人工智能顯然需要電力和計算機才能施展其魔力。但不要忽視下游的環(huán)境效益。
人工智能有碳足跡并不奇怪，所謂碳足跡指的是開發(fā)和消費人工智能時釋放到大氣中的溫室氣體（主要是二氧化碳和甲烷）。事實上，訓(xùn)練人工智能模型需要如此之多的計算能力，以至于一些研究人員認為環(huán)境成本大于效益。然而，我認為他們不僅低估了人工智能的好處，而且還忽視了提高模型訓(xùn)練效率的很多好方法。
溫室氣體是經(jīng)濟學(xué)家們所說的“外部因素”，是整個社會無意中承擔(dān)的成本，例如全球變暖的不利影響所帶來的成本，但我們所有人都受到個人參與者的影響，個人幾乎沒有動機去避免這類有害的活動。一般來說，電廠在燃燒化石燃料時會排放這些氣體，產(chǎn)生電力，為運行人工智能的數(shù)據(jù)中心、服務(wù)器集群和其他計算平臺提供動力。
想想人工智能應(yīng)用實現(xiàn)的下游碳補償
在過去的幾年里，人工智能被不公平地指責(zé)為全球變暖的罪魁禍首，這是因為一些觀察人士認為人工智能在模型訓(xùn)練過程中消耗了太多的能源。
不幸的是，很多人工智能行業(yè)的觀察人士使用了不平衡的公式來計算人工智能的總體碳足跡，從而加劇了這一指責(zé)。例如，麻省理工學(xué)院《技術(shù)評論》雜志一年前發(fā)表了一篇文章，研究人員報告說，訓(xùn)練一個機器學(xué)習(xí)模型需要的能量所排放的二氧化碳幾乎是美國普通汽車壽命期內(nèi)排放量的五倍。
這種計算人工智能碳足跡的方式對這項技術(shù)極為不利。我不反對麻省理工的研究人員關(guān)于人工智能訓(xùn)練碳成本的研究結(jié)果，也不反對計算并降低人工智能和其他人類活動的成本的必要性。我很好奇，研究人員為什么不討論人工智能在減少環(huán)境中人為產(chǎn)生溫室氣體方面給下游帶來的價值，而這些價值通常是間接的。
如果人工智能模型在應(yīng)用程序的生命周期中提供了一系列真正可行的推論，那么它應(yīng)該會產(chǎn)生實際有用的結(jié)果。換句話說，很多人工智能應(yīng)用程序保證了人們和系統(tǒng)能夠在各種應(yīng)用場景中采取最佳行動。這些人工智能帶來的很多好處都是可以抵消碳足跡的，比如減少人們乘車、出差、占用昂貴的辦公空間以及從事消耗化石燃料活動的需求。
讓我們不妨做一個快速的“旅行推銷員”思想實驗。假設(shè)一家制造業(yè)公司在全國有六名銷售人員，每個人都有一輛公司提供的汽車。如果公司實施了一個新的基于人工智能的銷售人員自動化系統(tǒng)，使其中一名銷售人員能夠完成整個團隊的工作——例如，通過改進銷售線索、挖掘潛在客戶、優(yōu)化全網(wǎng)營銷，公司就可以解雇其他五個人，取消公司配給他們的汽車，關(guān)閉相應(yīng)的分支機構(gòu)。
這樣，銷售人員自動化應(yīng)用程序核心的人工智能模型一下子就完全抵消了5輛車的碳足跡，這包括消除了5輛車的溫室氣體，還有關(guān)閉這些分支機構(gòu)和相關(guān)設(shè)備所節(jié)省的電能。
我們可能會對這個特定例子的可行性提出質(zhì)疑，但我們必須承認，它完全是合理的。這個思想實驗強調(diào)了這樣一個事實：人工智能的生產(chǎn)力、效率和加速效益通常會在能源利用方面提高下游的效率。
我并不是說每一個人工智能應(yīng)用（或者大部分），都對減少碳排放產(chǎn)生了實質(zhì)性的下游影響。但我確實不同意觀察人士的觀點，比如《華爾街日報》最近的一篇文章援引了一位人工智能專家的說法，他將人工智能對生產(chǎn)力的影響輕描淡寫為：“如果人們能看到這些系統(tǒng)的真正成本，我想我們會有很多更難回答的問題，比如，能帶來方便的基于人工智能的數(shù)字助理是否值得我們付出巨大的成本。”
這種觀點掩蓋了這樣一個事實（以數(shù)字助理為例），很多現(xiàn)實世界中的人工智能應(yīng)用情形是以數(shù)據(jù)驅(qū)動建議的形式為人們提供“方便”，幫助人們購買合適的產(chǎn)品，選擇通往目的地的最佳路線，遵循理財?shù)淖罴褜嵺`，等等。其中很多可行的建議會對人們在家里、辦公室、汽車和其他地方使用的能源或多或少產(chǎn)生一些影響。
上游人工智能訓(xùn)練可能會實現(xiàn)更大的下游碳抵消
很多人工智能應(yīng)用程序有可能產(chǎn)生下游碳抵消，能夠消除與訓(xùn)練基礎(chǔ)模型所需電力相關(guān)的排放。如果人工智能讓我們能夠少占用辦公空間、少開會、少出差，但完成的工作更多了，那么這項技術(shù)將對抗擊全球變暖做出巨大貢獻。
因此，要在人工智能應(yīng)用程序中實現(xiàn)碳中和，很可能需要對底層模型進行強化訓(xùn)練，使其更有效地完成所分配的任務(wù)。一個經(jīng)過良好訓(xùn)練的人工智能模型可以通過部署到未來的應(yīng)用程序中，隨著時間的推移而逐步平攤其成本，這相當(dāng)于一項資本投資。
請記住，即使人工智能開發(fā)人員追求的是提高其模型的準確性，訓(xùn)練也不一定是人們一直認為的“能耗大戶”。請參考以下趨勢，這些趨勢正在減少人工智能開發(fā)流程工作負載的碳足跡：
人工智能服務(wù)器集群由可再生能源供電而不是化石燃料。
人工智能平臺采用了更節(jié)能的芯片組、服務(wù)器和云提供商。
訓(xùn)練人工智能模型所需的時間和數(shù)據(jù)都在減少。
在現(xiàn)實世界的應(yīng)用程序中更多地采用預(yù)先訓(xùn)練好的人工智能模型。
人工智能開發(fā)流程不同模型的能效對比。
在“一次到位”的神經(jīng)網(wǎng)絡(luò)上開發(fā)人工智能，這種神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后就能夠在各種各樣的處理器上高效地運行。
隨著這些趨勢在未來幾年內(nèi)逐漸融合，我們很可能看到人工智能訓(xùn)練的碳足跡會大幅下降。隨著這一趨勢的加劇，人工智能開發(fā)流程將成為IT領(lǐng)域最環(huán)保的可持續(xù)發(fā)展平臺。
作者：James Kobielus是Franconia研究公司的首席分析師。
編譯：Charles
原文網(wǎng)址：https://www.infoworld.com/article/3568680/is-the-carbon-footprint-of-ai-too-big.html
