詳細解釋
考慮環境影響和能源效率的 AI 研究和實踐，旨在減少 AI 系統的碳足跡和能源消耗。
驅動因素：
- 碳排放：訓練 GPT-3 約 552 噸 CO2，相當於 5 輛汽車終身排放
- 能源消耗：數據中心佔全球電力 1-2%，AI 工作負載快速增長
- 水資源：數據中心冷卻消耗大量水
- 硬件廢棄：GPU 3-5 年淘汰，電子垃圾問題
綠色 AI 策略：
- 高效模型：MobileNet、EfficientNet、DistilBERT 等小模型
- 量化：INT8/INT4 推理減少能耗 50-75%
- 神經架構搜索（NAS）：自動找到高效架構
- 遷移學習：避免從頭訓練大模型
- 可再生能源：數據中心使用太陽能、風電
- 硬件效率：專用芯片（TPU、NPU）比通用 GPU 能效更高
評估指標：
- FLOPs：計算量
- 參數量：模型大小
- 實際能耗（kWh）：而非僅理論計算
- 碳足跡（kg CO2）：考慮能源組合
工具：
- ML CO2 Impact：計算訓練碳排放
- CodeCarbon：追踪代碼能耗
- Green Algorithms：評估算法環境影響
權衡：
- 性能 vs 效率：更環保通常意味著較弱性能
- 研究 vs 應用：研究可追求極致性能，應用應考慮效率
這是「負責任 AI」的環境維度—— AI 不應以犧牲地球為代價。