降低AI大模型的碳排放
AI模型的訓練和運營過程需要消耗大量能源，但關(guān)鍵問題是，如何知道及測算單個機器學習實驗正在產(chǎn)生多少溫室氣體排放，以及可以減少多少？
目前數(shù)據(jù)科學家們?nèi)詿o法簡單可靠地獲取該領(lǐng)域的測量結(jié)果，這也妨礙著進一步制定可行的應對策略。
針對這一問題，谷歌發(fā)表了一項研究，詳細介紹了最先進的語言模型的能源成本，包括早期和更大版本的LaMDA。
研究結(jié)果表明，將高效的模型、處理器和數(shù)據(jù)中心與
清潔能源相結(jié)合，可以將機器學習系統(tǒng)的
碳足跡減少1000倍。
該團隊提出了四種基本方法，可顯著減少機器學習工作負載的碳（和能源）足跡，這些方法目前在Google中使用，任何使用Google Cloud服務的人都可以使用。
Google能源和碳足跡減少最佳實踐（4Ms）如下：
模型：研究人員表示，選擇高效的ML模型架構(gòu)至關(guān)重要，因為它有可能提高ML質(zhì)量，同時將計算時間縮短一半。
機器：與通用處理器相比，使用專門用于ML訓練的處理器和系統(tǒng)可以將性能和能效提高2倍至5倍。
機械化：大多數(shù)情況下，本地數(shù)據(jù)中心更老、更小。 因此，新的節(jié)能冷卻和配電系統(tǒng)的費用無法攤銷。
基于云的數(shù)據(jù)中心是全新的、定制設(shè)計的倉庫，具有可容納50000臺服務器的能效特性。 它們提供異常高效的電源利用率 (PUE)。
因此，在云端而不是在本地進行計算，可以節(jié)省1.4-2倍的能源并減少污染。
優(yōu)化：云允許客戶選擇具有最清潔能源的區(qū)域，從而將總碳足跡減少5到10倍。
基于4Ms改進的模型、特定于機器學習的硬件和高效的數(shù)據(jù)中心，大大抵消了這種負載增加。
谷歌的數(shù)據(jù)表明，機器學習訓練和推理在過去三年中僅占谷歌整體能源使用量的10%至15%，其中每年有35%用于推理，25%用于訓練。
為了找到改進的機器學習模型，谷歌采用了神經(jīng)架構(gòu)搜索 (NAS)。
每個問題域/搜索空間組合通常只執(zhí)行一次NAS，然后可以將生成的模型重復用于數(shù)百個應用程序，NAS的一次性成本通常被持續(xù)使用的減排量所抵消。
研究人員進行了一項研究來訓練Transformer模型。
為此，他們在典型的數(shù)據(jù)中心中使用了Nvidia P100 GPU，其能源組合與全球平均水平相似，而使用TPUv4等新一代ML硬件，性能比P100提升了14倍。
同時，高效的云數(shù)據(jù)中心比普通數(shù)據(jù)中心節(jié)省1.4倍的能源，從而使總能耗降低83倍。
此外，由低碳能源驅(qū)動的數(shù)據(jù)中心可以將碳排放量再減少9倍，從而在四年內(nèi)總共減少747倍。
谷歌團隊認為，在信息技術(shù)領(lǐng)域，制造各種類型和規(guī)模的計算設(shè)備的生命周期成本，比機器學習的運營成本要高得多。
排放估算的制造成本包括制造所有相關(guān)組件（從芯片到數(shù)據(jù)中心建筑）所排放的嵌入碳。
當然，除了使用4Ms方法，服務提供商和用戶還可以采取簡單的措施來提高他們的碳足跡績效，例如：
客戶應通過讓數(shù)據(jù)中心提供商報告數(shù)據(jù)中心效率和每個位置的能源供應清潔度，來分析和減少他們的能源使用和碳足跡。
工程師應該在最環(huán)保的數(shù)據(jù)中心中最快的處理器上訓練模型，這些數(shù)據(jù)中心越來越多地在云上。
機器學習的研究人員應該專注于設(shè)計更有效的模型，如：利用稀疏性或包括檢索來減少模型。
此外，他們應該報告他們的能源消耗和碳影響。這不僅會鼓勵超越模型質(zhì)量的競爭，而且還可以確保對他們的工作進行正確的核算。 本`文@內(nèi)-容-來-自；中^國_碳0排0放^交-易=網(wǎng) ta n pa i fa ng . co m
【版權(quán)聲明】本網(wǎng)為公益類網(wǎng)站，本網(wǎng)站刊載的所有內(nèi)容，均已署名來源和作者，僅供訪問者個人學習、研究或欣賞之用，如有侵權(quán)請權(quán)利人予以告知，本站將立即做刪除處理（QQ：51999076）。
國家工信部備案/許可證編號京ICP備16041442號-7 
??5群
