解决生成式AI不断增长的碳足迹问题

微软、谷歌和Meta正在投资数十亿美元开发生成型人工智能（AI），如在加州旧金山发布的大语言模型ChatGPT。这些模型具备的特点使得它们比之前的模型更加强大，但也对环境造成了更重的负担。近日在Nature上发布的一篇短讯文章，提出了一个更可持续的生成型AI开发框架。文章指出复杂度的增加可以让大型语言模型产生智能文本，但消耗的电力会远高于之前的版本。根据2022年发货的AI训练专用GPU数量，全年总计可能消耗约95亿度电力。这一能耗水平约等于一个中等发达国家100万人口的年度生产和生活用电需求。随着硬件变得越来越复杂，巨大数据集训练速度和容量增长的同时，必将推动产生新的能源需求。因此开发生成型AI时，可以通过调整模型的结构、推广节能硬件、使用清洁能源和优化AI模型运作方式来减少无效训练的数量，达到减少碳排放的效果。[1]

AI预测建筑能耗和温室气体排放预测

能源消耗预测是规划和控制建筑领域能源使用的必要组成部分，该领域占全球能源消耗的40％并产生大量温室气体排放。然而，很少有研究关注建筑特征、建筑几何和城市形态对能源性能的综合影响。

2023年1月1日发表在Energy上的一篇名为《Data-driven estimation of building energy consumption and GHG emissions using explainable artificial intelligence》(使用可解释的人工智能进行数据驱动的建筑能耗和温室气体排放预测)的论文。通过开发可解释的深度学习模型来填补这一研究空白。该模型名为eXplainable Artificial Intelligence，使用Light Gradient Boosting Machine集成了SHapley Additive exPlanation算法，以提供关于机器学习模型用于建筑能效预测的可行性方面的洞察力。该研究成功地预测了住宅建筑物的能源使用和温室气体排放，提出城市形态和建筑几何对评估建筑物能源消耗和温室气体排放有显着作用，并确定了总建筑面积和天然气为能源消耗和温室气体排放的最具影响力因素。[2]

AI减少CO2排放的效益评估方法

如今，在几乎所有行业中，数字技术和人工智能（AI），如机器学习（ML）模型已日益被广泛使用，以利用数据来优化系统性能。包括用于优化从大气中捕获二氧化碳或减少人类活动的CO2排放的ML模型。然而，另一方面，AI模型的使用正在导致越来越多的能源消耗，并引发了环境问题（特别是在CO2排放方面），这些问题在以往研究中未得到充分关注。

2023年4月1日发表在Journal of Environmental Management的一篇名为《Method and evaluations of the effective gain of artificial intelligence models for reducing CO2 emissions》（人工智能模型为减少CO2排放的效益评估方法）的论文针对这种情况下的AI模型，提出了一种方法来量化它的负面影响（通过训练和使用该模型产生的CO2排放量）和正面影响（当使用该模型时节省的CO2排放量）。该方法对三个最先进的AI模型进行了评估：1. 一个用于管理巴西家庭能源需求的人工神经网络模型；2.  适应性神经模糊推理系统，用于突尼斯光伏功率预测；3. 用于瑞典和卢森堡电动汽车路径规划问题的贝叶斯回归模型。结果显示，如果只考虑积极影响，模型使用带来的CO2减排量显著，但具体取决于每个情境（分别为34％、73％和9％）然而，当同时考虑正负面影响时，对于一个用户标准使用的情况下，负影响有时（第一和第三个模型）比积极影响更大。当如果有多个用户使用该模型，平衡后减排效果再次变得高度正向。[3]

论文地址：

[1] https://www.nature.com/articles/d41586-023-00843-2

[2] https://doi.org/10.1016/j.energy.2022.125468

[3] https://doi.org/10.1016/j.jenvman.2023.117261

来源：气候工匠CIFE