重新审视计算机视觉中的 CO2 排放
本文针对计算机在环境方面日益增长的影响进行了研究,通过分析算法、软件和硬件创新的变革,量化了计算机在硬件制造和基础设施方面的碳排放。结果表明,现代移动设备和数据中心设备的大部分排放来自硬件制造和基础设施,因此提出了最小化计算机系统环境影响的未来方向。
Oct, 2020
该论文介绍了一个名为 eco2AI 的开源工具,可以帮助科学家跟踪深度神经网络模型训练和推理的能量消耗和等效二氧化碳排放,并鼓励研究社区寻找具有较低计算成本的新型人工智能(AI)架构,并建立可持续 AI 和绿色 AI 的路径。
Jul, 2022
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
全球正在努力减少全球温室气体(GHG)排放(主要是碳排放)到 2030 年减半并在 2050 年达到净零。本文提出了一个评估框架,用于分析网络 AI 实现的生命周期,并引入了一种名为 DETA 的联合动态能源交易和任务分配优化框架,以减少网络 AI 系统的碳排放。根据硬件原型上的实验结果,我们的解决方案可以将网络 AI 系统的碳排放减少多达 74.9%。最后,讨论了待解决的问题和未来方向。
Sep, 2023
该研究评估了大规模语言模型的二氧化碳排放,并提出减少碳排放的措施,探讨了硬件选择对二氧化碳排放的影响。基于结果,提出了培训更环境友好的人工智能模型的可能性,并认为可以在不牺牲其鲁棒性和性能的情况下实现。
Apr, 2024
本研究分析了选择适当的模型架构和训练环境可以显著降低计算机视觉模型的能源消耗,同时保持模型正确性,也发现对于更好的能源效率,GPU 应该与模型的计算复杂度进行比例缩放。
Jul, 2023