科技行者深度学习模型并非“越大越好”，它可能引起气候变化问题

科技行者 6月22日北京消息：本月早些时候， OpenAI宣布已经建成史上最大的人工智能模型，该模型规模惊人，被命名为“GPT-3” ，是一项令人印象深刻的技术成就。然而，它却凸显了人工智能领域的一个隐患。
现代人工智能模型需要消耗大量能量，并且这些能量需求正以惊人的速度增长。在深度学习时代，产生一流的人工智能模型所需的计算资源，平均每3.4个月翻一番；这意味着，能量需求在2012年至2018年之间增加了300,000倍。而“GPT-3”只是这种指数级增长轨迹上的一个最新节点。

本文插图
深度学习模型真的越大越好吗？
在今天，人工智能的碳足迹是有意义的，而如果这个行业趋势继续下去，情况将很快变得糟糕得多。除非我们愿意重新评估并改革当今的人工智能研究方向，否则，人工智能领域可能会成为我们在未来几年中应对气候变化的对手。
GPT-3很好地说明了这种现象。该模型包含多达1750亿个参数。如何理解这个数字呢？不妨参考一下它的前身模型GPT-2 ，它在去年发布时被认为是最先进的， GPT-2只有15亿个参数。去年GPT-2的训练耗费了数十千兆次/天，这个计算输入的数量已经非常庞大了，而GPT-3需要的数量可能是GPT-2的好几千倍。
依靠越来越大的模型，来推动人工智能技术进步，这种做法的问题在于，构建和部署这些模型需要大量的能源消耗，并因此产生碳排放。
在2019年一项被广泛讨论的研究《Energy and Policy Considerations for Deep Learning in NLP（NLP深度学习的能源和政策考虑）》中，由Emma Strubell领导的一组研究人员，评估了训练单个深度学习模型的能量消耗，这个数值可能高达626,155磅的二氧化碳排放量——约相当于五辆汽车在整个生命周期内的碳足迹。相比之下，一个普通的美国人每年产生的二氧化碳排放量大约是36,156磅。
可以肯定的是，这项评估针对的是能耗特别高的模型。如今，训练一个普通规模的机器学习模型产生的碳排放量应该远远小于626,155磅。
【科技行者深度学习模型并非“越大越好”，它可能引起气候变化问题】同时值得注意的是，在进行这项分析时， GPT-2是当时可供研究的、最大的模型，研究人员将其视为模型大小的上限。可仅仅一年之后， GPT-2看上去很袖珍了，比它的后继产品小了一百倍。
那么，机器学习模型到底为什么会需要消耗这么多的能量呢？
第一个原因是，用于训练这些模型的数据集的大小在不断地膨胀。在2018年， BERT模型在使用了30亿个单词的数据集进行训练之后，实现了同类中最佳的NLP（自然语言处理）性能。 XLNet使用了320亿个单词的数据集进行训练，并且在性能上超过了BERT 。不久之后， GPT-2接受了400亿个单词的数据集的训练。而让之前所有此类工作都相形见绌的是， GPT-3将使用一个包含5,000亿个单词的加权数据集进行训练。
在训练过程中，神经网络会针对输入的每条数据，执行一整套冗长的数学运算（既包括正向传播，也包括反向传播），并且以复杂的方式更新其参数。因此，更大的数据集，就会转化为飞速增长的计算和能源需求。
导致人工智能巨大能量消耗的另一个原因是，开发模型所需要进行的大量实验和调校。今天的机器学习，在很大程度上仍然是反复试错的练习。从业人员通常会在训练过程中针对给定模型构建数百个不同的版本，在确定最佳设计之前，他们会尝试不同的神经体系架构和超参数。
上述提到的那篇2019年研究论文中，描述了一个案例研究。研究人员们选择了一个平均规模的模型——比GPT-3之类的博人眼球的庞然大物要小得多，并且不仅检查了训练最终版本所需的能量，还测量了为了生产这个最终版本进行的各种测试的总体能量消耗。