机器学习等计算密集型技术的发展具有很高的碳足迹并加剧了气候变化。除了人工智能的快速发展，绿色人工智能工具和技术的组合也在不断扩大，以帮助抵消碳排放并提供更可持续的发展路径。微软和艾伦人工智能研究所以及来自希伯来大学、卡内基梅隆大学和人工智能社区hugsFace的合著者上个月发表的研究表明，环境成本很高。微软Azure机器学习产品经理、绿色软件基金会成员、该研究的合著者WillBuchanan表示，该研究推断数据表明，对于一个60亿参数的ML模型（一种大型语言模型），一个训练实例产生的二氧化碳相当于燃烧大型火车车厢中的所有煤炭。ForresterResearch的分析师AbhijitSunil表示，过去，代码是针对受限于手机、冰箱或卫星等有限资源的嵌入式系统进行优化的。然而，他说，人工智能和机器学习等新兴技术不受这些限制。“当我们拥有看似无限的资源时，首要任务是编写尽可能多的代码，”Sunil说。AI是适合这项工作的工具吗？绿色AI是使AI发展更具可持续性的过程，正在成为算法功耗的可能解决方案。“这一切都是为了减少技术开发本身的隐性成本，”布坎南说。AbhishekGupta，蒙特利尔人工智能伦理研究所创始人兼首席研究员，绿色软件基金会标准工作组主席任何开发人员的出发点都是了解人工智能是否适合工作，并弄清楚为什么机器学习适合他说，首先部署。“你并不总是需要机器学习来解决问题，”古普塔说。Gupta说，开发人员在部署ML时还应该考虑进行成本效益分析。例如，如果使用机器学习将平台的满意度从95%提高到96%，那么为环境付出额外的成本可能不值得，他说。选择碳友好地区一旦开发人员决定使用人工智能，选择在碳友好地区部署模型对运营排放的影响最大，将软件碳强度降低约75%，Buchanan说。“这是当今任何开发人员都可以使用的最强大的杠杆，”布坎南说。古普塔举了一个例子：开发商可以选择在加拿大魁北克开展业务，而不是在美国中西部，因为那里的电力主要来自化石燃料。加拿大魁北克省90%以上的电力来自水力发电。在决定机器学习工作应该在哪里运行时，公司还必须考虑能源类型以外的因素。2021年4月，GoogleCloud推出了GreenRegionSelector，帮助企业在选择运营地点时评估成本、延迟和碳足迹。但布坎南说，并非所有云提供商都可以轻松获得此类工具。他说，为了解决这个问题，绿色软件基金会正在开发一种名为CarbonAwareSDK的新工具，该工具将推荐最好的区域来启动资源。alpha版本应该会在接下来的几个月内发布。其他绿色方法Gupta表示，如果唯一可用的计算机位于电力不足的地区，开发人员可以使用联合学习式部署，其中培训以分布式方式在电力系统中存在的所有设备上进行。但联邦学习可能并不适合所有工作负载，例如那些必须遵守法律隐私考虑的工作负载。Gupta说，另一种选择是让开发人员使用tinyML，它通过量化、知识蒸馏和其他方法缩小机器学习模型。他说，目标是最小化模型，以便可以以更节省资源的方式部署它们，例如在边缘设备上。但由于这些模型提供的智能有限，它们可能不适合复杂的用例。“整个行业的趋势是认为越大越好，但我们的研究表明你可以反驳这一点并明确表示你需要正确的工具来完成这项工作，”布坎南说。消费指标可能是解决方案布坎南说，绿色软件基金会和其他倡议在衡量和减少软件碳足迹方面取得了进展。例如，微软去年在Azure机器学习中提供了能源消耗指标，使开发人员能够查明他们最耗能的工作。这些指标侧重于耗电的GPU，它比CPU更快，但消耗的功率是CPU的10倍以上。Buchanan说，通常用于运行AI模型的GPU通常是功耗的最大罪魁祸首。然而，布坎南说，仍然需要更多可互操作的工具，他指的是目前可用的零散的绿色人工智能工具。“绿色软件基金会正在做一件事，”他说，“但我认为云供应商需要在能源效率方面进行协同投资。”实践成为常态。“我们这样做不仅仅是为了会计目的，”他说。
