别忘了，AI也会污染环境

到2026年，预计用于训练AI的算力将增加十倍。消耗的电力越多，人们需要的自然资源也越多。因此，能源消耗将呈指数级增长。其中，最令人意想不到的是对水资源的消耗。一些预测显示，运行一个AI大模型在其生命周期内所产生的碳排放量比一辆普通汽车还多。高盛最近的一份报告显示，到2030年，由于AI应用的推动，电力需求将增加160%。

无限制地以这种方式运行会带来明显的环境风险，但同时，AI也可以成为促进可持续发展的强大工具，加快我们解决问题的速度，帮助我们了解和应对气候变化，并支持初期能源转型。

对于企业和政府来说，用AI来加强决策、提高业务生产力和降低成本是一种新的常态。这就是为什么我们现在不仅需要考虑更可持续的应用AI的方式，更要优先考虑这种方式是否可以推动整体的可持续性收益。

我们如何才能有效利用AI并从中获益，同时尽我们的集体能力，最大限度地减少AI对环境的影响呢？

AI模型分为三个阶段——训练、调整和推理——每个阶段都能变得更加可持续。在AI之旅启动之时，企业领导者应考虑引用一个基础模型，而不是从头开始创建模型和训练代码。与创建新模型相比，基础模型可以在更短的时间内、使用更少的数据和更低的能耗进行定制调整。这可以有效地将前期的训练成本“摊销”到长期的使用途中。

选择规模合适的基础模型也很重要。大多数基础模型都有不同的规模选项，包括30亿、80亿、200亿或更多参数。模型并非越大越好。依据你的需求，一个用高质量的、精心策划的数据训练的小型模型可以更节能，并生成与大模型相同甚至更好的结果。IBM的研究发现，一些根据特定的相关数据训练的模型，其性能可以与大它们3～5倍的模型相媲美，且执行速度更快、能耗更低。对企业来说，这意味着更低的成本和更好的结果。

通常，云端与物理混合的方法可以让企业灵活选择处理数据的位置，帮助企业降低能耗。采用这种“混合云”方法，AI既可以在满足需求的数据中心进行计算和处理，也可以在公司拥有的物理服务器上计算，这取决于安全、法规或其他原因。

“混合云”可以从两个方面支持可持续发展。首先，它可以将数据放置在处理位置的旁边，这可以最大限度地减少数据传输的距离，并在长期内实现真正的能源节约。其次，混合云让企业可以将计算和处理数据的位置放在可再生能源附近。比如，有两个数据中心都可以满足你对AI的性能需求，一个靠近水电站，另一个则靠近煤电站，而现在，你就可以选择前者。

最后，最重要的是，需要多少处理能力，就使用多少算力。许多组织都配置了过多的备用算力，不过，现在已经有软件可以更好地管理这一点。在IBM自己的一个AI工作负载案例中，我们减少了多余的算力，相当于从23个图形处理器（GPU）减少到13个，大大降低了能耗，并释放了高需求的GPU，以用于其他用途。算力减少了，但AI模型的性能却没有降低。

调整好AI模型后，它90%的生命都将在推理模式下度过。在这种模式下，数据在模型中传输，以便企业进行预测或解决任务。毫无疑问，AI模型的大部分碳足迹也发生在这个阶段。因此，企业必须投入时间和资金，使数据处理尽可能地可持续。

AI在某些支持特定计算规律的处理器上的运行效率更高。众所周知，AI在GPU上比在中央处理器（CPU）上运行得更好，但两者最初都不是为AI设计的。越来越多的新型处理器诞生，它们从零开始设计，旨在更快、更高效地运行和训练深度学习模型。在某些情况下，这些芯片的能效已经提高了14倍。

能效处理是最重要的步骤，因为它减少了对水冷系统的需求，甚至减少了对额外可再生能源的需求，而这些能源自身往往也会产生环境成本。

开源意味着，有更多的人来关注代码，有更多的人来思考问题，甚至有更多的人动手解决问题。这种透明的合作可以产生巨大的影响。例如，开源的Kepler项目——免费且对所有人开放——帮助开发人员在编写代码时估算运行所产生的能耗，使他们的代码既能实现需求目标，又能考虑到能源消耗对长期成本和碳排放的影响。

开源还意味着，利用“群众的智慧”来改进现有的AI模型，而不是无限依赖能源网络来构建新模型。不断改进的模型让资源有限的组织也能追求高成本、高效益的创新，并用灵活性、安全性和可信度让对AI持怀疑态度的组织放心。

历史上最大的开源项目——互联网——最初是用来共享学术论文的。现在，它支撑着我们的经济和社会。

同样地，当我们想象AI如何帮助实现更美好的未来时，我们必须追求创新，同时也要意识到它对自然资源的消耗，负责任地处理我们所使用的、所涉及的自然资源。

↓点击阅读原文进入哈评中文网，获取更多精品内容