深度學(xué)習(xí)模型并非“越大越好”，它可能引起氣候變化問(wèn)題

 

既然提到了人工智能能量消耗和碳排放之間的關(guān)系。那么思考這種關(guān)系的最好方式是什么呢？

 

EPA數(shù)據(jù)顯示，在美國(guó)，一千瓦時(shí)的能耗平均會(huì)產(chǎn)生0.954磅的二氧化碳排放量。這個(gè)平均值，反應(yīng)了美國(guó)能源網(wǎng)中不同能量來(lái)源（例如可再生能源、核能、天然氣、煤炭）的相對(duì)比例和碳足跡的變化。

 

上述提到的那篇2019年研究分析，采用了全美國(guó)的平均值，以便根據(jù)各種人工智能模型的能量需求來(lái)計(jì)算碳排放量。這是一個(gè)比較合理的假設(shè)。例如，亞馬遜網(wǎng)絡(luò)服務(wù)公司（Amazon Web Services）的電力來(lái)源組合，大致反應(yīng)了美國(guó)整體的電力來(lái)源，而且絕大多數(shù)的人工智能模型都是在云端進(jìn)行訓(xùn)練的。

 

當(dāng)然，如果使用主要由可再生能源產(chǎn)生的電力訓(xùn)練人工智能模型，那么碳足跡也會(huì)相應(yīng)地降低。例如，與AWS相比，谷歌云平臺(tái)（Google Cloud Platform）使用的電力結(jié)構(gòu)在可再生能源方面的比重更大。（上述那篇2019年研究論文顯示，兩家公司的這一比例分別為56%和17%。）

 

或者，舉另一個(gè)例子，如果在太平洋西北部的硬件上訓(xùn)練一個(gè)模型，所產(chǎn)生的碳排放量會(huì)低于其他國(guó)家，這是因?yàn)檫@一地區(qū)擁有豐富的清潔水源。而在這方面，每一家云服務(wù)提供商都在鼓吹自己在碳補(bǔ)償方面的投資。

 

總體而言，使用美國(guó)總體能源平均值，應(yīng)該可以大致準(zhǔn)確地估算出人工智能模型的碳足跡。

 

效益遞減

 

通過(guò)不斷變大的模型，追求人工智能進(jìn)步的做法，凸顯了模型規(guī)模和模型性能之間的關(guān)系。下列數(shù)據(jù)顯示得很清楚：模型規(guī)模的增加，最終會(huì)導(dǎo)致性能回報(bào)的急劇下降。

 

比如，ResNet是2015年發(fā)布的一個(gè)著名計(jì)算機(jī)視覺(jué)模型。該模型的改進(jìn)版本稱為ResNeXt，于2017年問(wèn)世。與ResNet相比，ResNeXt所需的計(jì)算資源要多35％（以總浮點(diǎn)運(yùn)算來(lái)衡量），準(zhǔn)確度卻只提高了0.5％。

 

艾倫人工智能研究所（Allen AI Institute）2019年的一篇論文提供了詳細(xì)的數(shù)據(jù)，記錄了不同任務(wù)、模型和人工智能子領(lǐng)域中的效益遞減問(wèn)題。與GPT-2相比，最新發(fā)布的大型模型GPT-3出現(xiàn)了明顯的效益遞減跡象。

 

如果人工智能社區(qū)仍然繼續(xù)沿著當(dāng)前的研究方向前進(jìn)，就會(huì)不斷的構(gòu)建越來(lái)越大的模型，耗費(fèi)越來(lái)越多的能源，以實(shí)現(xiàn)越來(lái)越小的性能提升。任何成本/收益分析都會(huì)變得越來(lái)越比例失調(diào)。

 

既然存在效益遞減的問(wèn)題，又是什么在推動(dòng)著模型不斷地朝著越來(lái)越大的方向發(fā)展呢？一個(gè)主要的原因是，當(dāng)前人工智能社區(qū)對(duì)獲取“最好的”性能基準(zhǔn)測(cè)試結(jié)果非常關(guān)注。構(gòu)建一個(gè)新模型，能夠在性能基準(zhǔn)測(cè)試中創(chuàng)下新的準(zhǔn)確性記錄，即便成績(jī)提升僅僅是微不足道的一點(diǎn)，也可以贏得研究人員的認(rèn)可和好評(píng)。

 

正如加州大學(xué)洛杉磯分校（UCLA）的教授Guy Van den Broeck所說(shuō)：“我認(rèn)為對(duì)這種情況的一個(gè)最好的比喻，就是某個(gè)富油的國(guó)家能夠建造一座很高的摩天大樓。當(dāng)然，建造這樣的東西需要花很多錢，還有很多的工程工作。你也確實(shí)可以在建造這座高樓的時(shí)候，獲得‘最先進(jìn)的技術(shù)’。但是……這件事在本質(zhì)上并沒(méi)有什么科學(xué)上的進(jìn)步。”

 

在當(dāng)前的人工智能研究領(lǐng)域，占據(jù)主導(dǎo)地位的“越大越好”思路，可能會(huì)在未來(lái)幾年對(duì)環(huán)境造成重大的破壞。需要在這個(gè)領(lǐng)域內(nèi)進(jìn)行思慮周詳?shù)执竽懙淖兏?，讓人工智能技術(shù)的發(fā)展變得更加可持續(xù)，并更具生產(chǎn)力。

 

展望未來(lái)

 

首先，每一位人工智能從業(yè)人員都應(yīng)該考慮，如何在短期內(nèi)“快速制勝”，以減輕其研究對(duì)碳足跡的影響。

 

重要的第一步是，提高這個(gè)問(wèn)題的透明度和度量程度。當(dāng)人工智能研究人員們發(fā)布新模型的結(jié)果時(shí)，除了性能和準(zhǔn)確性指標(biāo)之外，他們還應(yīng)該公布在模型開(kāi)發(fā)中消耗了多少能量的數(shù)據(jù)。

 

經(jīng)過(guò)深入徹底的分析，艾倫人工智能研究所的團(tuán)隊(duì)建議，將「浮點(diǎn)運(yùn)算」作為研究人員追蹤的最通用、也是最有效的能效度量標(biāo)準(zhǔn)。另一組研究人員創(chuàng)建了一個(gè)機(jī)器學(xué)習(xí)排放計(jì)算器，從業(yè)人員可以使用這個(gè)計(jì)算器來(lái)評(píng)估他們構(gòu)建的模型的碳足跡（根據(jù)硬件、云服務(wù)提供商和地理區(qū)域等因素）。

 

遵循這些思路，綜合考慮能源成本和性能收益的做法，將成為研究人員們?cè)谟?xùn)練模型時(shí)的最佳實(shí)踐。明確地量化這種關(guān)系，將促使研究人員在面對(duì)效益遞減問(wèn)題時(shí)，對(duì)資源分配做出更明智、更平衡的決定。

 

隨著可持續(xù)人工智能實(shí)踐的擴(kuò)散，希望人工智能社區(qū)能夠在評(píng)估人工智能研究的時(shí)候，開(kāi)始考慮這些效率指標(biāo)，就像今天我們對(duì)傳統(tǒng)性能指標(biāo)（例如準(zhǔn)確性）采取的做法一樣：在會(huì)議論文提交、演講、學(xué)術(shù)角色中考慮它們。

 

還有一些已經(jīng)相對(duì)比較成熟的方法，能夠幫助人工智能技術(shù)在近期減少碳足跡：使用更有效的超參數(shù)搜索方法、減少訓(xùn)練過(guò)程中不必要的實(shí)驗(yàn)次數(shù)、使用更高能效的硬件等。

 

但是，單靠這些補(bǔ)救措施并不足以解決這個(gè)問(wèn)題。人工智能領(lǐng)域需要更根本的長(zhǎng)期轉(zhuǎn)變。

 

我們需要退后一步，并且承認(rèn)，僅僅依靠建立越來(lái)越大的神經(jīng)網(wǎng)絡(luò)并非通往通用智能的正確途徑。我們需要推動(dòng)自己去發(fā)現(xiàn)更優(yōu)雅、更有效的方法，來(lái)對(duì)機(jī)器中的智能進(jìn)行建模。我們正在持續(xù)不斷地同氣候變化進(jìn)行斗爭(zhēng)，這是一場(chǎng)關(guān)乎地球未來(lái)的戰(zhàn)爭(zhēng)。

 

在此引用人工智能傳奇人物、深度學(xué)習(xí)教父Geoff Hinton的話：“未來(lái)取決于那些‘對(duì)我所說(shuō)的一切’都深表懷疑的研究生……我的觀點(diǎn)是將其全部拋棄并重新開(kāi)始。”

 

人工智能社區(qū)必須開(kāi)始致力于開(kāi)創(chuàng)人工智能的新范例，這些范例應(yīng)該既不需要指數(shù)級(jí)增長(zhǎng)的數(shù)據(jù)集，也不需要龐大的能源消耗。小樣本學(xué)習(xí)（few-shot learning）等新興研究領(lǐng)域，都是有前途的途徑。

 

人類的大腦——智力的原始來(lái)源提供了重要的啟發(fā)。和當(dāng)今的深度學(xué)習(xí)方法相比，我們大腦的效率高得不可思議。它們只有幾磅重，大概只需要20瓦左右的能量消耗，這個(gè)能耗只能夠給昏暗的燈泡供電。然而，它們代表了已知宇宙中最強(qiáng)大的智力形式。

 

人工智能研究人員Siva Reddy指出：“人類的大腦用很少的能量消耗，就能夠完成令人驚嘆的事情。問(wèn)題是我們?nèi)绾谓ㄔ斐鲞@樣的機(jī)器來(lái)。”