练只是一个模型生命周期的起点。模型训练完成之后，就会在现实世界中得到应用。

 

部署人工智能模型，让它们在现实环境中采取行动——这个过程被称为推理，该过程的能耗比训练环节更高。实际上，英伟达公司（Nvidia）估计，神经网络80％至90％的能量消耗出现在推理环节，而不是训练环节。

 

例如，想想自动驾驶汽车中的人工智能。首先必须要对神经网络进行培训，让它学会驾驶。在训练完成并部署到自动驾驶汽车上之后，模型会不断地进行推理，才能在环境中行驶，只要汽车还在使用之中，这个过程就会日复一日地持续下去。

 

毋庸置疑，模型具有的参数越多，对这种持续不断的推理的能量需求就越高。