机器学习产生的碳排放量比大多数人意识到的要多得多
新时代，高科技越来越发达。朋友们读了很多关于科技的重要新闻。我们也应该在生活中使用很多这些高科技的东西。朋友应该注意什么？今天，我想和大家分享一条关于科技的知识。我希望你会喜欢它。
在人工智能的推动下，从语音识别到自动驾驶，人工智能系统消耗了大量的电能，并因气候变化产生了大量的碳排放。
去年的一项研究发现，训练一个现成的人工智能语言处理系统将产生1400磅的排放——大约相当于一个人在纽约和旧金山之间通勤时产生的排放。从头开始构建和训练人工智能语言系统所需的整套实验可以产生更多：根据电源的不同，最高可达78000磅。这是美国人一生平均呼气量的两倍。
然而，有一些方法可以让机器学习更干净、更环保。这个运动叫做“绿色AI”。例如，一些算法比其他算法消耗更少的电力，许多培训课程可以转移到偏远地区，那里的大部分电力来自可再生资源。
但是，关键是要让AI开发者和公司知道已经出现了多少机器学习实验，可以减少多少。
现在，来自斯坦福大学、脸书AI Research和麦吉尔大学的一组研究人员提出了一种易于使用的工具，可以快速测量机器学习项目的功耗和碳排放。
斯坦福大学计算机科学博士彼得亨德森(Peter Henderson)表示：“随着机器学习系统越来越受欢迎，消耗的资源也越来越多，它们有可能极大地促进碳排放。”“但是，如果你不能衡量它，你就不能解决问题。我们的系统可以帮助研究人员和行业工程师了解他们工作的碳效率，并可能提出如何减少碳足迹的快速想法。”
跟踪排放
亨德森与斯坦福大学计算机科学教授兼语言学系主任丹朱拉夫斯基合作开发了“实验影响跟踪器”。斯坦福大学计算机科学助理教授艾玛布伦斯基；胡洁茹，脸书人工智能研究院软件工程师；Joelle Pineau，麦吉尔大学计算机科学教授，脸书人工智能研究公司联合董事总经理；还有约书亚罗莫夫，麦吉尔大学的博士生。
Jurafsky说：“大力推动机器学习解决越来越多的问题，使用更多的计算能力和更多的数据。”“当这种情况发生时，我们必须注意这些重计算模型的好处是否值得影响环境的代价。”
机器学习系统通过昼夜不停地运行数百万个统计实验，并不断完善其模型来执行任务，从而发展自己的技能。这些培训课程可能会持续几周甚至几个月，消耗的电量越来越多。而且，由于计算能力和海量数据集成本的急剧下降，机器学习在企业、政府、学术界和个人生活中越来越普遍。
为了准确测量碳排放的含义，研究人员首先测量了特定AI模型的功耗。这比听起来要复杂得多，因为一台机器经常同时训练多个模型，所以每次训练都必须与其他训练分开进行。每个培训课程还会消耗共享开销功能的能量，例如数据存储和冷却，这些功能需要适当分配。
下一步是将电力消耗转化为碳排放，这取决于可再生燃料和发电的化石燃料的混合物。这种混合方法因地点和时间的不同而有很大差异。例如，在太阳能资源丰富的地区，随着太阳在天空中爬得越高，电的碳强度就会降低。
本文就为大家讲解到这里了。