科技云報道原創(chuàng)。

自從ChatGPT這樣的大型語言模型在全球引起轟動以來，很少有人注意到，訓練和運行大型語言模型正在產(chǎn)生驚人的碳排放量。

雖然OpenAI和谷歌都沒有說過他們各自產(chǎn)品的計算成本是多少，但據(jù)第三方研究人員分析，ChatGPT部分訓練消耗了1287兆瓦時，并導致了超過550噸的二氧化碳排放量，這相當于一個人在紐約和舊金山之間往返550次。

事實上，這只是訓練時的排放量，當AI大模型運行時還將排出更多的二氧化碳。

加拿大數(shù)據(jù)中心公司QScale聯(lián)合創(chuàng)始人Martin Bouchard認為，微軟和谷歌為了滿足搜索引擎用戶日益增長的需求，在搜索中加入ChatGPT這類生成式AI，會導致每次搜索至少增加4到5倍的計算量。

如果還要經(jīng)常重新訓練模型，并添加更多的參數(shù)，計算量的規(guī)模就完全不同了。

根據(jù)國際能源署（International Energy Agency）的數(shù)據(jù)，數(shù)據(jù)中心的溫室氣體排放量已經(jīng)占到全球溫室氣體排放量的1%左右。

隨著AI大模型和對云計算需求的增長，這一數(shù)字預計還會上升。

AI大模型，正在成為碳排放的一個重要來源。

降低AI大模型的碳排放

AI模型的訓練和運營過程需要消耗大量能源，但關鍵問題是，如何知道及測算單個機器學習實驗正在產(chǎn)生多少溫室氣體排放，以及可以減少多少？

目前數(shù)據(jù)科學家們?nèi)詿o法簡單可靠地獲取該領域的測量結(jié)果，這也妨礙著進一步制定可行的應對策略。

針對這一問題，谷歌發(fā)表了一項研究，詳細介紹了最先進的語言模型的能源成本，包括早期和更大版本的LaMDA。

研究結(jié)果表明，將高效的模型、處理器和數(shù)據(jù)中心與清潔能源相結(jié)合，可以將機器學習系統(tǒng)的碳足跡減少1000倍。

該團隊提出了四種基本方法，可顯著減少機器學習工作負載的碳（和能源）足跡，這些方法目前在Google中使用，任何使用Google Cloud服務的人都可以使用。

Google能源和碳足跡減少最佳實踐（4Ms）如下：

機械化：大多數(shù)情況下，本地數(shù)據(jù)中心更老、更小。因此，新的節(jié)能冷卻和配電系統(tǒng)的費用無法攤銷。

基于云的數(shù)據(jù)中心是全新的、定制設計的倉庫，具有可容納50000臺服務器的能效特性。它們提供異常高效的電源利用率 (PUE)。

因此，在云端而不是在本地進行計算，可以節(jié)省1.4-2倍的能源并減少污染。

谷歌的數(shù)據(jù)表明，機器學習訓練和推理在過去三年中僅占谷歌整體能源使用量的10%至15%，其中每年有35%用于推理，25%用于訓練。

為了找到改進的機器學習模型，谷歌采用了神經(jīng)架構(gòu)搜索 (NAS)。

每個問題域/搜索空間組合通常只執(zhí)行一次NAS，然后可以將生成的模型重復用于數(shù)百個應用程序，NAS的一次性成本通常被持續(xù)使用的減排量所抵消。

研究人員進行了一項研究來訓練Transformer模型。

為此，他們在典型的數(shù)據(jù)中心中使用了Nvidia P100 GPU，其能源組合與全球平均水平相似，而使用TPUv4等新一代ML硬件，性能比P100提升了14倍。

同時，高效的云數(shù)據(jù)中心比普通數(shù)據(jù)中心節(jié)省1.4倍的能源，從而使總能耗降低83倍。

此外，由低碳能源驅(qū)動的數(shù)據(jù)中心可以將碳排放量再減少9倍，從而在四年內(nèi)總共減少747倍。

谷歌團隊認為，在信息技術領域，制造各種類型和規(guī)模的計算設備的生命周期成本，比機器學習的運營成本要高得多。

排放估算的制造成本包括制造所有相關組件（從芯片到數(shù)據(jù)中心建筑）所排放的嵌入碳。

當然，除了使用4Ms方法，服務提供商和用戶還可以采取簡單的措施來提高他們的碳足跡績效，例如：

客戶應通過讓數(shù)據(jù)中心提供商報告數(shù)據(jù)中心效率和每個位置的能源供應清潔度，來分析和減少他們的能源使用和碳足跡。

工程師應該在最環(huán)保的數(shù)據(jù)中心中最快的處理器上訓練模型，這些數(shù)據(jù)中心越來越多地在云上。

機器學習的研究人員應該專注于設計更有效的模型，如：利用稀疏性或包括檢索來減少模型。

此外，他們應該報告他們的能源消耗和碳影響。這不僅會鼓勵超越模型質(zhì)量的競爭，而且還可以確保對他們的工作進行正確的核算。

AI助力降低碳排放

盡管AI大模型是碳排放大戶，但以AI為代表的前沿科技也正在為降碳減排做出貢獻。

百度與咨詢機構(gòu)IDC（International Data Corporation）聯(lián)合進行的研究顯示：與AI相關的技術減碳貢獻占比會逐年提升，到2060年將至少達到70%，減碳總量預計超過350億噸。

以交通行業(yè)為例，2020年中國交通行業(yè)的碳排放估測量為10.4億噸，占全國總體排放的9%。

而在驅(qū)動交通行業(yè)降碳減排過程中，使用以智能信控為主的緩堵型智能交通技術，可以有效提升城市主要道路交叉口的通行效率，千萬級人口城市因此每年可至少減碳4.16萬噸——這相當于1.4萬輛私家車行駛一年的碳排量。

從目前的實踐來看，理解和實現(xiàn)減排的關鍵是對減排的效果進行預測和監(jiān)控，而AI在節(jié)能減排中具有預測排放、監(jiān)測排放、減少排放三個關鍵應用。

據(jù)《碳中和產(chǎn)業(yè)發(fā)展白皮書》顯示，在預測排放方面，AI 能夠根據(jù)當前減排工作和需求，預測未來的碳排放量，同時為碳排放定下排放量指引。

在監(jiān)測排放方面，AI 能實時跟蹤碳足跡數(shù)據(jù)，從采購、生產(chǎn)、銷售、運維、物流等全環(huán)節(jié)收集數(shù)據(jù)，提升監(jiān)測準確性。

在減少排放方面，AI 收集各環(huán)節(jié)數(shù)據(jù)后，能夠以全局視角對各環(huán)節(jié)工作流程做出優(yōu)化調(diào)整。

事實上，在AI助力碳減排方面，目前國內(nèi)多個領域已有應用。

在新能源領域，突出問題在于其具有波動性、隨機性、間歇性特點。

通過AI技術結(jié)合仿真計算，對風光電的不穩(wěn)定情況做場景預測，如：結(jié)合風速、風向、光照強度等自然氣象特征對未來的發(fā)電量進行合理的預測，向電網(wǎng)輸出更精準的發(fā)電計劃，將新能源的不確定性、不穩(wěn)定屏蔽在技術層之下。

再比如，水務集團的管轄范圍包括原水、制水、供水、排水、污水、節(jié)水等。

以居民供水為例，水壓過大，所需能耗大，管網(wǎng)漏損率高，可能會引起爆管事件；而水壓過小，可能會造成居民用水不便。

為了解決這一問題，水務集團在地下部署硬件傳感器監(jiān)測水壓、建設水務大腦，在保證安全、穩(wěn)定供水的前提下，通過AI技術可以實現(xiàn)智能化調(diào)壓控制、能耗優(yōu)化。

不僅如此，AI降碳技術也應用在電廠、園區(qū)、數(shù)據(jù)中心等能源消耗較高的業(yè)務場景中，對其生產(chǎn)用電需求進行精確預測和控制，進行耗電設備、碳足跡的優(yōu)化。

結(jié)語

AI技術的進步給人類帶來了諸多便利，但也必須在發(fā)展中關注環(huán)境問題。

未來AI如何實現(xiàn)可持續(xù)發(fā)展，以及AI如何更好地支撐雙碳領域的變革，仍是亟需各行業(yè)共同解決的問題。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。