在日常生活中，我们大多数人都在不知不觉中与一种先进的人工智能方法–深度学习亲密接触： 当我们使用Siri或Alexa时；当Netflix根据我们的观影历史建议电影和电视节目时；或者当我们与 站的客户服务聊天机器人（Chatbot）对话时，深度学习算法就在此时悄悄地改变着我们的生活。
深度学习这一高速发展的技术，本来被认为是应对气候变化的有效武器，却有着一个不为人知的缺点—-高能耗， 按照这种趋势继续发展下去，人工智能，特别是深度学习这一子领域，或许可能成为气候变化的罪魁祸首。 从2012年到2018年，短短的六年时间里，深度学习所需的计算量增长了300,000%。 然而，与开发算法相关的能耗和碳排放量却鲜有被测量，目前，有许多研究清楚地证明了这个日益严峻的问题。
针对这一问题，哥本哈根大学计算机科学系的两名学生Lasse F.Wolff Anthony和Benjamin Kanding,协同助理教授Raghavendra Selvan一起开发了一个名为Carbontracker的软件程序，它可以计算和预测训练深度学习模型的能源消耗和二氧化碳排放量。
Lasse F. Wolff Anthony如是说：“这一领域的开发获得了惊人的高速发展，深度学习模型在规模上不断扩大，越来越先进， 目前呈指数级增长。 令大多数人意想不到的是：这意味着能源消耗正在随之增加。”
一次深度学习训练=126个丹麦家庭的年度能源消耗
深度学习训练过程是数学模型识别大型数据集中模式的过程， 这是一个能源密集型的过程，需要电力密集型专用硬件，每天24小时连续运行。
Benjamin Kanding说：”随着数据集日益扩大，算法需要解决的问题变得越来越复杂。”
GPT-3高级语言模型是迄今为止最大的深度学习模型之一，在一次GPT-3训练中，消耗的能耗估计为126个丹麦家庭的年度能源总消耗，排放的二氧化碳与70万公里的车程消耗的能量相当。
Lasse F.Wolff Anthony说：“在几年内，可能会有多个模型的计算量要比GPT-3的计算量大出多倍。“
改进空间
Benjamin Kanding解释道：”如果按照这种趋势发展下去，人工智能可能最终成为气候变化的一个重要因素。 我们的目的并非是要阻碍技术的发展，相反，技术的发展为气候改善提供了极好的机会。 我们应该及时意识到问题的存在，及时思考：应如何做出改进？“
Carbontracker是一个免费项目，它的理念是：提供一个减少模型对气候影响的基础。 此外，该项目收集在进行深度学习训练的过程中，相当于排放多少二氧化碳的数量。 这样做可以将能源消耗转化为二氧化碳排放量，对它进行预测。
这两名计算机科学学生建议，深度学习从业者应关注模型训练的时间段，因为他们部署的硬件和算法 时，绿色电力消耗在24小时内是不同的。
Lasse F.Wolff Anthony总结道：“这样做有可能大幅度减少对气候影响。 例如，如果一个人选择在爱沙尼亚或瑞典训练深度学习模型，在这两地，由于供应的是绿色能源，模型训练的碳排放量可以减少60倍以上。 算法的效能也有着显著的不同，某些算法需要较少的计算量，能以更少的能量消耗获得相似的结果。如果能够对算法的参数做出微调，情况会发生很大的改变。“
声明：本站部分文章内容及图片转载于互联 、内容不代表本站观点，如有内容涉及侵权，请您立即联系本站处理，非常感谢！