# 如何减少在科研计算集群上运行 AI 实验的环境足迹？

> 降低高性能计算集群上 AI 实验的能耗：查看 Slurm 能耗记录，只申请实际所需资源，先做小规模试验，设置检查点，并灵活安排作业时间。

Source: https://greenai.guide/zh/如何/如何减少在科研计算集群上运行-ai-实验的环境足迹/  
Updated: 2026-11-19

## 简而言之

先从测量开始：许多集群会在 Slurm 调度器中记录每个作业的能耗，CodeCarbon 或 Green Algorithms 计算器可以补足缺口。然后只申请所需的 GPU、内存和时间，先以小规模试验想法，为长时间作业设置检查点，并在电网更清洁时运行可灵活安排的作业。报告整个项目的能耗，而不仅仅是最终运行。

## Steps

1. 检查您的集群是否记录作业能耗，例如 Slurm 的 ConsumedEnergy 字段。
2. 只申请作业实际需要的 GPU、内存和运行时长。
3. 在扩大实验规模之前，先进行小规模试验。
4. 为长时间作业设置检查点，避免故障和暂停浪费已完成的工作。
5. 在集群允许的情况下，把可灵活安排的作业放在电网更清洁的时段运行。
6. 报告项目层面的能耗，包括调参和失败的运行。

**共享集群很容易让人忽视能耗，因为没有人看到账单。** 但每一块多申请的 GPU、每一个被放弃的作业都在耗电，还让其他人排队等待。

## 如何查看我的作业用了多少资源？ {#how-do-i-see-what-my-jobs-use}

- **Slurm 的 `sacct`**：在集群启用了能耗记录的情况下，可以报告作业的 ConsumedEnergy。请向您所在机构的科研计算团队询问是否已开启。
- **CodeCarbon**：可以在作业内部运行，其文档也介绍了无法联网的计算节点如何使用。
- **Green Algorithms**：由 Lannelongue、Grealey 和 Inouye 开发，根据硬件、运行时长、内存和地点估算足迹，适合用于已完成的作业。

## 什么做法效果最大 {#what-makes-the-biggest-difference}

- **按需申请资源。** 申请四块 GPU 却只用一块，就会让另外三块被占用而闲置。
- **小规模试验和提前停止。** 大部分能耗花在探索上；尽早淘汰效果不佳的想法。请参阅[降低超参数搜索的能耗](/zh/如何/如何降低超参数搜索的能耗/)。
- **检查点**，这样崩溃和时间限制就不意味着从头再来。
- **复用**预训练模型和共享数据集，而不是每个人各自准备一份。

2026 年英国一场由数学家、计算机科学家和业界人士参加的绿色 AI sandpit（研讨工作坊）也强调：在训练任何模型之前，先检查是否已有成熟的数值方法能够解决这个问题。

## 常见错误 {#common-mistakes}

- **把集群当作免费资源。** 像管理预算一样记录 GPU 小时数；请参阅[设定算力预算](/zh/如何/如何为科研项目设定算力预算/)。
- **在论文中只报告最终运行。**

Lannelongue 及其同事提出的 GREENER 原则为研究团队和机构提供了一个框架。请参阅[研究人员指南](/zh/指南/面向研究人员的绿色-ai/)。

## 来源

- [Slurm sacct manual (ConsumedEnergy)](https://slurm.schedmd.com/sacct.html), SchedMD (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
