每次你使用人工智能生成圖像、寫電子郵件或向聊天機器人提問,都會消耗一定的資源(能量)。
事實上,根據人工智能初創公司Hugging Face和卡內基梅隆大學的研究人員的一項最新研究發現,使用人工智能模型生成的圖像,所消耗的能量與給一部智能手機充滿電所需的能量差不多。
然而,他們發現使用人工智能模型生成文本的能耗要低得多。創建1000次文本所消耗的能量僅能給手機充電16%左右。
他們的研究成果尚待同行評審。這項研究表明,盡管訓練大規模人工智能模型是一項令人難以置信的能源密集型工作,但這只是挑戰的一部分。它們的大部分碳足跡來自于實際使用。
領導這項工作的Hugging Face人工智能研究員薩莎·盧喬尼表示,這項研究是學界首次計算出使用人工智能模型執行不同任務所造成的碳排放量。
她希望了解這些排放可以幫助我們做出明智的決定,決定如何以更環保的方式使用人工智能。
盧喬尼和她的團隊研究了Hugging Face平臺上10項最火的人工智能任務的排放量,如問答、文本生成、圖像分類、字幕和圖像生成。他們在88個不同的模型上進行了實驗。


對于每一項任務,比如文本生成,盧喬尼都會運行1000個提示,并使用她開發的名為Code Carbon的工具測量所用的能量。Code Carbon通過查看計算機在運行模型時消耗的能量來進行碳排放計算。
該團隊還使用8個生成式模型計算了完成這些任務所產生的排放量,這些模型原本是被訓練完成不同的任務的。
圖像生成,是能源消耗和碳密集度最高的人工智能任務。使用強大的人工智能模型(如Stable Diffusion XL)生成1000張圖像,所產生的二氧化碳大約相當于一輛燃油汽車中行駛4.1英里(約6.6公里)。
相比之下,他們發現碳密集度最低的文本生成模型,其所產生的二氧化碳相當于汽車行駛1米。關于此事,Stable Diffusion XL背后的公司Stability Ai沒有回應置評請求。
德國赫蒂學院計算機科學和公共政策助理教授林恩·卡克沒有參與這項研究,但她表示這項研究通過給出具體數字,對人工智能的碳足跡提供了有價值的見解,并揭示了一些令人擔憂的上升趨勢。
這些碳排放累積起來不是一個小數目。生成式人工智能的繁榮促使大型科技公司將強大的人工智能模型集成到許多不同的產品中,從電子郵件到文字處理。如今,這些生成式人工智能模型每天被使用數百萬次,甚至數十億次。
本次研究發現使用大型生成式模型來創建輸出,遠比使用為特定任務量身定制的小型人工智能模型更耗能。
例如,在評估影評是正面還是負面并分類的任務中,大模型消耗的能量約是專門為該任務創建的微調模型的30倍。
生成式人工智能模型消耗更多能量的原因是,它們試圖同時做很多事情,比如生成、分類和總結文本,而不是只做其中一項任務。
盧喬尼說,她希望這項研究能鼓勵人們在使用生成式人工智能時更加謹慎,并盡可能選擇更專業、碳密集度更低的模型。

她說:“如果你正在做一個特定的應用程序,比如在電子郵件中搜索……你真的需要這些能夠做任何事情的大模型嗎?我覺得不需要?!?/p>
艾倫人工智能研究所的研究科學家杰西·道奇表示,研究與使用人工智能工具相關的能源消耗,是了解其真實碳足跡的重要部分,但現在缺失了。他沒有參與這項研究。
他補充道,比較更新、更大的生成式模型和舊的人工智能模型的碳排放也很重要。他說:“這凸顯了一個觀點,即新一波人工智能系統比我們兩三年前看到的碳密集度高得多?!?/p>
谷歌曾估計,平均每次在線搜索會消耗0.0003度電,相當于車輛行駛0.5米。
麻省理工學院林肯實驗室的研究科學家維賈伊·蓋德帕利沒有參與這項研究,他說這個數字今天可能要高得多,因為谷歌已經將生成式人工智能模型集成到了搜索中。
研究人員不僅發現每項任務的排放量都遠高于他們的預期,還發現與使用人工智能相關的日常排放量遠遠超過訓練這些模型的排放量。
盧喬尼測試了Hugging Face多語言人工智能模型BLOOM的不同版本,以了解需要使用多少次才能超過訓練成本。
結果顯示,超過5.9億次的使用量就可以達到訓練其最大模型所消耗的碳成本。盧喬尼說,對于ChatGPT等非常流行的模型,它們的使用排放量只需要幾周時間就可以超過其訓練排放量。
這是因為大型人工智能模型只訓練一次,但之后可以使用數十億次。根據一些估計,像ChatGPT這樣的流行模型每天有多達1000萬用戶,其中許多人會不止一次地向模型發送提示。
蓋德帕利說,這樣的研究使與人工智能相關的能源消耗和排放更加具體,并有助于提高人們對使用人工智能會產生碳足跡的認識。他補充說:“如果這成為消費者開始詢問的問題,我會很高興的?!?/p>
道奇說,他希望這樣的研究能幫助我們讓公司對其能源使用和排放承擔更多責任。他說:“需要對此負責的是那些正在創建模型并從中獲利的公司?!保ňC合整理報道)(策劃/多洛米)