深度学习模型并非“越大越好”，它可能引起气候变化问题

本月早些时候，OpenAI宣布已经建成史上最大的人工智能模型，该模型规模惊人，被命名为“GPT-3”，是一项令人印象深刻的技术成就。然而，它却凸显了人工智能领域的一个隐患。

现代人工智能模型需要消耗大量能量，并且这些能量需求正以惊人的速度增长。在深度学习时代，产生一流的人工智能模型所需的计算资源，平均每3.4个月翻一番；这意味着，能量需求在2012年至2018年之间增加了300,000倍。而“GPT-3”只是这种指数级增长轨迹上的一个最新节点。

深度学习模型真的越大越好吗？

在今天，人工智能的碳足迹是有意义的，而如果这个行业趋势继续下去，情况将很快变得糟糕得多。除非我们愿意重新评估并改革当今的人工智能研究方向，否则，人工智能领域可能会成为我们在未来几年中应对气候变化的对手。

GPT-3很好地说明了这种现象。该模型包含多达1750亿个参数。如何理解这个数字呢？不妨参考一下它的前身模型GPT-2，它在去年发布时被认为是最先进的，GPT-2只有15亿个参数。去年GPT-2的训练耗费了数十千兆次/天，这个计算输入的数量已经非常庞大了，而GPT-3需要的数量可能是GPT-2的好几千倍。

依靠越来越大的模型，来推动人工智能技术进步，这种做法的问题在于，构建和部署这些模型需要大量的能源消耗，并因此产生碳排放。

在2019年一项被广泛讨论的研究《Energy and Policy Considerations for Deep Learning in NLP（NLP深度学习的能源和政策考虑）》中，由Emma Strubell领导的一组研究人员，评估了训练单个深度学习模型的能量消耗，这个数值可能高达626,155磅的二氧化碳排放量——约相当于五辆汽车在整个生命周期内的碳足迹。相比之下，一个普通的美国人每年产生的二氧化碳排放量大约是36,156磅。

可以肯定的是，这项评估针对的是能耗特别高的模型。如今，训练一个普通规模的机器学习模型产生的碳排放量应该远远小于626,155磅。

同时值得注意的是，在进行这项分析时，GPT-2是当时可供研究的、最大的模型，研究人员将其视为模型大小的上限。可仅仅一年之后，GPT-2看上去很袖珍了，比它的后继产品小了一百倍。

那么，机器学习模型到底为什么会需要消耗这么多的能量呢？

第一个原因是，用于训练这些模型的数据集的大小在不断地膨胀。在2018年，BERT模型在使用了30亿个单词的数据集进行训练之后，实现了同类中最佳的NLP（自然语言处理）性能。XLNet使用了320亿个单词的数据集进行训练，并且在性能上超过了BERT。不久之后，GPT-2接受了400亿个单词的数据集的训练。而让之前所有此类工作都相形见绌的是，GPT-3将使用一个包含5,000亿个单词的加权数据集进行训练。

在训练过程中，神经网络会针对输入的每条数据，执行一整套冗长的数学运算（既包括正向传播，也包括反向传播），并且以复杂的方式更新其参数。因此，更大的数据集，就会转化为飞速增长的计算和能源需求。

导致人工智能巨大能量消耗的另一个原因是，开发模型所需要进行的大量实验和调校。今天的机器学习，在很大程度上仍然是反复试错的练习。从业人员通常会在训练过程中针对给定模型构建数百个不同的版本，在确定最佳设计之前，他们会尝试不同的神经体系架构和超参数。

上述提到的那篇2019年研究论文中，描述了一个案例研究。研究人员们选择了一个平均规模的模型——比GPT-3之类的博人眼球的庞然大物要小得多，并且不仅检查了训练最终版本所需的能量，还测量了为了生产这个最终版本进行的各种测试的总体能量消耗。

在六个月的过程之中，他们培训了4,789个不同版本的模型，总共需要花费9,998天的GPU时间（超过27年）。考虑到所有这些因素，这些研究人员估计，构建该模型总计要产生78,000磅的二氧化碳排放量，超过一个普通美国成年人两年的碳排放量。

到此为止，这次讨论还仅仅涉及了机器学习模型的训练环节。但是训练只是一个模型生命周期的起点。模型训练完成之后，就会在现实世界中得到应用。

部署人工智能模型，让它们在现实环境中采取行动——这个过程被称为推理，该过程的能耗比训练环节更高。实际上，英伟达公司（Nvidia）估计，神经网络80％至90％的能量消耗出现在推理环节，而不是训练环节。

例如，想想自动驾驶汽车中的人工智能。首先必须要对神经网络进行培训，让它学会驾驶。在训练完成并部署到自动驾驶汽车上之后，模型会不断地进行推理，才能在环境中行驶，只要汽车还在使用之中，这个过程就会日复一日地持续下去。

毋庸置疑，模型具有的参数越多，对这种持续不断的推理的能量需求就越高。

能源使用和碳排放

既然提到了人工智能能量消耗和碳排放之间的关系。那么思考这种关系的最好方式是什么呢？

EPA数据显示，在美国，一千瓦时的能耗平均会产生0.954磅的二氧化碳排放量。这个平均值，反应了美国能源网中不同能量来源（例如可再生能源、核能、天然气、煤炭）的相对比例和碳足迹的变化。

上述提到的那篇2019年研究分析，采用了全美国的平均值，以便根据各种人工智能模型的能量需求来计算碳排放量。这是一个比较合理的假设。例如，亚马逊网络服务公司（Amazon Web Services）的电力来源组合，大致反应了美国整体的电力来源，而且绝大多数的人工智能模型都是在云端进行训练的。

当然，如果使用主要由可再生能源产生的电力训练人工智能模型，那么碳足迹也会相应地降低。例如，与AWS相比，谷歌云平台（Google Cloud Platform）使用的电力结构在可再生能源方面的比重更大。（上述那篇2019年研究论文显示，两家公司的这一比例分别为56%和17%。）

或者，举另一个例子，如果在太平洋西北部的硬件上训练一个模型，所产生的碳排放量会低于其他国家，这是因为这一地区拥有丰富的清洁水源。而在这方面，每一家云服务提供商都在鼓吹自己在碳补偿方面的投资。

总体而言，使用美国总体能源平均值，应该可以大致准确地估算出人工智能模型的碳足迹。

效益递减

通过不断变大的模型，追求人工智能进步的做法，凸显了模型规模和模型性能之间的关系。下列数据显示得很清楚：模型规模的增加，最终会导致性能回报的急剧下降。

比如，ResNet是2015年发布的一个著名计算机视觉模型。该模型的改进版本称为ResNeXt，于2017年问世。与ResNet相比，ResNeXt所需的计算资源要多35％（以总浮点运算来衡量），准确度却只提高了0.5％。

艾伦人工智能研究所（Allen AI Institute）2019年的一篇论文提供了详细的数据，记录了不同任务、模型和人工智能子领域中的效益递减问题。与GPT-2相比，最新发布的大型模型GPT-3出现了明显的效益递减迹象。

如果人工智能社区仍然继续沿着当前的研究方向前进，就会不断的构建越来越大的模型，耗费越来越多的能源，以实现越来越小的性能提升。任何成本/收益分析都会变得越来越比例失调。

既然存在效益递减的问题，又是什么在推动着模型不断地朝着越来越大的方向发展呢？一个主要的原因是，当前人工智能社区对获取“最好的”性能基准测试结果非常关注。构建一个新模型，能够在性能基准测试中创下新的准确性记录，即便成绩提升仅仅是微不足道的一点，也可以赢得研究人员的认可和好评。

正如加州大学洛杉矶分校（UCLA）的教授Guy Van den Broeck所说：“我认为对这种情况的一个最好的比喻，就是某个富油的国家能够建造一座很高的摩天大楼。当然，建造这样的东西需要花很多钱，还有很多的工程工作。你也确实可以在建造这座高楼的时候，获得‘最先进的技术’。但是……这件事在本质上并没有什么科学上的进步。”

在当前的人工智能研究领域，占据主导地位的“越大越好”思路，可能会在未来几年对环境造成重大的破坏。需要在这个领域内进行思虑周详但又大胆的变革，让人工智能技术的发展变得更加可持续，并更具生产力。

展望未来

首先，每一位人工智能从业人员都应该考虑，如何在短期内“快速制胜”，以减轻其研究对碳足迹的影响。

重要的第一步是，提高这个问题的透明度和度量程度。当人工智能研究人员们发布新模型的结果时，除了性能和准确性指标之外，他们还应该公布在模型开发中消耗了多少能量的数据。

经过深入彻底的分析，艾伦人工智能研究所的团队建议，将「浮点运算」作为研究人员追踪的最通用、也是最有效的能效度量标准。另一组研究人员创建了一个机器学习排放计算器，从业人员可以使用这个计算器来评估他们构建的模型的碳足迹（根据硬件、云服务提供商和地理区域等因素）。

遵循这些思路，综合考虑能源成本和性能收益的做法，将成为研究人员们在训练模型时的最佳实践。明确地量化这种关系，将促使研究人员在面对效益递减问题时，对资源分配做出更明智、更平衡的决定。

随着可持续人工智能实践的扩散，希望人工智能社区能够在评估人工智能研究的时候，开始考虑这些效率指标，就像今天我们对传统性能指标（例如准确性）采取的做法一样：在会议论文提交、演讲、学术角色中考虑它们。

还有一些已经相对比较成熟的方法，能够帮助人工智能技术在近期减少碳足迹：使用更有效的超参数搜索方法、减少训练过程中不必要的实验次数、使用更高能效的硬件等。

但是，单靠这些补救措施并不足以解决这个问题。人工智能领域需要更根本的长期转变。

我们需要退后一步，并且承认，仅仅依靠建立越来越大的神经网络并非通往通用智能的正确途径。我们需要推动自己去发现更优雅、更有效的方法，来对机器中的智能进行建模。我们正在持续不断地同气候变化进行斗争，这是一场关乎地球未来的战争。

在此引用人工智能传奇人物、深度学习教父Geoff Hinton的话：“未来取决于那些‘对我所说的一切’都深表怀疑的研究生……我的观点是将其全部抛弃并重新开始。”

人工智能社区必须开始致力于开创人工智能的新范例，这些范例应该既不需要指数级增长的数据集，也不需要庞大的能源消耗。小样本学习（few-shot learning）等新兴研究领域，都是有前途的途径。