在決定機器學習工作應該在哪里運行時，企業(yè)還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(qū)域選擇器，可幫助公司在選擇運營地點時評估成本、延遲和碳足跡。但 Buchanan 說，并非所有云提供商都可以輕松獲得此類工具。

他說，為了解決這個問題，綠色軟件基金會正在開發(fā)一種名為Carbon Aware SDK的新工具，該工具將推薦最佳區(qū)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，如果唯一可用的計算機位于電力不暢的地區(qū)，開發(fā)人員可以使用聯(lián)合學習式部署，其中訓練以分布式方式在電力體制中存在的所有設備上進行。但聯(lián)邦學習可能不適用于所有工作負載，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(fā)人員使用tinyML，它通過量化、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(jié)省資源的方式部署它們，例如在邊緣設備上。但由于這些模型提供的智能有限，它們可能不適合復雜的用例。

“整個行業(yè)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，并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，綠色軟件基金會和其他倡議在衡量和減少軟件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(fā)人員能夠查明他們最耗能的工作。這些指標側重于耗電的 GPU，它比 CPU 更快，但消耗的能量是 CPU 的 10 倍以上。布坎南說，GPU 通常用于運行 AI 模型，在功耗方面通常是最大的罪魁禍首。

然而，布坎南說，仍然需要更多可互操作的工具，指的是目前可用的零碎的綠色人工智能工具。“綠色軟件基金會正在做一件事情，”他說，“但我認為云提供商需要進行協(xié)同投資，以提高能源效率?！?/p>

古普塔表示，最終的目標是引發(fā)行為改變，讓綠色人工智能實踐成為常態(tài)?！拔覀冞@樣做不僅僅是為了會計目的，”他說。