哥本哈根大学的学生开发了软件程序来预测该算法的碳足迹
在我们的日常生活中,也许我们没有意识到这一点,我们大多数人都在密切接触先进的人工智能方法,称为深度学习。当我们使用Siri或Alexa时,当Netflix根据我们的观看历史推荐电影和电视节目时,或者当我们与网站的聊天机器人交流时,深度学习算法会发生变化。
然而,这项原本被认为是应对气候变化的有效武器的迅速发展的技术,其缺点是许多人没有意识到能源消耗的激增。如果这一行业趋势持续下去,人工智能,尤其是深度学习的子领域,似乎很可能成为气候问题的一个重要罪魁祸首。在2012年至2018年的短短6年时间里,深度学习所需的计算能力增长了30万%。然而,与算法开发相关的能源消耗和碳足迹很少被测量,尽管大量的研究清楚地证明了这个问题的日益严重。
为了解决这个问题,哥本哈根大学计算机科学系的两名学生lassef.Wolff Anthony和Benjamin Kanding与助理教授raghvendra selvan合作开发了一个名为CarbonTracker的软件程序。该程序可以计算和预测训练深度学习模型的能耗和二氧化碳排放量。
“这一领域的发展速度惊人,深度学习模式的规模不断扩大,越来越先进。现在,有指数增长。而这意味着能源消耗的增加,这似乎是大多数人没有想到的,”Lasse F.Wolff Anthony说。
深度学习训练是数学模型在大数据集中学习和识别模式的过程。这是一个能源密集的过程,在专用的耗电硬件上,每天24小时运行。
迄今为止开发的最大深度学习模型之一是称为gpt-3的高级语言模型。据估计,在一次培训中,它使用的能源相当于126个丹麦家庭一年的能源消耗,排放的二氧化碳相当于行驶里程70万公里。
“如果这种趋势持续下去,人工智能可能最终成为气候变化的重要贡献者。
碳追踪是一个免费的项目,它为减少模型对气候的影响提供了基础。这两位计算机科学专业的学生建议,深度学习实践者在进行模型训练时应该注意,因为24小时内电源并不总是绿色的,他们部署了什么样的硬件和算法。
“有可能大大减少气候影响。例如,如果一个人选择在爱沙尼亚或瑞典训练他们的模型,在那里由于绿色能源供应,模特培训的碳足迹可以减少60倍以上。算法的能量效率也有很大的不同。有些方法需要较少的计算来减少能量以获得类似的结果。如果一个人能够调整这些类型的参数,事情就会发生很大变化,”Lasse F.Wolff Anthony总结道。