你知道嗎，訓練一個AI 一款車型在使用壽命內排放的碳量相當於五輛車？減少環境影響的5個小貼士！

馬薩諸塞大學阿默斯特分校的研究人員對幾種常見的大型訓練方法進行了生命週期評估。 AI 模型。他們發現，該過程會排放超過 626,000 磅的二氧化碳，這相當於一輛普通美國汽車在整個生命週期中排放量的大約五倍（包括汽車本身的製造）。

研究發現：碳足跡AI 訓練過程耗費大量能源，主要是因為訓練模型所需的電腦需要消耗大量能源。與此相關的碳排放也很大。 AI 利用再生能源為資料中心供電可以減少培訓成本。

高效演算法透過減少訓練所需的能源來降低碳排放。 AI 例如，近似演算法可以提供問題的有效解決方案，但不能保證找到最優解；或資料驅動演算法，這類演算法是基於資料進行訓練。下表展示了兩種最佳化演算法的結果：靈活啟動演算法，它允許一定的靈活性。 AI 對於較短的任務，工作負載為「暫停和恢復」；對於較長的任務，工作負載為「暫停和恢復」 ，根據閾值暫停和恢復。

暫停AI 當區域排放量較高時，增加工作負載可以降低整體排放量。節省量可能相當可觀，對於超長運行時間，最高可達 25%。對於短運行時間，節省量較低，因為即使運行時間翻倍，持續時間仍然相對較短。表格也顯示，每小時的暫停次數隨著模型規模的增加而增加。這是因為更大的模型需要更多的計算能力，因此訓練時間更長。

五個技巧和創新技術有助於減少碳排放AI 訓練

1. 使用節能硬體，其中可能包括 GPU。
   • 在某些工作負載下，GPU 在每瓦工作效率方面比 CPU 更節能。 GPU 可用於訓練AI 模型運行速度更快，因此比純模型消耗的能量更少。 CPU 環境。
   • 液態冷卻可更有效率地冷卻運算硬體，進而降低資料中心的能源消耗與廢氣排放。並可降低高達 50% 的噪音，創造更舒適的工作環境。它比空氣冷卻更容易維護，而且液態冷卻器不易損壞。
2. 優化資料中心的能源效率。 有幾種方法可以降低資料中心所需的能源，例如使用可降低 PUE 的自由空氣冷卻。更有效率的冷卻系統：傳統的氣冷式資料中心需要耗用大量能源來冷卻伺服器。
   • 更高效的電源供應器：傳統電源供應器的效率可能很低，會浪費高達 20% 的能源。請務必使用鈦金或白金電源供應器。
   • 更有效率的伺服器：使用可共用資源的多節點伺服器，從而降低每台伺服器的整體能源使用量。
3. 利用再生能源為AI訓練提供動力。專注於此的資料中心AI 訓練可以由再生能源提供動力：太陽能或風能。
4. 提高AI訓練效率。量子運算、脈衝神經網路、聯邦學習、遷移學習和神經架構搜尋等創新技術可以提高人工智慧訓練效率。 AI 培訓並降低能源消耗。
5. 使用預先訓練的模型。預先訓練的模型已經在大型資料集上訓練過，不需要從頭開始開發，這樣會消耗能源。

遵循以下提示即可製作AI 更可持續。