简而言之
隐含碳是指硬件在制造、运输和处置过程中产生的排放。要计算它,先取硬件的隐含排放总量,再按您的 AI 工作占用这些设备的时间和比例分摊,然后把这一份额加到运行排放上,这正是 SCI 规范中 M 项的做法。由于数据往往不足,请说明您的假设;还要记住,硬件用得越久,同样的排放就分摊到越多的工作上。
步骤
- 向硬件或云服务供应商索取您所用设备的隐含排放数据。
- 按 AI 工作占用硬件的时间和比例,为其分摊一份排放。
- 把这一份额加到运行排放上,并说明您计入了哪些部分。
- 说明各项假设,包括硬件的预期寿命。
- 在您能控制的范围内延长硬件寿命,让隐含排放覆盖更多有用的工作。
既要计算电力,也要计算硬件,因为电网越清洁,制造环节所占的份额就越大。 Meta 的 Wu 及其同事在 2022 年报告称,隐含碳约占 Meta 大规模机器学习碳足迹的 30%,并认为随着运行能源变得更清洁,它正在成为最主要的来源。
如何分摊?
绿色软件基金会(Green Software Foundation)的 SCI 规范把隐含排放列为 M 项。一种简单的做法是:
- 从制造商或供应商处获取设备的隐含排放总量。
- 除以设备的预期寿命,得到每年或每小时的排放。
- 乘以您的工作占用设备的时间,再乘以您使用的那部分机器所占的比例。
使用云服务时,您看不到硬件,因此请询问服务商:其碳排放报告是否包含制造环节(范围 3),以及是如何分摊的。请参阅您的云服务商的碳数据。
电子垃圾怎么办?
Wang 及其同事在 2024 年估计,2020 年至 2030 年间,大语言模型总共可能产生 120 万至 500 万吨电子垃圾,具体取决于其使用增长的速度;而再利用和回收可以大幅减少这一数量。
常见错误
- 不计隐含碳,却不加说明。 无论是否计入,都要在边界说明中写明。
- 默认假设硬件寿命很短。 过早更换设备会提高每年分摊的份额。
- 为了一点效率提升就购买新硬件,却不核查由此增加的制造成本。
关于边界的设定,请参阅如何测量 AI 能耗。
来源
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
相关内容
如何计算一项 AI 功能的软件碳强度(SCI)得分?
计算 AI 功能的 SCI 得分:能耗乘以电网碳强度,加上隐含排放,再除以功能单位,例如每次请求。
如何避免只为使用 AI 而更换设备?
为什么使用 AI 很少需要新手机或新电脑,如何让旧设备继续好用,以及硬件寿命为何影响 AI 的环境足迹。
如何为 AI 选择节能的硬件?
根据真实批量规模下实测的每个任务能耗选择 AI 硬件,比较运行时和加速器,并权衡新设备与隐含碳排放。
如何测量 AI 的能耗和碳排放
实用指南:如何计量或估算 AI 工作的能耗和碳排放,涵盖工具、系统边界、按任务计算的指标以及如实说明不确定性。