不受控制的能源消耗——用人工智能来改进人工智能

人工智能（AI）市场快速增长 预计 到本十年末将达到 1.8 万亿美元。 

虽然人工智能狂热在 2021 年开始受到关注， 直到去年，人工智能才真正找到突破口。事实上，它的增长使得与人工智能相关的一切，从解决方案到使用，都开始飙升，推动对生成式人工智能的投资飞速增长。 

当像 ChatGPT 这样的生成式人工智能系统展示出新的功能时，每个人都想在这个快速增长的蛋糕中分一杯羹。此外，大部分私人投资都发生在美国。

这些热门工具的基础模型是基础模型，例如 OpenAI 的 ChatGPT 中的 GPT-4。这些大型多用途模型需要海量数据集和大量训练资源。基础模型是开发机器学习 (ML) 模型的起点，这些模型能够以经济高效且快速的方式为新型应用提供支持。

科技巨头谷歌已经 发布 多种基础模型； Imagen、Muse 和 Parti 是文本到图像模型，MedLM 用于医疗保健行业，编码模型 Codey 以及通用语音模型 Chirp。

这些模型消耗的内存量空前巨大，包括用于存储和检索其所操作的真实世界数据的大量内存。例如，GPT-3 需要使用约 500 亿个单词进行训练，并使用 175 亿个参数。这导致人工智能的能源需求飙升。

在过去的几年里，人工智能对环境的影响已被广泛报道。去年年底，一项经过同行评审的分析试图量化这一需求。 

在讨论了巨大的能源成本之后 密码学开发荷兰央行数据科学家、阿姆斯特丹自由大学博士生亚历克斯·德弗里斯 (Alex de Vries) 将注意力转向了最新的科技趋势：人工智能的普及。据 他的最新评估到 1.5 年，NVIDIA 将每年出货 2027 万台 AI 服务器。满负荷运行时，这些服务器预计每年至少消耗 85.4 太瓦时的电力。 

De Vries 估计人工智能可能比比特币等工作证明（PoW）网络更糟糕。然而，这些只是估计，专家指出这些数字并不完整，而且是偶然的。

去年 88 月，人工智能公司 Hugging Face 的 Sasha Luccioni 及其来自该公司和卡内基梅隆大学的同事也对 1,000 个不同的模型进行了测试。他们运行了该任务 XNUMX 次并且 发现 大多数任务使用少量能量（例如 0.047 kWh）来生成文本。然而，我们发现图像生成模型的数字要大得多，每 2.907 次推理平均使用 1,000 kWh。作为背景，他们指出，智能手机平均充电耗电量为 0.012 kWh。

同时，最近 纸 据估计，大型语言模型的耗电量约为 1,300 兆瓦时，相当于美国 130 个家庭每年的用电量。

国际能源署也 注意到 在今年早些时候的报告中，对人工智能和加密货币的需求将导致数据中心在不久的将来用电量大幅增加。预计增幅将从 460 年的 2022 太瓦时增加到 620 年的 1,050 至 2026 太瓦时。

这引起了监管机构的注意，他们现在对人工智能成本不断上升发出警告。马萨诸塞州参议员爱德华·马基 (Edward Markey) 表示：

“下一代人工智能工具的开发不能以牺牲地球的健康为代价。” 

此前，他与其他参议员和众议员共同提出了一项法案，要求联邦政府评估人工智能的环境足迹，并建立一个标准化的系统来报告未来的影响。在欧洲，《人工智能法案》已经获得通过，该法案要求强大的基础模型报告其资源使用情况、能源消耗和其他影响。

与此同时，国际标准化组织将于今年晚些时候发布衡量“可持续人工智能”的材料使用、水消耗和能源效率的标准 

让人工智能更高效 

为了在大规模上可行，人工智能模型必须变得更加节能，并且能够在能源受限的设备上运行，这些设备的能耗远低于数据中心。 

这些数据中心需要大量电力来保持计算机运行，而这些电力主要来自化石燃料。这会导致大量的二氧化碳排放。为了解决这个问题，研究人员和组织一直致力于提高人工智能的效率。 

总部位于伦敦的代码优化专家 TurinTech 是一家在寻找这一问题的解决方案方面取得重大进展的著名公司。都灵科技正在通过深度学习和进化算法的融合取得长足进步。该系统根据新信息不断调整现有模型，而不是从头开始重新生成模型。 

英国安永会计师事务所的哈维·刘易斯表示，进化或遗传算法以及贝叶斯统计方法可以使深度学习更加高效，而专业硬件可以降低其成本。

另一种建议的方法是将数据驱动的人工智能与应用领域的其他科学或人工输入相连接。CITRIS 战略计划总监 Pushkar P. Apte 和 CITRIS 总监 Costas J. Spanos 表示： 写 大约有四种方法可以实现这一目标：

• 将人工智能与科学定律相结合。
• 通过人类专家的见解增强数据。
• 使用设备来解释人工智能如何做出决策。
• 使用其他模型来预测行为。

最近，初创公司 EnCharge 在人工智能方面取得了突破，可以显着改善这些人工智能模型在执行预测时的能耗。该公司利用其 DARPA 资金，通过在模拟内存电路中进行一些工作来减少内存使用量，模拟内存电路可以代替传统晶体管以低能耗并行执行矩阵乘法累加。 

“这就是解决数据移动问题的方法。” 

——EnCharge AI 首席执行官、普林斯顿大学电气工程系教授 Naveen Verma 

他进一步补充说，减少的结果不是以单独的位进行通信，而是以大量并行乘法的累加的形式进行通信。

EnCharge AI 已经能够实现每瓦每秒 150 万亿次运算。然而，模拟计算的实现难度极大，之前的尝试均未取得成果。

同时， 研究 去年，哥本哈根大学计算机科学系终身制助理教授 Raghavendra Selvan 探索了降低机器学习碳足迹的不同方法。在微观层面，可以提高算法的速度和效率，以减少资源消耗。他指出，这可以通过研究如何减少计算所需的位数以及如何减少冗余计算来实现。 

他进一步建议评估所有存储数据的需求。因此，在宏观层面上，通过查看计算（其中许多不是时间关键的）的时间和地点，可以选择非高峰时间来训练人工智能系统，以降低培训课程及其成本。碳足迹。 

利用人工智能让人工智能变得更好 

现在，Selvan 为设计人工智能模型创建了一个基准，这些模型消耗的能量少得多，而且不影响其性能。然而，这需要使用能源消耗量和碳足迹作为设计和训练这些人工智能模型的标准。

为此，研究了 429,000 个 AI 子类型模型。这些用于语言翻译、人脸识别、物体检测和医学图像分析的卷积神经网络估计需要多达 263,000 kWh 的能量来进行简单的训练。 

打个比方，263,000 kWh 相当于丹麦公民平均 XNUMX 多年消耗的能源量。计算机需要一个世纪才能完成所有这些训练。 

如此巨大的能源消耗促使整个行业致力于使其更加气候友好；然而，节能型人工智能模型的开发尚未成为现实。据正在研究减少人工智能碳足迹可能性的塞尔万称：

“如今，开发人员主要专注于构建在结果准确性方面有效的人工智能模型。” 

他将这种行为比作汽车，认为汽车只要能快速送达目的地，而不考虑油耗，就被认为是好的。他进一步补充道：

“因此，人工智能模型在能源消耗方面往往效率低下。” 

他的新 根据一项研究，与计算机科学学生 Pedram Bakhtiarifard 合作的论文旨在通过证明在保持人工智能模型精度不变的同时限制大量二氧化碳排放是可能的，从而改变这一现状。

为了实现这一目标，哥本哈根大学公共卫生学院的研究人员指出，我们从一开始就需要一个节能的模型。这意味着在设计人工智能模型以及在高能耗的训练过程中，都要考虑气候成本。塞尔万表示，这样一来，就可以在“模型‘生命周期’的每个阶段”（包括模型的训练和部署）减少碳足迹。

因此，研究人员计算了训练数十万个此类AI模型所需的能量。有趣的是，加州大学公共卫生学院的研究人员并没有训练这些模型，而是使用另一个AI模型进行估算。通过这种方式，他们能够节省绝大多数（99%）原本需要的能源。

现在，根据他们的计算，该团队提出了人工智能模型的基准集合，这些模型的执行水平大致相同，但完成任务所需的能量更少。

研究表明，调整模型或使用其他类型的模型可以在训练和应用阶段节省高达80%的能量。至于性能，几乎没有妥协（只有 1% 甚至更少）。根据研究人员的说法，这些数字实际上是保守的。 

“将我们的研究成果视为人工智能专业人士的食谱。这些食谱不仅描述了不同算法的性能，还描述了它们的能源效率。” 

——巴赫蒂拉法尔

他进一步表示，只需将模型设计中的一个元素替换为另一个元素，“通常就能达到相同的结果”。这意味着从业者无需先开始训练每个模型，只需根据性能和能耗选择一个即可。

Bakhtiarifard 表示，由于需要训练多个模型才能找到最适合特定任务的选项，因此人工智能开发“极其耗能”，“从一开始就选择正确的模型会更加有利于气候”，并且最重要的是，选择一个在训练阶段不会消耗大量电力的模型。

研究人员指出，虽然在自动驾驶汽车和医学等领域，模型精度对于安全至关重要，因此我们不能在性​​能上妥协，但这不应该阻止我们尝试在其他领域实现高能源效率。 

他们表示，这项研究表明，将能源效率作为人工智能模型开发的标准可以找到更好的权衡，就像许多行业的情况一样。根据塞尔万的说法：

“人工智能具有惊人的潜力。但如果我们要确保可持续和负责任的人工智能发展，我们需要一种更全面的方法，不仅要考虑模型性能，还要考虑气候影响。” 

该基准名为 EC-NAS，是开源的，其他科学家和公司可以使用它来推进神经架构搜索 (NAS) 的研究。该研究表示，利用多目标优化算法可以在能源使用和准确性之间取得平衡。研究指出：“凭借其多样化的指标，EC-NAS 需要进一步研究开发节能和环境可持续的模型。”.

基于人工智能的能源解决方案

现在，让我们来看看那些利用技术攻克能源领域并积极致力于提供基于人工智能的能源解决方案的公司：

＃1。 GE可再生能源

该公司利用内部开发的人工智能/机器学习技术来准确预测和简化风力涡轮机物流过程的物流成本。今年，GE 发布了 Proficy，帮助制造商实现可持续发展，同时帮助最大化利润。它还部署了人工智能驱动的 CERius 以提高报告准确性。

本月早些时候，通用电气分拆为三个独立的公司，专注于航空、能源和医疗保健，并开始作为独立实体在纽约证券交易所进行交易。因此，其能源部门现在称为 GE Vernova (GEV)，市值为 36 亿美元，股价为 131.75 美元。 2023年，公司 抵押 这是支持美国风电项目的最大订单，该项目将为 SunZia 项目提供 2.4 吉瓦的电力。高盛预计，到 4 年，该公司的 EBITDA 将达到 2026 亿美元。

＃2。 施耐德电气

这家总部位于法国、市值34.2亿美元的公司利用人工智能来提高效率和生产力，并应对气候变化的挑战。施耐德电气的人工智能应用主要围绕数据可视化和工程、优化和仿真以及可靠性建模。 

该公司 36 财年收入达 2023 亿欧元，增长 13%。施耐德电气还公布了 4 亿欧元的净利润和 4.6 亿欧元的自由现金流。 

结语

人工智能是本世纪的科技革命。鉴于人工智能的整合已被证明能够降低企业成本、增加收入，同时提高员工效率，它显然不仅仅是一个流行词。人工智能系统实际上在一系列任务上的表现都超越了人类，尽管我们在复杂的认知任务上仍然比它们更胜一筹。

然而，它也存在着一系列风险，包括隐私、算法偏差以及我们上面讨论的负面环境影响。一项关于人工智能态度的全球调查也显示，人们对这项新技术感到紧张，尽管大多数人认为它会在未来几年改变他们的日常生活。年轻一代对人工智能更加看好。 

随着人工智能日益成为我们生活中不可或缺的一部分，政府、科学家和企业正携手应对其风险。监管机构已开始关注该行业，过去七年来，已有超过30个国家通过了至少一项与人工智能相关的法律。随着技术的不断进步，我们将见证人工智能变得更加高效，并改变我们的世界。 

单击此处了解有关人工智能投资的所有信息。