人工智能的能源使用和碳排放
既然提到了人工智能能量消耗和碳排放之间的关系。那么思考这种关系的最好方式是什么呢？
EPA数据显示，在美国，一千瓦时的能耗平均会产生0.954磅的二氧化碳排放量。这个平均值，反应了美国能源网中不同能量来源（例如可再生能源、核能、天然气、煤炭）的相对比例和碳足迹的变化。
上述提到的那篇2019年研究分析，采用了全美国的平均值，以便根据各种人工智能模型的能量需求来计算碳排放量。这是一个比较合理的假设。例如，亚马逊网络服务公司（Amazon Web Services）的电力来源组合，大致反应了美国整体的电力来源，而且绝大多数的人工智能模型都是在云端进行训练的。
当然，如果使用主要由可再生能源产生的电力训练人工智能模型，那么碳足迹也会相应地降低。例如，与AWS相比，谷歌云
平台（Google Cloud Platform）使用的电力结构在可再生能源方面的比重更大。（上述那篇2019年研究论文显示，两家公司的这一比例分别为56%和17%。）
或者，举另一个例子，如果在太平洋西北部的硬件上训练一个模型，所产生的碳排放量会低于其他国家，这是因为这一地区拥有丰富的清洁水源。而在这方面，每一家云服务提供商都在鼓吹自己在
碳补偿方面的投资。
总体而言，使用美国总体能源平均值，应该可以大致准确地估算出人工智能模型的碳足迹。
效益递减
通过不断变大的模型，追求人工智能进步的做法，凸显了模型规模和模型性能之间的关系。下列数据显示得很清楚：模型规模的增加，最终会导致性能回报的急剧下降。
比如，ResNet是2015年发布的一个著名计算机视觉模型。该模型的改进版本称为ResNeXt，于2017年问世。与ResNet相比，ResNeXt所需的计算资源要多35％（以总浮点运算来衡量），准确度却只提高了0.5％。
艾伦人工智能研究所（Allen AI Institute）2019年的一篇论文提供了详细的数据，记录了不同任务、模型和人工智能子领域中的效益递减问题。与GPT-2相比，最新发布的大型模型GPT-3出现了明显的效益递减迹象。
如果人工智能社区仍然继续沿着当前的研究方向前进，就会不断的构建越来越大的模型，耗费越来越多的能源，以实现越来越小的性能提升。任何成本/收益分析都会变得越来越比例失调。
既然存在效益递减的问题，又是什么在推动着模型不断地朝着越来越大的方向发展呢？一个主要的原因是，当前人工智能社区对获取“最好的”性能基准测试结果非常关注。构建一个新模型，能够在性能基准测试中创下新的准确性记录，即便成绩提升仅仅是微不足道的一点，也可以赢得研究人员的认可和好评。
正如加州大学洛杉矶分校（UCLA）的教授Guy Van den Broeck所说：“我认为对这种情况的一个最好的比喻，就是某个富油的国家能够建造一座很高的摩天大楼。当然，建造这样的东西需要花很多钱，还有很多的工程工作。你也确实可以在建造这座高楼的时候，获得‘最先进的技术’。但是……这件事在本质上并没有什么科学上的进步。”
在当前的人工智能研究领域，占据主导地位的“越大越好”思路，可能会在未来几年对环境造成重大的破坏。需要在这个领域内进行思虑周详但又大胆的变革，让人工智能技术的发展变得更加可持续，并更具生产力。
展望未来
首先，每一位人工智能从业人员都应该考虑，如何在短期内“快速制胜”，以减轻其研究对碳足迹的影响。
重要的第一步是，提高这个问题的透明度和度量程度。当人工智能研究人员们发布新模型的结果时，除了性能和准确性指标之外，他们还应该公布在模型开发中消耗了多少能量的数据。
经过深入彻底的分析，艾伦人工智能研究所的团队建议，将「浮点运算」作为研究人员追踪的最通用、也是最有效的能效度量标准。另一组研究人员创建了一个机器学习排放计算器，从业人员可以使用这个计算器来评估他们构建的模型的碳足迹（根据硬件、云服务提供商和地理区域等因素）。
遵循这些思路，综合考虑能源成本和性能收益的做法，将成为研究人员们在训练模型时的最佳实践。明确地量化这种关系，将促使研究人员在面对效益递减问题时，对资源分配做出更明智、更平衡的决定。
随着可持续人工智能实践的扩散，希望人工智能社区能够在评估人工智能研究的时候，开始考虑这些效率指标，就像今天我们对传统性能指标（例如准确性）采取的做法一样：在
会议论文提交、演讲、学术角色中考虑它们。
还有一些已经相对比较成熟的方法，能够帮助人工智能技术在近期减少碳足迹：使用更有效的超参数搜索方法、减少训练过程中不必要的实验次数、使用更高能效的硬件等。
但是，单靠这些补救措施并不足以解决这个问题。人工智能领域需要更根本的长期转变。
我们需要退后一步，并且承认，仅仅依靠建立越来越大的神经网络并非通往通用智能的正确途径。我们需要推动自己去发现更优雅、更有效的方法，来对机器中的智能进行建模。我们正在持续不断地同气候变化进行斗争，这是一场关乎地球未来的战争。
在此引用人工智能传奇人物、深度学习教父Geoff Hinton的话：“未来取决于那些‘对我所说的一切’都深表怀疑的研究生……我的观点是将其全部抛弃并重新开始。”
人工智能社区必须开始致力于开创人工智能的新范例，这些范例应该既不需要指数级增长的数据集，也不需要庞大的能源消耗。小样本学习（few-shot learning）等新兴研究领域，都是有前途的途径。
人类的大脑——智力的原始来源提供了重要的启发。和当今的深度学习方法相比，我们大脑的效率高得不可思议。它们只有几磅重，大概只需要20瓦左右的能量消耗，这个能耗只能够给昏暗的灯泡供电。然而，它们代表了已知宇宙中最强大的智力形式。
人工智能研究人员Siva Reddy指出：“人类的大脑用很少的能量消耗，就能够完成令人惊叹的事情。问题是我们如何建造出这样的机器来。”
【版权声明】本网为公益类网站，本网站刊载的所有内容，均已署名来源和作者，仅供访问者个人学习、研究或欣赏之用，如有侵权请权利人予以告知，本站将立即做删除处理（QQ：51999076）。
国家工信部备案/许可证编号
