机构名称：
¥ 2.0
训练他们自己的最先进的模型。研究结果得出的结论是，我们需要减少开发和运行人工智能模型的碳足迹。这种自我反省让人工智能研究界大开眼界。随后发表了许多论文，呼吁寻找一个考虑这一问题的新研究方向。Schwartz (2020) Green AI 将绿色人工智能一词定义为“在考虑计算成本的同时产生新成果的人工智能研究”（Schwartz et al., 2020 ）。Bender et al. (2021) 发表了一份立场文件，强调了不断增加人工智能模型规模的后果。一个自然而然的问题是，作为一个研究界，我们是否做了足够的努力来减轻开发和运行基于人工智能的软件对碳的影响。人工智能系统非常复杂，为了实现绿色人工智能，我们需要共同努力，针对人工智能系统生命周期的所有不同阶段（例如数据收集、训练、监控）、不同工件（例如数据、模型、管道、架构、硬件）等（Haakman 等人，2021 年）。鉴于该领域的异质性，也很难对过去几年发表的所有绿色人工智能文献有一个广泛的了解。为了了解现有的研究，我们对绿色人工智能进行了系统的文献综述。我们概述并描述了该领域的现有研究。此外，我们研究了该领域多年来的发展情况，找出了主要主题、方法、工件等。这篇文献综述显示，绿色人工智能出版物数量显着增长——76% 的论文是在 2020 年之后发表的。最受欢迎的主题围绕监控、超参数调整、部署和模型基准测试。我们还重点介绍了其他可能带来有趣解决方案的新兴主题，即以数据为中心的绿色人工智能、精度/能源权衡分析。当前的研究已经展示了令人鼓舞的结果，节能效果从 13% 到 115%。不过，现有的大部分工作都集中在人工智能模型的训练阶段。此外，我们观察到行业参与度很低（23%），而且大多数研究都围绕实验室实验展开。我们认为，该领域正在发展到一定成熟度，其中行业参与对于实现绿色人工智能的总体目标至关重要：充分利用人工智能的潜力，而不会对我们的星球产生负面影响。为了鼓励开放科学和这项研究的可重复性，我们提供了所有数据和脚本，这些复制包可通过开源许可证在线获取。1
绿色人工智能的系统评价
主要关键词
相关文件推荐
