人工智能有碳足迹并不奇怪，所谓碳足迹指的是开发和消费人工智能时释放到大气中的温室气体(主要是二氧化碳和甲烷)。事实上，训练人工智能模型需要如此之多的计算能力，以至于一些研究人员认为环境成本大于效益。然而，我认为他们不仅低估了人工智能的好处，而且还忽视了提高模型训练效率的很多好方法。
温室气体是经济学家们所说的“外部因素”，是整个社会无意中承担的成本，例如全球变暖的不利影响所带来的成本，但我们所有人都受到个人参与者的影响，个人几乎没有动机去避免这类有害的活动。一般来说，电厂在燃烧化石燃料时会排放这些气体，产生电力，为运行人工智能的数据中心、服务器集群和其他计算平台提供动力。
想想人工智能应用实现的下游碳补偿
在过去的几年里，人工智能被不公平地指责为全球变暖的罪魁祸首，这是因为一些观察人士认为人工智能在模型训练过程中消耗了太多的能源。
不幸的是，很多人工智能行业的观察人士使用了不平衡的公式来计算人工智能的总体碳足迹，从而加剧了这一指责。例如，麻省理工学院《技术评论》杂志一年前发表了一篇文章，研究人员报告说，训练一个机器学习模型需要的能量所排放的二氧化碳几乎是美国普通汽车寿命期内排放量的五倍。
这种计算人工智能碳足迹的方式对这项技术极为不利。我不反对麻省理工的研究人员关于人工智能训练碳成本的研究结果，也不反对计算并降低人工智能和其他人类活动的成本的必要性。我很好奇，研究人员为什么不讨论人工智能在减少环境中人为产生温室气体方面给下游带来的价值，而这些价值通常是间接的。
如果人工智能模型在应用程序的生命周期中提供了一系列真正可行的推论，那么它应该会产生实际有用的结果。换句话说，很多人工智能应用程序保证了人们和系统能够在各种应用场景中采取优质行动。这些人工智能带来的很多好处都是可以抵消碳足迹的，比如减少人们乘车、出差、占用昂贵的办公空间以及从事消耗化石燃料活动的需求。
让我们不妨做一个快速的“旅行推销员”思想实验。假设一家制造业公司在全国有六名销售人员，每个人都有一辆公司提供的汽车。如果公司实施了一个新的基于人工智能的销售人员自动化系统，使其中一名销售人员能够完成整个团队的工作——例如，通过改进销售线索、挖掘潜在客户、优化全网营销，公司就可以解雇其他五个人，取消公司配给他们的汽车，关闭相应的分支机构。
这样，销售人员自动化应用程序核心的人工智能模型一下子就完全抵消了5辆车的碳足迹，这包括消除了5辆车的温室气体，还有关闭这些分支机构和相关设备所节省的电能。
我们可能会对这个特定例子的可行性提出质疑，但我们必须承认，它完全是合理的。这个思想实验强调了这样一个事实：人工智能的生产力、效率和加速效益通常会在能源利用方面提高下游的效率。
我并不是说每一个人工智能应用(或者大部分)，都对减少碳排放产生了实质性的下游影响。但我确实不同意观察人士的观点，比如《华尔街日报》最近的一篇文章援引了一位人工智能专家的说法，他将人工智能对生产力的影响轻描淡写为：“如果人们能看到这些系统的真正成本，我想我们会有很多更难回答的问题，比如，能带来方便的基于人工智能的数字助理是否值得我们付出巨大的成本。”
这种观点掩盖了这样一个事实(以数字助理为例)，很多现实世界中的人工智能应用情形是以数据驱动建议的形式为人们提供“方便”，帮助人们购买合适的产品，选择通往目的地的优质路线，遵循理财的优秀实践，等等。其中很多可行的建议会对人们在家里、办公室、汽车和其他地方使用的能源或多或少产生一些影响。
上游人工智能训练可能会实现更大的下游碳抵消
很多人工智能应用程序有可能产生下游碳抵消，能够消除与训练基础模型所需电力相关的排放。如果人工智能让我们能够少占用办公空间、少开会、少出差，但完成的工作更多了，那么这项技术将对抗击全球变暖做出巨大贡献。
因此，要在人工智能应用程序中实现碳中和，很可能需要对底层模型进行强化训练，使其更有效地完成所分配的任务。一个经过良好训练的人工智能模型可以通过部署到未来的应用程序中，随着时间的推移而逐步平摊其成本，这相当于一项资本投资。
请记住，即使人工智能开发人员追求的是提高其模型的准确性，训练也不一定是人们一直认为的“能耗大户”。请参考以下趋势，这些趋势正在减少人工智能开发流程工作负载的碳足迹：
1、人工智能服务器集群由可再生能源供电而不是化石燃料。
2、人工智能平台采用了更节能的芯片组、服务器和云提供商。
3、训练人工智能模型所需的时间和数据都在减少。
4、在现实世界的应用程序中更多地采用预先训练好的人工智能模型。
5、人工智能开发流程不同模型的能效对比。
6、在“一次到位”的神经网络上开发人工智能，这种神经网络经过训练后就能够在各种各样的处理器上高效地运行。
随着这些趋势在未来几年内逐渐融合，我们很可能看到人工智能训练的碳足迹会大幅下降。随着这一趋势的加剧，人工智能开发流程将成为IT领域最环保的可持续发展平台。
