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練效率的很多好方法。

溫室氣體是經(jīng)濟學家們所說的“外部因素”，是整個社會無意中承擔的成本，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、服務器集群和其他計算平臺提供動力。

想想人工智能應用實現(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。例如，麻省理工學院《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，訓練一個機器學習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，那么它應該會產(chǎn)生實際有用的結(jié)果。換句話說，很多人工智能應用程序保證了人們和系統(tǒng)能夠在各種應用場景中采取優(yōu)質(zhì)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)閉相應的分支機構(gòu)。

這樣，銷售人員自動化應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?！?/p>

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，選擇通往目的地的優(yōu)質(zhì)路線，遵循理財?shù)膬?yōu)秀實踐，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。

上游人工智能訓練可能會實現(xiàn)更大的下游碳抵消

很多人工智能應用程序有可能產(chǎn)生下游碳抵消，能夠消除與訓練基礎模型所需電力相關(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練，使其更有效地完成所分配的任務。一個經(jīng)過良好訓練的人工智能模型可以通過部署到未來的應用程序中，隨著時間的推移而逐步平攤其成本，這相當于一項資本投資。

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：

1、人工智能服務器集群由可再生能源供電而不是化石燃料。

2、人工智能平臺采用了更節(jié)能的芯片組、服務器和云提供商。

3、訓練人工智能模型所需的時間和數(shù)據(jù)都在減少。

4、在現(xiàn)實世界的應用程序中更多地采用預先訓練好的人工智能模型。

5、人工智能開發(fā)流程不同模型的能效對比。

6、在“一次到位”的神經(jīng)網(wǎng)絡上開發(fā)人工智能，這種神經(jīng)網(wǎng)絡經(jīng)過訓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領域最環(huán)保的可持續(xù)發(fā)展平臺。
責編AJX