人工智能：赋能未来，抑或耗尽地球？AI的节能发展之路

人工智能惊人的能源足迹

人工智能技术，特别是大型模型的训练和运行，例如 ChatGPT 等平台背后使用的生成式 AI 和大型语言模型 (LLM)，都非常耗能。在海量数据集上训练这些模型所涉及的复杂计算需要巨大的计算能力，而这主要由数据中心内耗电的 GPU（图形处理单元）提供。

据估计，与人工智能相关的活动很快可能消耗相当于一个小国的电力，人们经常将其与爱尔兰或荷兰等国家进行比较。这令人深感担忧，因为数据中心作为人工智能和数字世界的支柱，已经占全球电力消耗的很大一部分——估计为 1-2%。一些预测警告说，如果当前人工智能开发和部署的趋势持续不受控制，仅人工智能的能源需求就可能显著增加数据中心的总体能耗，甚至可能在未来十年内增加十倍，给电网带来巨大压力，并阻碍气候目标的实现。

这种能源需求不仅限于初始训练阶段。运行人工智能应用程序（推理）也会消耗大量电力，并且随着人工智能越来越融入日常服务（从搜索引擎到导航应用程序），推理的累积能源成本最终可能会超过训练。

悖论：人工智能可以成为节能工具吗？

尽管人工智能本身能源需求很高，但它在降低各行各业的能源消耗方面具有巨大潜力。它分析复杂系统和优化流程的能力可以带来显著的效率提升：

• 电网优化： 人工智能可以通过预测能源需求、优化电力流动、更顺畅地整合可变可再生能源（如风能和太阳能），并减少传输损耗，从而更有效地管理电网。
• 需求响应计划： 人工智能可以实现家庭和企业更智能的能源使用，根据电网状况和定价信号自动调整消耗。
• 工业流程优化： 在制造业和物流业中，人工智能可以简化运营、优化供应链、预测机械的维护需求并减少浪费，所有这些都有助于降低能源使用。
• 智能建筑管理： 人工智能驱动的系统可以优化建筑物中的供暖、通风、空调 (HVAC) 和照明，从而显著减少能源浪费。
• 加速绿色技术发展： 人工智能正被用于加速电池、太阳能电池和碳捕获技术新材料的发现和开发。

然而，部署这些人工智能解决方案需要计算资源，从而产生潜在的“反弹效应”，即人工智能应用程序节省的能源被开发和运行它所需的能源所抵消。因此，评估人工智能解决方案的净能源影响至关重要。

实现节能人工智能的途径

应对人工智能的能源挑战需要采取多管齐下的方法，重点是提高人工智能本身的效率：

• 硬件创新： 开发更节能的处理器，专门为人工智能任务（如 TPU、NPU 和神经形态芯片）设计，至关重要。GPU 效率和专用芯片设计的持续改进正在进行中。
• 算法和模型效率： 研究人员正在努力通过剪枝（删除模型中不必要的部分）、量化（使用不太精确的数字）、知识蒸馏（训练较小的模型来模仿较大的模型）以及开发全新的、更高效的架构（例如，稀疏模型）等技术，创建更小、计算密集度更低的人工智能模型。
• 数据中心效率： 通过先进的冷却技术（如液体冷却）、更好的服务器利用率、废热回收以及将设施战略性地选址在可再生能源附近或气候凉爽的地区，提高数据中心的能源效率。
• 整合可再生能源： 直接使用可再生能源为数据中心供电是理想的解决方案。虽然购买可再生能源证书 (REC) 很常见，但确保真正的“额外性”（即促成新的可再生能源产能的建设）和 24/7 全天候无碳能源匹配仍然是一个挑战。
• 节能软件和调度： 设计软件和调度计算任务（尤其是大型训练运行），以最大限度地减少能源消耗，或与电网可再生能源供应高峰期相吻合。

提高透明度和加强监管势在必行

解决人工智能能源问题的一个主要障碍是缺乏透明度。由于方法各异且科技公司的披露有限，准确测量和比较不同人工智能模型和应用程序的能源足迹非常困难。建立标准化的指标、监测协议和透明的报告框架，对于了解问题的真实规模和跟踪可持续发展进展至关重要。

最终，创造节能的人工智能未来需要协同努力。虽然人工智能带来了巨大的能源消耗挑战，但它也为优化和提高效率提供了强大的工具。在人工智能的巨大潜力与其环境影响之间取得平衡，需要硬件和软件的持续创新、数据中心向可再生能源的快速转型，以及行业对透明度和负责任发展的承诺。