人工智能有碳足迹也就不足为奇了。所谓碳足迹，是指人工智能在开发和消费过程中释放到大气中的温室气体（主要是二氧化碳和甲烷）。事实上，训练人工智能模型需要如此强大的计算能力，以至于一些研究人员认为环境成本超过了收益。但是，我认为他们不仅低估了人工智能的好处，而且忽略了很多提高模型训练效率的好方法。温室气体就是经济学家所说的“外部性”，是整个社会无意中承担的成本，例如来自全球变暖的不利影响，但我们都受到个体行为者的影响，个体没有什么动力去避免这种有害活动。通常，发电厂在燃烧化石燃料发电时会排放这些气体，为数据中心、服务器集群和其他运行人工智能的计算平台提供动力。考虑人工智能应用程序实现的下游碳抵消。在过去的几年里，人工智能一直被不公平地指责为全球变暖的罪魁祸首，因为一些观察家认为人工智能在模型训练过程中消耗了太多的能量。活力。不幸的是，许多AI行业的观察家通过使用不平衡的公式来计算AI的整体碳足迹，从而助长了这一指控。例如，在一年前发表在MITJournal《技术评论》上的一篇文章中，研究人员报告说，训练机器学习模型所需的能量排放的二氧化碳几乎是美国汽车在其使用寿命期间排放的二氧化碳的五倍。这种计算人工智能碳足迹的方式对技术极为不利。我不反对麻省理工学院研究人员关于人工智能训练碳成本的研究结果，也不反对计算和降低人工智能和其他人类活动成本的必要性。我很好奇为什么研究人员不讨论人工智能在减少环境中人为温室气体方面的下游价值，这通常是间接的。如果AI模型在应用程序的生命周期内提供了一组真正可操作的推理，它应该会产生实际有用的结果。换句话说，许多人工智能应用使人和系统能够在各种应用场景中做出高质量的动作。这些人工智能的许多好处都是碳抵消的，例如减少人们通勤、旅行、占用昂贵的办公空间以及从事消耗化石燃料的活动的需要。让我们做一个快速的“旅行商”思想实验。假设一家制造公司在全国有六名销售人员，每人都有一辆公司提供的汽车。如果一家公司实施了一个新的基于人工智能的销售人员自动化系统，使其中一名销售人员能够完成整个团队的工作——例如，通过改善销售线索、寻找潜在客户和优化在线营销——该公司可以解雇其他五名，取消公司配车，关闭相应分支机构。如此一来，作为销售自动化应用核心的AI模型，一举抵消了五辆汽车的碳足迹，其中包括五辆汽车的温室气体清除，以及关闭这些汽车所节省的电力。分支机构及相关设备。我们可能会质疑这个特定例子的可行性，但我们必须承认它是完全合理的。这个思想实验强调了一个事实，即人工智能的生产力、效率和加速优势通常会导致下游能源使用效率的提高。我并不是说每个AI应用程序（或大多数）都对减少碳排放产生重大的下游影响。但我确实不同意观察者的观点，例如《华尔街日报》最近的一篇文章引用一位AI专家淡化了AI对生产力的影响：“如果人们能够看到这些系统真正的作用成本，我认为我们将有很多困难需要回答的问题，例如带来便利的基于人工智能的数字助理是否值得付出巨大的代价。”这种观点掩盖了这样一个事实（就数字助理而言），许多现实世界的人工智能用例正在以数据驱动的推荐形式为人们提供“便利”，帮助人们购买正确的产品，选择优质的途径一个目的地，遵循良好的财务管理习惯，等等。许多这些可行的建议可能会对人们在家中、办公室、汽车和其他地方使用的能源多少产生一些影响。上游人工智能训练有可能实现更大的下游碳抵消许多人工智能应用程序有可能产生下游碳抵消，从而消除与训练基础模型所需的电力相关的排放。如果人工智能能让我们占用更少的办公空间、更少的会议、更少的旅行并完成更多的工作，那么这项技术可以为对抗全球变暖做出巨大贡献。因此，在人工智能应用中实现碳中和可能需要对底层模型进行强化训练，以更有效地执行分配的任务。一个训练有素的人工智能模型可以通过部署到未来的应用程序中来分摊其成本，这相当于一项资本投资。请记住，即使AI开发人员正在寻求提高其模型的准确性，培训也不一定是人们长期以来认为的“能源消耗大户”。请参考以下趋势，它们正在减少AI开发过程工作负载的碳足迹：1.AI服务器集群由可再生能源而非化石燃料提供动力。2.人工智能平台使用更节能的芯片组、服务器和云提供商。3.训练人工智能模型所需的时间和数据正在减少。4.在实际应用中更多地采用预训练的人工智能模型。5.人工智能开发过程中不同模型的能效对比。6.在“一次性”神经网络上开发AI，这些神经网络经过训练可以在各种处理器上高效运行。随着这些趋势在未来几年趋于一致，我们很可能会看到人工智能培训的碳足迹显着减少。随着这种趋势的加剧，AI开发过程将成为IT中最绿色的可持续平台。
