AI跑得快
AI这几年的发展可谓是雨后春笋，势头不是一般的猛。大多数人意识到AI的强大，开始思考人类会不会被AI取代的问题，可能是在2016年AlphaGo打败了围棋世界冠军李世石的时候。2022年ChatGPT的问世更是让相关讨论再一次被推上风口。被大家熟知的可能是GPT3和GPT4，但GPT1的训练从2018年就开始了，几乎每年都会有新的迭代。除此之外，还有很多其他的AI模型，比如NLP，AlphaFold 2，Stable Diffusion，LLMs，Bots等等等等，不管大家关不关注，AI的发展从未止步。从对深度学习的初步探索，到现在的生成式模型，除了自己根据学习到的内容组织语言回答问题，还能根据要求生成文本、图片乃至视频。AI已经被应用在各行各业：商业、交通、金融、医疗、教育、家居……只有想不到，没有用不到，包括应对气候变化。在减排领域，比如当前新能源供给的间歇性问题，可以通过合理调配风能、光能、水能，包括生物质能和储能等多能互补的方式来解决。这种调配，让人来判断是很不现实的，但AI就很容易办到。再比如，百度的智能交通，可以通过识别道路类型、拥堵阈值等数据，提高道路通行效率，减少碳排放。全靠能耗带
强大的性能背后是强大的算力，2010年至2018年间，全球数据中心工作负载和计算实例数量估计增加了550%。2010年以后，人工智能训练所需的计算能力每6个月就会翻一番。五十年前，这个数字还是20个月，如下图所示。近十多年，用于AI模型开发的计算能力增长了惊人的100亿倍，而且不会放慢速度。
支撑强大算力的是巨大的金钱和电力消耗，随之而来的就是高排放。通过一些数字大家感受一下。GPT-3的最终训练费用估计在50万美元到460万美元之间。GPT-4训练可能会产生大约5000万美元的成本。然而，如果考虑到最终训练运行之前的试错所需的计算量，总体训练成本可能会超过1亿美元。平均而言，大规模AI模型消耗的计算资源比其他当代AI模型多大约100倍。 如果模型大小增加的趋势继续以目前的速度发展，一些人预计计算成本到2037年将超过美国的GDP总量。AI训练的成本中，电力是相当大的一部分，根据国际能源署(IEA)的数据，训练一个人工智能模型一年消耗的电力超过100个家庭的电力。预计到2030年，计算机使用的电力将占全球用电量的五分之一。要说算法费电，就不得不提比特币挖矿，虽然比特币在中国被禁了，但在国外依然很活跃，就在2月末，比特币价格一度突破64000美元，续刷2021年11月以来新高。挖一个比特币需要二三十万度电，活跃的市场导致的后果就是挖矿不止，用电不息。这与碳中和目标是否永远水火不容也是一个问题。
据说，仅考虑与开发或准备使用人工智能直接相关的排放，GPT-3的开发排放了超过550吨二氧化碳，换句话说，这些排放量相当于一个人乘坐纽约和旧金山之间550趟往返航班所产生的排放量。谷歌检索每次大约产生0.2g二氧化碳，像ChatGPT这种生成式AI的二氧化碳排放量为普通检索的4-5倍，仅2023年3月一个月，ChatGPT有15亿访问量，约产生1500吨二氧化碳排放量。给一个参考值，根据IEA的数据，一个中国人一年平均产生6.8吨碳排放，一个美国人一年平均产生14.5吨碳排放。预计到2030年，因数据中心和传输网络产生的排放将占全球总排放的6%。要减排，砸钱还是砸技术？
人工智能产生的碳排放不可忽视，这些科技领域的行业巨头自然也是在想方设法减少AI带来的碳足迹。首先是购买可再生能源电力和购买碳信用。从2010到2022年，谷歌签署了80多份协议，涉及总计约10千兆瓦的清洁能源发电量。本周一谷歌碳信用负责人表示，计划在接下来12个月签订价值至少3500万美元的碳清除信用合同。除了外在的抵消，人工智能自身的减排更重要，目前有几种方法。一种是负载转移策略，人工智能发展水平高的公司数据中心也遍布各地，谷歌通过复杂的算法识别出电网上太阳能和风能过剩的区域，然后战略性地加强这些区域的数据中心运营。甚至将某些数据中心与零碳源按小时进行匹配，力求实现全天候使用清洁能源供电。另一种方法是绿色加速分析技术，比如英伟达新设计的一款加速数据分析软件Apache Spark可以将成本和排放量减少80%。原理是提高软件本身的计算速度，原本需要一个月处理的数据5个小时就处理完了，能耗自然就大大降低了，用这种绿色计算训练人工智能可将成本降低90%。总之，AI的爆发式发展必定带来用电量的剧增，完全采用新能源电力目前是很难实现的。所以像OPEN AI这种AI巨头未来可能是碳信用的大买家。所以，如果有人遇到奥特曼，请告诉他，是时候考虑买点碳了😄。最后，附上我教GPT算它的碳排放的对话，不知算得准不准？
业务辅导 I 培训合作 I 商业咨询 I 对话Ai汪