根據去年在IEEESpectrum上發(fā)布的《深度學(xué)習受益遞減》一文中提到，隨著(zhù)機器學(xué)習的發(fā)展，到了2025年，最強的深度學(xué)習系統在ImageNet數據集中進(jìn)行物體識別時(shí)，錯誤率最高只有5%。但訓練這樣一個(gè)系統所需要的算力和能耗都是龐大的，更糟糕的是，其排放的二氧化碳將是紐約市一整個(gè)月的排放量。
至于如何記錄碳排放，這也很簡(jiǎn)單，只需要將訓練/推理的時(shí)長(cháng)x處理器數量x每個(gè)處理器的平均功耗xPUEx每千瓦時(shí)的二氧化碳排放即可。除了最后一項參數需要從數據中心那獲取外，其他的數據基本都是公開(kāi)，或取決于機器學(xué)習研究者自己的選擇。 如何減少機器學(xué)習的碳足跡 圖靈獎得主、谷歌杰出工程師DavidPatterson教授對現有的機器學(xué)習的研究和工作提出了以下幾點(diǎn)建議。首先，從模型開(kāi)始著(zhù)手，機器學(xué)習研究者需要繼續開(kāi)發(fā)效率更高的模型，比如谷歌去年發(fā)布的GLaM通用稀疏語(yǔ)言模型，相較GPT-3，它多出了7倍的參數，在自然語(yǔ)言推理等任務(wù)上都要優(yōu)于GPT-3。但同樣重要的是它的能耗和碳足跡指標，根據谷歌公布的數據，與使用V100的GPT-3相比，使用TPUv4的GLaM二氧化碳排放減少了14倍，可見(jiàn)模型對于碳足跡的影響。其次，在發(fā)布新模型的時(shí)候，他建議也把能耗和碳足跡這樣的數據公開(kāi)，這樣有助于促進(jìn)機器學(xué)習模型在質(zhì)量上的良性競爭。 接著(zhù)是硬件，他指出我們需要像TPUv4或者A100GPU等，這類(lèi)機器學(xué)習能效比更高的硬件。其實(shí)這一點(diǎn)反倒是最不需要擔心的，這幾乎是每個(gè)初創(chuàng )AI芯片公司都在嘗試的做法，即便在峰值上不敵這些硬件，也絕對會(huì )在能效比上盡可能做大極致。 還有就是常見(jiàn)的能效衡量指標PUE，大型機器學(xué)習負載往往要在數據中心上運行，而要讓數據中心的PUE接近1并不是一件簡(jiǎn)單的事。根據UptimeInstitute的統計，各家廠(chǎng)商旗下最大數據中心的年度PUE為1.57，就連我國工信部印發(fā)的《新型數據中心發(fā)展三年行動(dòng)計劃（2021-2023）》中提出的最終目標也只是將新建大型數據中心PUE降低至1.3以下。但好在新建的數據中心往往都不會(huì )只滿(mǎn)足于這個(gè)目標，而是往1.1乃至1.06這樣的指標推進(jìn)。 可這個(gè)指標并不是一個(gè)死數據，隨著(zhù)負載和用量的變動(dòng)，PUE是在持續波動(dòng)的，不少數據中心僅僅在建成時(shí)發(fā)布了能效指標，之后就再未公布過(guò)任何數據了。在這塊做得最好的也還是谷歌，谷歌每年都會(huì )發(fā)布年度能效報告，將各個(gè)數據中心每個(gè)季度的PUE公布出來(lái)。 不過(guò)僅僅只有極低的PUE只能體現出高能耗比，DavidPatterson教授認為還必須一并公布每個(gè)地區數據中心的清潔能源占比。比如阿里巴巴首次發(fā)布的《2022阿里巴巴環(huán)境、社會(huì )和治理報告》中就提到了2021年，阿里巴巴在中國企業(yè)可再生能源購買(mǎi)者中排名第一，2022財年阿里云21.6%的電力來(lái)自清潔能源。 在雙碳目標的提出下，我國其實(shí)已經(jīng)落實(shí)到了機器學(xué)習的硬件上，但在軟件和碳足跡透明度這方面還有可以改善的空間。機器學(xué)習要想做到消耗更低的算力來(lái)實(shí)現更優(yōu)的效果，就必須從各個(gè)環(huán)節做到節能減排。 |
