Nov, 2023

G 弹性：在协作 AI 系统的绿色性和弹性之间进行权衡

PDF
TL;DR一个协作人工智能系统（CAIS）与人类在共享环境中合作达成共同目标。为了从降低性能并确保其弹性的干扰事件中恢复过来，CAIS 可能需要由系统、人类或者协作一起执行一组操作。本文提出了一种自动评估 CAIS 恢复行动在系统的弹性和绿色性之间权衡能力的方法，并设计了实验协议及其应用于真实 CAIS 演示装置，旨在从优化和博弈论两个角度攻击该问题。
发现论文，激发创造
  • 协作人工智能系统的弹性建模

    通过实时学习和人机互动，以及对系统性能的自动追踪，本研究提出了一个新的框架来建模协同人工智能系统（CAIS）的性能，以应对系统遭遇破坏性事件时的需求。通过在一个真实案例中的测试，证明了该框架能够被应用于 CAIS 并整合到 CAIS 活动的在线执行中。

    Jan, 2024

  • 网络物理系统的绿色弹性

    提出一种基于博弈论的解决方案，通过在协作人工智能系统中使用机器人与人类来实现系统的可恢复性，并以最小化 CO2 足迹的方式发挥协作人工智能系统预期结果的作用。

    Nov, 2023

  • CAIS-DMA：协同人工智能系统的决策助手

    该研究介绍了一种新的方法，用于在协作人工智能系统在经历破坏性事件后的性能退化时自动支持决策过程。我们开发了一个框架，自动监控决策过程，在性能退化时进行干预，并推荐下一步操作。

    Nov, 2023

  • 朝向绿色人工智能软件系统：基于架构的方法（GAISSA）

    现今，基于人工智能的系统在不同领域取得了杰出的成果，并超越了人类。然而，训练 AI 模型和从中推断出来的过程需要大量的计算资源，在当前能源效率的社会需求中面临重大挑战。为了应对这一挑战，本研究项目论文描述了 GAISSA 项目的主要愿景、目标和预期成果。GAISSA 项目旨在为数据科学家和软件工程师提供工具支持、以架构为中心的方法，用于建模和开发绿色基于人工智能的系统。虽然该项目处于初期阶段，但我们描述了当前的研究结果，展示了实现 GAISSA 目标的潜力。

    Jul, 2023

  • 平衡进展与责任：基于人工智能系统的可持续发展权衡综合

    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

  • 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

  • 绿色人工智能的系统性评估

    通过对 98 个文献的分析，系统地回顾了绿色人工智能研究领域。大多数研究关注于 AI 模型的环境可持续性，包括监控 AI 模型的排放量、调整超参数以提高模型的可持续性，或者对模型进行基准测试。实验室实验是最常见的研究策略。报告的节能率高达 115％，其中节能 50％以上相当普遍。

    Jan, 2023

  • AI 实践中的可持续发展第二部分：AI 工作流中的可持续发展

    人工智能系统的可持续性取决于项目团队对其潜在现实影响和转变效应持续敏感的能力。持利益相关方影响评估（SIAs）是一种可以实现这种响应能力的治理机制。它们是创建过程的工具，用于记录 AI 创新项目可能造成的伤害和益处的协作评估和反思预期。

    Feb, 2024

  • 人工智能的 (更) 绿色世界

    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

  • 基于对抗性韧性学习架构的复杂智能建模，探索和运行复杂的网络物理系统

    本文介绍了 Adversarial Resilience Learning（ARL）概念，其定义了两个代理类，即攻击者和防御者，这两个代理机器人在没有任何领域知识的情况下互相探索和训练，并且可以使用广泛的模型自由和模型基础的深度强化学习算法，例如在复杂的电力网络上运行实验，以实现复杂环境下的检查和弹性运行。

    May, 2020