绿色人工智能的系统性评估
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
本文探讨了绿色人工智能的前景,以实现更可持续、能效更高和更能意识到能源生态系统,在人工智能研究、计算和从业者社区中进行开发。包括对操作和硬件优化、数据中心 / 高性能集群的潜在变化和改进的鸟瞰,以及人工智能研究和实践世界中现有的激励结构。
Jan, 2023
通过将深度学习的效率作为评估标准之一,并建议报告开发、训练和运行模型的财务成本,以提供研究越来越高效方法的基准,本文旨在使人工智能更加绿色和包容,实现任何有灵感的本科生都可以编写高质量的研究论文。
Jul, 2019
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
信息技术的增长导致数据中心耗能和碳排放占比的显著增加。为了应对软件开发的环境影响,绿色编码和使用人工智能模型可提高能源效率已成为研究的热点。本研究以可持续性指标为基础,对自动生成代码的可持续性意识进行了评估,并比较了人工生成代码与三种人工智能语言模型生成代码在易难问题陈述下的性能和可持续性能力。结果揭示了当前人工智能模型在可持续软件开发方面的贡献能力。
Mar, 2024
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
人工智能在移动设备领域带来了越来越多的新功能,但其操作也消耗了大量能源。本文回顾了过去十年在绿色移动计算领域中使用人工智能的文献,并总结了 13 个主要课题。研究结果表明,该领域近年来有所增长,但对于基于人工智能的移动系统能源消耗的研究相对较少,需要进一步探索。同时,研究还发现绝大多数文献只是学术贡献,需要促进移动软件行业的参与。
Jul, 2023
综合分析了人工智能与软件系统集成的潜在可持续性利益和成本,结果显示能源管理、员工福利、部署问题、伦理与社会、环境问题是人工智能集成可能带来的关键主题。
Apr, 2024
通过分析 51 篇与 Green AI 相关的同行评审出版物和三位专家的焦点小组讨论,我们提供了 30 种 ML-enabled 系统的绿色架构策略的目录,旨在填补这一领域缺口,并且为进一步探索软件工程角度的 Green AI 和设计可持续的 ML-enabled 系统提供初始参考指南,这些策略有潜力在能源和碳足迹方面显著减少 ML-enabled 系统的社会影响。
Dec, 2023