【数据创新中心】2024重新思考对人工智能能源使用的担忧报告_22页_401kb

重新思考对AI能源使用的担忧

核心内容

本文探讨了对人工智能（AI）能源使用的担忧，并指出许多早期的估计存在误导性。尽管AI的能源使用确实是一个重要议题，但其实际影响远低于公众普遍认为的水平。文章强调，政策制定者在面对AI的环境影响时，应基于准确的数据进行决策，同时考虑AI在应对气候变化方面的潜在积极作用。

主要观点

• 早期估计存在夸大：过去关于数字技术能源使用的预测，如“观看30分钟Netflix等于驾驶4英里”或“训练AI模型相当于五辆汽车的碳排放”，已被证明是不准确的，甚至严重夸大。
• AI能源使用并非失控：当前AI系统的能源足迹远低于早期预测，且随着技术进步，其能源效率正在不断提高。
• AI的能源足迹分两部分：AI的生命周期包含训练和推理两个阶段，其中推理占大部分能源消耗。
• AI具有替代效应：AI可以替代高能耗的人类活动，从而帮助减少整体碳排放，例如在文本和图像生成方面。
• 大型科技公司正在减少碳足迹：谷歌、亚马逊、微软和Meta等公司已做出净零承诺，并在使用可再生能源和提高能效方面取得进展。
• 政策制定者应谨慎应对AI的能源问题：应制定透明度标准，考虑AI法规对能源使用的潜在影响，并将AI视为应对气候变化的工具。

关键信息

• 当前AI能源使用：根据国际能源署（IEA）的数据，数据中心和数据传输网络目前占全球用电量的1%-1.5%。
• 训练与推理的能耗差异：训练AI模型的能耗虽然较高，但推理阶段占大部分能耗，例如AWS估计AI模型90%的能耗来自推理。
• AI模型的效率提升：随着技术进步，AI模型的推理能耗显著下降，如Google的GLaM模型在参数量增加7倍的情况下，训练能耗却减少了2.8倍。
• AI的环境影响需全面考虑：AI的碳足迹不仅取决于其自身的能耗，还应考虑其替代效应，例如减少对高能耗设备的需求。
• 政策建议：
  • 制定AI模型的能源透明度标准，包括训练和推理阶段。
  • 推动AI公司自愿披露其模型的能源使用情况。
  • 考虑AI法规可能带来的能源使用后果。
  • 鼓励政府使用AI实现脱碳目标。

表格摘要

表1：训练各种AI模型的估计能源需求

*根据现有数据推断，详见附录

表2：按任务划分的每1,000个查询的平均能耗

表3：计算机视觉的深度神经网络推断能耗（不同GPU）

表4：任务中使用人类与AI的碳足迹（克CO₂e）

结论

AI的能源使用是一个复杂的问题，不应被夸大或误解。政策制定者应基于准确信息做出决策，同时认识到AI在减少碳排放和推动绿色转型方面的潜力。通过制定透明度标准、推动可再生能源使用和鼓励AI在公共部门的合理应用，可以确保AI成为应对气候变化的重要工具，而不是环境问题的源头。