通过计算 T5，Meena，GShard，Switch Transformer 和 GPT-3 等几种大型模型的能源使用和碳足迹，我们发现大而稀疏的深度神经网络可以比大而密集的深度神经网络使用更少的能量，并且具有可接受的准确性。在由于地理位置和专用数据中心基础架构带来的差异方面，对机器学习的能源效率进行度量是具有挑战性的，但我们相信通过明确计算能源消耗和碳足迹，并与开发人员合作，将能源使用作为关键指标来评估模型，可以帮助减少机器学习的碳足迹。

Apr, 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

AI 的碳排放问题及效率优化的机会和可持续性

Jun, 2024

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

本文提出了一种基于强化学习的资源管理算法，用于将可再生能源纳入移动边缘计算中，在动态负载卸载和边缘服务器供应方面实现最优策略，以最小化系统成本和延迟，并通过模拟结果验证了算法的有效性。

Mar, 2017

电力电网向碳中和转变是解决气候变化最大的游戏规则之一，人工智能在技术、市场和政策等三个层面上进行定制化可以提高电能系统向碳中和的转变速度和规模。

Nov, 2022

该研究提供了一种衡量计算机模型碳排放的框架，并提出了在云计算平台上采取不同策略以减少碳排放的方法，为机器学习实践者提供了减少环境影响的建议。

Jun, 2022

我们提出了一种启发式算法，通过在低强度时期使用更大、更高精度的模型，在高强度时期使用更小、更低精度的模型，从而使 DNN 推理更加可持续，减少能源消耗和碳足迹。我们还引入了一个指标，即碳排放效率，以量化自适应模型选择在碳足迹方面的有效性。评估结果显示，所提出的方法可以将视觉识别服务的准确性在碳排放效率方面提高 80%。

Mar, 2024

人工智能（AI）技术已成为众多行业的关键驱动力，包括消费电子、医疗保健和制造业，主要得益于过去十年间的复苏。AI 的变革力量主要来自于深度神经网络（DNN）的应用，其需要大量的训练数据和大量的计算资源进行处理。然而，由于与云通信相关的潜在延迟问题，深度学习（DL）工作流越来越多地过渡到靠近终端用户设备（EUDs）的无线边缘网络上。这种转变旨在支持对延迟敏感的应用，并催生了边缘 AI 的新范式，这将在即将到来的 6G 网络中支持无处不在的 AI 应用。尽管具有潜力，但边缘 AI 面临重大挑战，主要是由于无线边缘网络的资源限制和 DL 的资源密集性之间的矛盾。为确保性能既最佳又可持续，这需要对边缘 AI 采取注重能源的方法。因此，本文提供了关于绿色边缘 AI 的现代综述。我们首先分析了边缘 AI 系统的主要能源消耗组成部分，以确定绿色边缘 AI 的基本设计原则。在这些原则的指导下，我们进一步探讨了边缘 AI 系统中三个关键任务的能效设计方法，包括训练数据获取、边缘训练和边缘推理。最后，我们强调了进一步增强边缘 AI 能效的潜在未来研究方向。

Dec, 2023

研究表明，机器学习在各行业的广泛应用引起了可持续性问题，由于其大量的能源消耗和碳排放。本论文首次探讨了对抗性机器学习的碳足迹，并提出了一种新的度量指标，即稳健性与碳排放之间的权衡指数（RCTI）。实验结果展示了对抗性机器学习中稳健性、性能和碳排放之间的相互影响。

Mar, 2024