1970年，贊比亞修女Mary Jucunda給NASA（美國航空航天局）Marshall太空航行中心的科學副總監(jiān)Ernst Stuhlinger博士寫了一封信。信中，Mary Jucunda修女問道：目前地球上還有這么多小孩子吃不上飯，他怎么能舍得為遠在火星的項目花費數(shù)十億美元。

Stuhlinger很快給Jucunda修女回了信，他這封真摯的回信隨后由NASA以《為什么要探索宇宙》為標題發(fā)表。

這封信中有這樣一句話：“通往火星的航行并不能直接提供食物解決饑荒問題。然而，它所帶來大量的新技術(shù)和新方法可以用在火星項目之外，這將產(chǎn)生數(shù)倍于原始花費的收益。”

如今，隨著許多航天技術(shù)遷徙到其他方面并對人類生活產(chǎn)生了巨大的影響，很少有人再去質(zhì)疑航空航天是否有必要。

同樣，作為目前最前沿的計研究領(lǐng)域之一，人工智能近日也受到了環(huán)保方面的質(zhì)疑。

人工智能背后的碳排放引發(fā)關(guān)注

根據(jù)一份提交到自然語言處理頂會ACL 2019的論文，三位來自馬薩諸塞大學安姆斯特分校的研究人員對幾種常見的NLP模型進行碳排放評估。

他們發(fā)現(xiàn)，像Transformer、GPT-2等流行的深度神經(jīng)網(wǎng)絡(luò)，他們的訓練過程可以排放超過62.6萬磅的二氧化碳當量，幾乎是美國汽車平均壽命期內(nèi)排放量(包括制造過程)的五倍。

比如Google AI今年發(fā)布的一篇新論文The Evolved Transformer提出的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索技術(shù)，用于英語到德語翻譯的BLEU分數(shù)提高了0.1，卻花費了3.2萬TPU小時。

盡管這篇論文并沒有提供準確的基于TPU的模型訓練能耗和碳排放的數(shù)據(jù)，但是根據(jù)美國環(huán)保署(EPA)統(tǒng)計，數(shù)據(jù)中心耗電占全球3%，且耗電量正在以每四年翻一番的速度增長；同時，數(shù)據(jù)中心的溫室氣體排放占到全球的2%，碳足跡已經(jīng)追上民航業(yè)。

盡管目前數(shù)據(jù)中心大多還是在進行處理客戶信息等傳統(tǒng)工作，但是基于深度學習的人工智能正成為全球數(shù)據(jù)中心業(yè)務(wù)增長的最大驅(qū)動力。

來自網(wǎng)友的討論

這篇論文一進入大眾視野，便引起了廣泛討論，業(yè)內(nèi)人人士更多是持一種辯證的態(tài)度，表示雖然用于訓練所產(chǎn)生的碳排放是客觀存在的，但是并沒有文章中所說的那么夸張。

Reddit有網(wǎng)友評論：

在8個GPU上訓練12小時6500萬參數(shù)的一般網(wǎng)絡(luò)總計消耗27千瓦時，并且排出26磅二氧化碳，計算成本為41-140美元。這是論文中耗能最小的例子，但其實與大多數(shù)人做的訓練相比，它也算是規(guī)模比較大了。

而更大的BERT model，在64個GPU上訓練110萬個參數(shù)，耗時80小時，消耗了1507千瓦時的能量，排放了1438磅二氧化碳，計算成本為3751-12571美元。但這是一個相當大的ML項目，比大多數(shù)人運行過的規(guī)模都更大，很少有個人或者組織能夠做這種項目。

論文中比較有意義的是神經(jīng)結(jié)構(gòu)搜索（NAS）消耗的能量和排放的二氧化碳。這是有道理的，因為搜索過程可能意味著運行幾個大數(shù)量級的訓練步驟。

而值得指出的是，該論文所闡述的一個例子：把TPU換成八塊P100GPU，用同樣的方式訓練同一個Transformer達到同樣的成績，將會產(chǎn)生驚人的62.6萬磅（約合284公噸）二氧化碳。這個結(jié)果雖然很震撼，但實際沒有人會這樣去做。

而Slashdot上則有網(wǎng)友用新能源汽車舉例：

設(shè)計節(jié)能汽車也需要消耗大量能源。但是，從長遠來看是有好處的。如果這些受過訓練的人工智能能夠通過它們所做的工作節(jié)省能量，那么從長遠來看，這也將是有益的。

人工智能與環(huán)境保護站在對立面嗎？

首先，人工智能并非是不落地的“實驗室產(chǎn)物”。

提到人工智能，大眾往往第一反應(yīng)的都是資本市場所宣傳的產(chǎn)品，這些產(chǎn)品往往由于宣傳的需要被加入了許多噱頭而不具備普遍的說服力，所以人工智能在應(yīng)用上總給人一種很玄的感覺。

Petuum創(chuàng)始人兼CEO邢波也說，人工智能太高深了，為人所知的有自動駕駛、醫(yī)療等應(yīng)用場景，其實最普通的土木工程領(lǐng)域，也需要人工智能技術(shù)的變革，但是這些小的應(yīng)用場景很少有人關(guān)注。

新技術(shù)的落地往往會從大眾不經(jīng)意的地方開始。在以種植玉米和大豆出名的美國愛荷華州，初創(chuàng)AI公司Smart Ag公司正在開發(fā)無人駕駛拖拉機用來干農(nóng)活，以解決農(nóng)場勞動力短缺的問題。

圖片來自英偉達中國

同樣的，人工智能和機器學習已經(jīng)開始在大數(shù)據(jù)醫(yī)療領(lǐng)域蓬勃發(fā)展，例如放射學、醫(yī)學成像和醫(yī)療保健記錄等。

在能源利用領(lǐng)域呢？人工智能也不是永遠都是耗電的那一方。

谷歌就曾給DeepMind“找了個活”，讓它通過操控計算機服務(wù)器和相關(guān)設(shè)備（例如冷卻系統(tǒng)）來管理部分數(shù)據(jù)中心，從而減少了數(shù)個百分點的能耗，可不要小看這幾個百分點，要知道谷歌一年的耗電量，幾乎能趕上一個舊金山了。

其次這篇論文也并非是反對消耗資源來開發(fā)人工智能的。

作者的意圖只是希望提醒其他NLP學者和業(yè)界人士，在提高模型表現(xiàn)的同時，也應(yīng)該對環(huán)境影響有主動的、足夠的關(guān)注。

論文的第一作者，馬薩諸塞大學安姆斯特分校博士生艾瑪·斯特貝爾(Emma Strubell)在接受硅星人的獨家采訪時表示：“不計任何計算量的代價也要追逐哪怕一丁點的準確率提升。這絕對不是一個好的趨勢，我覺得我們應(yīng)該做得更好，用更有創(chuàng)意，而不是純粹‘加算力’的方式去做研究。”

如何做環(huán)境友好的人工智能研究，更多的使用清潔能源或是出路。從下面的表中我們可以看出，Google的數(shù)據(jù)中心用電56%來自可再生能源。

谷歌主要是通過采購大量可再生能源項目來應(yīng)對能源消耗，目前已經(jīng)包括肯尼亞的一個風力發(fā)電廠和在加州、德州等地的數(shù)個風力發(fā)電廠。

同樣，亞馬遜已經(jīng)在美國的印第安納、北卡羅萊納、俄亥俄和弗吉尼亞州建設(shè)了風力和太陽能發(fā)電廠。

而國內(nèi)的互聯(lián)網(wǎng)巨頭也有類似的做法，阿里巴巴張北云計算基地內(nèi)數(shù)據(jù)中心將百分百基于綠色能源運轉(zhuǎn)，建筑外表覆蓋太陽能電板，同時采用自然風冷和自然水冷系統(tǒng)，預(yù)計僅數(shù)據(jù)中心的制冷能耗就可以降低45%。阿里巴巴技術(shù)保障負責人周明就表示：“我們將采用全球最先進的綠色數(shù)據(jù)中心設(shè)計方案，將張北源源不斷的綠色能源轉(zhuǎn)化成計算資源。”