機器學(xué)習(xí)產(chǎn)生的碳排放量比大多數(shù)人意識到的要多得多

在人工智能的推動下，從語音識別到自動駕駛汽車，人工智能系統(tǒng)消耗大量電能，并會產(chǎn)生大量的氣候變化碳排放量。

去年的一項研究發(fā)現(xiàn)，訓(xùn)練一個現(xiàn)成的AI語言處理系統(tǒng)會產(chǎn)生1400磅的排放量-大約相當(dāng)于一個人往返紐約和舊金山之間往返所產(chǎn)生的排放量。從頭開始構(gòu)建和訓(xùn)練AI語言系統(tǒng)所需的全套實驗可以產(chǎn)生甚至更多：高達(dá)78,000磅，具體取決于動力源。這是一生中人平均呼氣量的兩倍。

但是，有一些方法可以使機器學(xué)習(xí)變得更清潔，更環(huán)保，這一運動被稱為“綠色AI”。例如，某些算法比其他算法耗電少，并且許多培訓(xùn)課程都可以轉(zhuǎn)移到偏遠(yuǎn)地區(qū)，這些地區(qū)的大部分電力都來自可再生資源。

但是，關(guān)鍵是讓AI開發(fā)人員和公司知道他們的機器學(xué)習(xí)實驗涌現(xiàn)了多少，以及可以減少多少。

現(xiàn)在，來自斯坦福大學(xué)，F(xiàn)acebook AI Research和麥吉爾大學(xué)的研究人員團隊提出了一種易于使用的工具，該工具可以快速測量機器學(xué)習(xí)項目將使用的電量以及碳排放量的多少。

斯坦福大學(xué)計算機科學(xué)博士學(xué)位的學(xué)生，主要作者彼得·亨德森說：“隨著機器學(xué)習(xí)系統(tǒng)變得越來越普及，并且越來越消耗資源，它們有可能極大地促進碳排放。”“但是，如果無法衡量，就無法解決問題。我們的系統(tǒng)可以幫助研究人員和行業(yè)工程師了解其工作的碳效率如何，也許可以就如何減少碳足跡提出快速的想法。”

追蹤排放

亨德森與斯坦福大學(xué)語言學(xué)系主任，計算機科學(xué)教授丹·尤拉夫斯基(Dan Jurafsky)合作開發(fā)了“實驗影響追蹤器”。斯坦福大學(xué)計算機科學(xué)助理教授Emma Brunskill;胡杰如，F(xiàn)acebook AI Research的軟件工程師;麥吉爾(McGill)的計算機科學(xué)教授，F(xiàn)acebook AI Research聯(lián)合董事總經(jīng)理Joelle Pineau;和約書亞Romoff，麥吉爾大學(xué)的博士候選人。

Jurafsky說：“大力推廣機器學(xué)習(xí)以解決越來越大的問題，使用更多的計算能力和更多的數(shù)據(jù)。”“發(fā)生這種情況時，我們必須注意這些重型計算模型的好處是否值得對環(huán)境造成影響的成本。”

機器學(xué)習(xí)系統(tǒng)通過全天候運行數(shù)百萬個統(tǒng)計實驗，穩(wěn)定地完善其模型以執(zhí)行任務(wù)來培養(yǎng)自己的技能。這些可能持續(xù)數(shù)周甚至數(shù)月的培訓(xùn)課程越來越耗電。而且由于計算能力和海量數(shù)據(jù)集的成本急劇下降，因此機器學(xué)習(xí)在企業(yè)，政府，學(xué)術(shù)界和個人生活中越來越普遍。

為了準(zhǔn)確衡量碳排放的含義，研究人員首先測量了特定AI模型的功耗。這比聽起來要復(fù)雜得多，因為一臺機器經(jīng)常同時訓(xùn)練多個模型，因此每次訓(xùn)練都必須與其他訓(xùn)練分開進行。每個培訓(xùn)課程還為共享開銷功能(例如數(shù)據(jù)存儲和冷卻)消耗能量，這些功能需要適當(dāng)分配。

下一步是將功耗轉(zhuǎn)換為碳排放，這取決于產(chǎn)生電力的可再生燃料和化石燃料的混合。根據(jù)地點和一天中的不同時間，這種混合方式差異很大。例如，在太陽能資源豐富的地區(qū)，隨著太陽在天空中爬得更高，電力的碳強度會下降。