机器学习产生的碳排放量比大多数人意识到的要多得多

在人工智能的推动下，从语音识别到自动驾驶汽车，人工智能系统消耗大量电能，并会产生大量的气候变化碳排放量。

去年的一项研究发现，训练一个现成的AI语言处理系统会产生1400磅的排放量-大约相当于一个人往返纽约和旧金山之间往返所产生的排放量。从头开始构建和训练AI语言系统所需的全套实验可以产生甚至更多：高达78,000磅，具体取决于动力源。这是一生中人平均呼气量的两倍。

但是，有一些方法可以使机器学习变得更清洁，更环保，这一运动被称为“绿色AI”。例如，某些算法比其他算法耗电少，并且许多培训课程都可以转移到偏远地区，这些地区的大部分电力都来自可再生资源。

但是，关键是让AI开发人员和公司知道他们的机器学习实验涌现了多少，以及可以减少多少。

现在，来自斯坦福大学，Facebook AI Research和麦吉尔大学的研究人员团队提出了一种易于使用的工具，该工具可以快速测量机器学习项目将使用的电量以及碳排放量的多少。

斯坦福大学计算机科学博士学位的学生，主要作者彼得·亨德森说：“随着机器学习系统变得越来越普及，并且越来越消耗资源，它们有可能极大地促进碳排放。”“但是，如果无法衡量，就无法解决问题。我们的系统可以帮助研究人员和行业工程师了解其工作的碳效率如何，也许可以就如何减少碳足迹提出快速的想法。”

追踪排放

亨德森与斯坦福大学语言学系主任，计算机科学教授丹·尤拉夫斯基(Dan Jurafsky)合作开发了“实验影响追踪器”。斯坦福大学计算机科学助理教授Emma Brunskill;胡杰如，Facebook AI Research的软件工程师;麦吉尔(McGill)的计算机科学教授，Facebook AI Research联合董事总经理Joelle Pineau;和约书亚Romoff，麦吉尔大学的博士候选人。

Jurafsky说：“大力推广机器学习以解决越来越大的问题，使用更多的计算能力和更多的数据。”“发生这种情况时，我们必须注意这些重型计算模型的好处是否值得对环境造成影响的成本。”

机器学习系统通过全天候运行数百万个统计实验，稳定地完善其模型以执行任务来培养自己的技能。这些可能持续数周甚至数月的培训课程越来越耗电。而且由于计算能力和海量数据集的成本急剧下降，因此机器学习在企业，政府，学术界和个人生活中越来越普遍。

为了准确衡量碳排放的含义，研究人员首先测量了特定AI模型的功耗。这比听起来要复杂得多，因为一台机器经常同时训练多个模型，因此每次训练都必须与其他训练分开进行。每个培训课程还为共享开销功能(例如数据存储和冷却)消耗能量，这些功能需要适当分配。

下一步是将功耗转换为碳排放，这取决于产生电力的可再生燃料和化石燃料的混合。根据地点和一天中的不同时间，这种混合方式差异很大。例如，在太阳能资源丰富的地区，随着太阳在天空中爬得更高，电力的碳强度会下降。