关于科学领域人工智能（AI）环境影响的思考

核心观点

• AI 环境成本认知不足： 目前对 AI 在科学研究中使用的环境成本缺乏足够的认知和证据。
• 多维度方法应对环境成本： 需要综合考虑科学价值、社会公平和环境成本等多维度因素来评估 AI 工具。
• 资源效率 AI 模型益处： 采用更资源效率的 AI 模型，如小型、本地化和节俭型 AI，可以带来环境和社交效益，并提高可访问性、可负担性和社会包容性。

关键数据

• AI 计算需求增长： AI 的计算需求大约每 100 天翻一番，预计到 2028 年，AI 的用电量将超过 2021 年冰岛的用电量。
• AI 训练的环境成本： 训练一个大型语言模型可能产生约 30 万公斤的二氧化碳排放，相当于纽约和北京之间 125 次往返航班的排放量。
• 数据中心的能源消耗： 数据中心的能源需求大约每四年翻一番，这些设施消耗大量的能源，无论能源来自化石燃料还是可再生能源，都需要大量的水来冷却和保持硬件的最佳性能。

研究结论

• 生命周期评估方法： 采用生命周期评估方法来评估 AI 的环境成本，包括软件层（运营成本）和硬件层（嵌入式成本）。
• 减少环境成本的策略： 可以通过数据管理（数据修剪、数据去重、循环数据实践、小数据方法）、算法优化（模型压缩、轻量级模型架构）和硬件优化（高效硬件和计算、边缘 AI、分布式计算）来减少 AI 的环境成本。
• 能源效率数据中心： 选择能源效率高的数据中心，并考虑地理位置和可再生能源的可用性，以减少 AI 工作负载的环境影响。
• 报废和生命周期管理： 采用循环经济原则，如延长硬件寿命、翻新系统和模块化设计，以减少 AI 的环境足迹。

其他要点

• 间接环境成本： 除了直接环境成本外，AI 的使用还会产生间接环境成本，例如第二阶和更高阶的影响，这些影响可能随着时间的推移而显现。
• 反弹效应： 需要考虑反弹效应，即效率提高可能导致资源使用增加，从而抵消初始环境效益。
• 环境公平： AI 的环境成本在全球范围内分布不均，可能加剧现有的社会经济差距和社会生态正义问题。
• AI 伦理和责任： 将可持续性作为伦理和责任 AI 实践的重要组成部分，并制定相关的研究伦理框架。