ICMLJun, 2020

SECure：针对 AI 系统的社会与环境认证

PDF
TL;DR该研究提出了一个基于 ESG（环境、社会和治理）框架的计算机辅助机器学习算法，用于构建具有可持续发展性质的 AI 系统，并包括四个支柱：计算效率、联邦学习、数据主权和 LEEDesque 认证。
aicarbon footprintsocio-technicalcompute-efficient machine learningleedesque certificate
发现论文，激发创造
  • 可持续的人工智能：环境影响、挑战和机遇

    本篇研究从数据、算法和硬件系统综合视角探讨了 AI 的超线性增长趋势对环境的影响，着重分析了 AI 计算的碳足迹和硬件系统的全生命周期，并提出了硬件 - 软件设计和优化对减少 AI 总体碳足迹的重要性，讨论了 AI 领域的挑战和发展方向。

    Oct, 2021

  • 超越效率：可持续扩展人工智能

    AI 的碳排放问题及效率优化的机会和可持续性

    Jun, 2024

  • 创新即时代的融合：软件工程与绿色人工智能的交叉

    机器学习和基础模型的最新进展正在改变现有软件工程过程的前沿，本文考虑了采用环境友好实践创建 AI 软件系统的影响，并对使用基础模型进行软件开发的环境影响进行了讨论。

    Jun, 2024

  • 值得信赖的人工智能系统对环境和人类社会影响的社会伦理视角

    AI 系统的可信发展需要多学科治理，通过关键的系统检查（如能源消耗）来全面审查其生命周期中的社会影响，以及从计算机科学、社会学、环境科学等多学科角度讨论其互相关联的社会风险和无法同时满足健康的方面，从社会伦理影响评估的角度强调了全面解决 AI 系统紧迫问题的必要性，以揭示其对社会的有害影响，真正实现以人为中心的可信 AI。

    Sep, 2023

  • 拓展可持续人工智能视角：人工智能系统综合可持续性标准和指标

    本文提出基于 19 项可持续性标准和 67 个指标的 “可持续人工智能 (SCAIS)” 框架，为意识到 AI 系统的开发和应用提供了实用的标准和工具。

    Jun, 2023

  • 效率不足够：环境可持续人工智能的关键观点

    人工智能 AI 目前以深度学习等机器学习方法为核心，然而这些方法在计算、能源消耗和碳排放等方面存在环境问题。提高机器学习系统的效率仅仅是解决环境影响的一方面，系统思维则被认为是改善机器学习环境可持续性的可行途径。

    Sep, 2023

  • 分布式与联邦学习的能源和碳足迹分析

    本论文提出了一种新的框架，用于分布式和联邦学习（FL）的能源和碳足迹分析，研究了完全分散方法和共识方法的能源足迹和碳排放。这个框架量化了基于连续改进的学习三个环节的能源消耗，使用了两个 5G 行业垂直的案例对其进行了分析，结果表明能源消耗和测试准确度应该通过模型和数据足迹来平衡。

    Jun, 2022

  • 人工智能可持续性研究综述：学习算法的新兴趋势和研究挑战

    本文着眼于 AI 的可持续性发展问题，分析了解决该问题的机器学习方法和算法，并提出对可持续 AI 技术研究的挑战和发展方向的建议。

    May, 2022

  • 绿色计算的机遇：一项调查

    人工智能在技术和研究方面取得了显著的进展，并广泛应用于计算视觉、自然语言处理、时间序列分析、语音合成等多个领域。然而，随着大型语言模型的出现，研究人员的注意力主要集中在追求最新的技术成果，导致模型规模和计算复杂性不断增加，需要更高的计算能力，进而产生更高的碳排放量，阻碍了资金有限的中小型研究机构和公司参与研究，并引发研究公平性的问题。为应对计算资源和人工智能的环境影响，绿色计算已成为一个热门的研究课题。在本调研中，我们对绿色计算中使用的技术进行了系统概述，并提出绿色计算的框架，将其分为四个关键组成部分：(1) 绿色度量指标，(2) 能效人工智能，(3) 能效计算系统和 (4) 可持续发展的人工智能应用案例。针对每个组成部分，我们讨论了研究进展及常用的优化技术，结论表明这个新的研究方向有潜力解决资源限制与人工智能发展之间的冲突。我们鼓励更多的研究人员关注这个方向，使人工智能更加环保友好。

    Nov, 2023

  • 迈向负责任的人工智能开发生命周期：来自信息安全的启示

    提出了一个框架，将信息安全领域和安全开发生命周期的概念应用到人工智能系统的开发中，以解决公正度、可解释性和科技伦理等方面的问题。

    Mar, 2022