機器學習等運算密集型技術的發展帶來了高碳足跡，並加劇了氣候變遷。機器除了快速成長之外，還有不斷擴大的綠色人工智慧工具和技術組合，以幫助抵消碳排放並提供更永續的發展道路。
根據微軟和艾倫人工智慧研究所，以及希伯來大學、卡內基美隆大學和人工智慧社群hugsFace的共同作者上個月發表的研究，環境成本很高。微軟Azure機器學習產品經理、綠色軟體基金會成員、該研究的合著者威爾·布坎南(WillBuchanan)表示，該研究推斷數據表明，對於一個60億參數的ML模型(一個大型語言模型)，一個訓練實例產生的二氧化碳相當於在一輛大型火車車廂裡燃燒所有的煤炭。
弗雷斯特研究公司(Forrester Research)分析師阿比吉特·蘇尼爾(AbhijitSunil)說，過去，程式碼是在受限於有限資源的嵌入式系統中優化的，例如手機、冰箱或衛星。然而，AI和ML等新興技術不受這些限制，他說。
「當我們擁有看似無限的資源時，優先考慮的是編寫盡可能多的程式碼，」Sunil 說。
綠色人工智慧，也就是讓人工智慧發展更永續的過程，正成為解決演算法耗電問題的可能方案。布坎南說:「這都是為了降低技術發展本身的隱性成本。」
蒙特利爾人工智慧倫理研究所創始人兼首席研究員、綠色軟體基金會標準工作小組主席阿布謝克·古普塔(AbhishekGupta)表示，任何開發人員的出發點都是要了解人工智慧是否適合這項工作，並弄清楚為什麼首先要部署機器學習。
「你並不總是需要機器學習來解決問題，」古普塔說。
古普塔表示，開發人員在部署 ML 時也應該考慮進行成本效益分析。例如，如果使用機器學習將平台的滿意度從 95% 提高到 96%，那麼這可能不值得為環境付出額外的代價，他說。
布坎南說，一旦開發人員決定使用人工智慧，那麼選擇在碳友善地區部署模型會對營運排放產生最大影響，將軟體碳強度率降低約75%。
布坎南說:「這是當今任何開發者都可以使用的最有影響力的槓桿。」
古普塔舉了一個例子：開發商可以選擇在加拿大魁北克省運營，而不是在美國中西部地區運營，因為那裡的電力主要來自化石燃料。而加拿大魁北克省90%以上的電力則來自水力發電。
在決定機器學習工作應該在哪裡運作時，企業也必須考慮能源類型以外的其他因素。 2021 年 4 月，Google Cloud推出了綠色區域選擇器，可協助公司在選擇營運地點時評估成本、延遲和碳足跡。但 Buchanan 說，並非所有雲端供應商都可以輕鬆獲得此類工具。
他說，為了解決這個問題，綠色軟體基金會正在開發一種名為Carbon AwareSDK的新工具，該工具將推薦最佳區域來啟動資源。在接下來的幾個月內應該會提供 alpha 版本。
古普塔說，如果唯一可用的電腦位於電力不良的地區，開發人員可以使用聯合學習式部署，其中訓練以分散式方式在電力體制中存在的所有設備上進行。但聯邦學習可能不適用於所有工作負載，例如必須遵守法律隱私考慮的工作負載。
古普塔說，另一種選擇是讓開發人員使用tinyML，它透過量化、知識蒸餾和其他方法來縮小機器學習模型。他說，目標是最小化模型，以便可以以更節省資源的方式部署它們，例如在邊緣設備上。但由於這些模型提供的智慧有限，它們可能不適合複雜的用例。
「整個行業的趨勢是認為越大越好，但我們的研究表明，你可以反駁這一點，並明確表示你需要為工作選擇合適的工具，」布坎南說。
布坎南說，綠色軟體基金會和其他倡議在衡量和減少軟體的碳足跡方面取得了進展。
例如，微軟去年在 Azure 機器學習中提供了能耗指標，使開發人員能夠找出他們最耗能的工作。這些指標著重於耗電的 GPU，它比 CPU更快，但消耗的能量是 CPU 的 10 倍以上。布坎南說，GPU 通常用於運行 AI 模型，在功耗方面通常是最大的罪魁禍首。
然而，布坎南說，仍然需要更多可互通的工具，指的是目前可用的零碎的綠色人工智慧工具。 「綠色軟體基金會正在做一件事情，」他說，「但我認為雲端供應商需要進行協同投資，以提高能源效率。」
古普塔表示，最終的目標是引發行為改變，讓綠色人工智慧實踐成為常態。 「我們這樣做不僅僅是為了會計目的，」他說。
以上是綠色AI如何解決對氣候變遷的影響的詳細內容。更多資訊請關注PHP中文網其他相關文章！
