greenai.guide

首页 › 我该如何……? › 如何报告我的 AI 研究的能耗?

我该如何……?

如何报告我的 AI 研究的能耗?

更新于 · 阅读约需 1 分钟

简而言之

报告硬件;所有运行(包括调参和失败运行)的 GPU 小时数;以 kWh 计的能耗及所用工具;地点和电网碳强度;以 kg CO₂e 计的排放;以及在注明批次大小下的推理能耗。说明边界包括哪些内容,以及这些数字有多大的不确定性。如果边做边测,例如使用 CodeCarbon 之类的工具,这就只是填一张表,而不是事后重建。

步骤

  1. 从项目一开始就记录每一次运行的能耗,而不仅仅是最终运行。
  2. 用一张标准表格报告硬件、GPU 小时数、能耗、地点、电网碳强度和排放。
  3. 给出在注明的批次大小和序列长度下,每 1,000 次请求的推理能耗。
  4. 说明边界,包括是否计入数据中心的额外开销。
  5. 在最佳分数之外,同时报告相对于算力的结果,例如每 kWh 的准确率。

把算力和能耗作为标准结果来报告,而不是写在脚注里。 没有这些信息,效率方面的说法就无法核实,读者也无从判断一点点准确率的提升是否耗费了十倍的能源。

这一主张很早就有人提出:Strubell、Ganesh 和 McCallum 在 2019 年量化了训练多个语言模型的经济成本和环境成本,Schwartz 及其同事则在《Green AI》一文中主张在报告准确率的同时报告效率。

表格应包括哪些内容?

项目 示例
硬件 GPU 型号和数量、CPU、内存
运行时间 最终运行以及所有调参和失败运行的 GPU 小时数
能耗 kWh,实测或估算,并注明工具及其版本
地点 国家或电网区域,以及所用的碳强度
排放 kg CO₂e
推理 在注明的批次大小和序列长度下,每 1,000 次请求的能耗
边界 是否包括冷却和数据中心额外开销(PUE)

如果您发布模型,请把这些数字填入 Hugging Face 模型卡的 co2_eq_emissions 字段。

常见错误

  • 只报告获胜的那次运行。 其背后的搜索过程通常占了大部分能耗。
  • 不给出不确定性。 基于功率模型的估算可能与电表实测值不同;请给出一个范围。
  • 略去负面结果。 一种没有奏效的效率方法,可以让别人免于重复尝试。

Lannelongue 及其同事提出的 GREENER 原则为研究团队和机构提供了更广泛的框架。请参阅研究人员指南和如何测量 AI 能耗。

来源

  1. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  2. Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
  3. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  4. Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)

加入我们

帮助减少 AI 对地球的影响

通过电子邮件获取新指南、资助征集和名录收录信息,大约每月一次。您也可以将您的产品、课程、博士岗位或研究添加到名录中。

不做跟踪。一键退订。 其他加入方式 · 隐私