北京
IT行业贡献了全球约2%到4%的排放，而航空业是3%。Charles Humble在哥本哈根GOTO大会上谈“绿色AI”时，把这个对比摆了出来：航空业正在努力减排，IT行业却在朝反方向走。
他引用了国际能源署（IEA）的数据：亚马逊、微软、谷歌、Meta四家公司的合计用电量，在2017年到2021年间翻了一倍多，2021年升至约72太瓦时。微软2024年环境报告显示，其总碳排放自2020年以来上升了30%，主要原因是新建数据中心以满足AI需求。谷歌的排放自2019年以来激增约50%，仅2023年就同比增长13%，同样主要由人工智能驱动。
Humble说，这些报告谈的排放主要是二氧化碳这类温室气体。自工业革命以来，大气中的温室气体浓度不断上升，截留的热量越来越多。目标是把全球升温控制在1.5度以内，但预测显示实际可能落在2.5到3度之间。
用电量本身也值得拆开看。IEA估计2022年全球数据中心用电约240到340太瓦时，占全球电力需求的1%到1.3%；网络传输再加260到360太瓦时。两项合计约700太瓦时，大致相当于巴西同期的726太瓦时。
把AI放进业务场景之前，Humble建议先问几个问题：
- 你真的需要它吗？
- 你需要从零训练一个新模型，还是可以用预训练模型？
- 如果能放宽部分SLA，是否可以把负载放到更绿色的地点运行？
- 你能用需求塑形吗？
如果确实要训练定制模型，他建议先想清楚到底需要收集多少数据。有时候更小的模型效果更好。他还建议使用开源数据集，并尽可能做需求转移——在绿色能源可用的时间和地点收集数据。
理论上，训练可以全程使用100%可再生能源，这能把碳排放减少45%到99%。但他认为，大部分能源其实可能花在模型部署到生产环境之后的运行和维护上。
让计算更绿色，他给了四步：
- 使用能安全执行任务的最小硬件配置。
- 在低碳电力充足、且有可信计划让电网更清洁的地区运行计算。
- 选择在绿色地点有数据中心、并提供良好工具帮助降低碳足迹的云服务商。
- 优化任务的执行时间，进一步减少碳足迹。
Humble的结论是：可持续性应当与成本、性能、安全、监管合规和可靠性并列，成为计算负载的顶层考量之一。
谈到位置为什么重要，他解释：一个计算负载消耗的能量是固定的，但这些能量的碳成本因地点和时间而异，差别巨大，取决于数据中心的电力来源。假设数据中心使用电网供电，所在区域主要靠水电、太阳能、核能和风电（比如挪威、瑞典、法国），在这里跑负载可能比依赖煤或天然气的地区清洁许多倍。碳强度在一天之内、一年之中也会随风光发电和需求变化而波动。
基于这一点，碳感知计算可以用一种叫“需求转移”的技术，分时间与地点两种做法。时间型特别适合对延迟不敏感的场景，比如AI训练。地点型最简单的版本，是默认把新的、能容忍延迟的负载放到低碳区域；更进阶的版本可能随季节在不同半球之间迁移，以最大化利用日照和太阳能。
需求塑形则是另一回事：根据当下电力供应的清洁程度或紧张程度，改变软件做多少工作、做什么工作。一种做法是把选择权交给用户——AI服务可以让用户选择转人工，在开始前或过程中的任何时刻都行。也可以基于更高的碳强度做优雅降级，比如提供低画质视频或图片、关闭自动播放、跳过非必要动画、降低刷新率，或者换用更小的模型。代价是复杂度上升，而且你得判断降级后的服务是否仍可接受。
训练环节怎么更绿？除了对训练和数据收集做需求转移，能不从零训练就别从零训练：用预训练模型做微调，或者直接提示、配合检索增强生成（RAG），只要满足需求即可。缩小模型规模能加快训练、提升效率，蒸馏、量化和剪枝都可以用于压缩。在某些情况下，通过联邦学习做端侧训练会更绿色。还要记住，对广泛使用的模型来说，整个生命周期内的推理可能带来更大的总排放，所以服务阶段的效率同样重要。
Raghavendra Selvan的《Sustainable AI》一书对这些方法有更深入的探讨。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
