（文章來源：比特網(wǎng)）

去年美國馬薩諸塞州大學(xué)阿默斯特分校的研究人員曾表示，訓(xùn)練一臺大型AI機器產(chǎn)生的碳，平均是一個人終其一生駕駛汽車制造的排放量5倍。除此之外，還存在很多其他方面的能源消耗。因此AI未來如何實現(xiàn)可持續(xù)發(fā)展，仍是亟需解決的問題。

近期，在麻省理工一篇最新論文中顯示，其提出了一種比以前更環(huán)保的方式來訓(xùn)練和運行AI模型的系統(tǒng)。論文中顯示，該方案被稱為是種“一勞永逸”的網(wǎng)絡(luò)，它訓(xùn)練一個大型模型，該模型由許多不同大小的預(yù)訓(xùn)練子模型組成，這些子模型可以在不需要再訓(xùn)練的情況下針對一系列平臺進行定制。每個子模型都可以在推理時獨立運行而無需重新訓(xùn)練，系統(tǒng)根據(jù)與目標(biāo)硬件的功率和速度限制相關(guān)的精度和延遲權(quán)衡來確定最佳子模型。

“漸進收縮”算法有效地訓(xùn)練大模型，同時支持所有子模型。先訓(xùn)練大模型，再利用大模型訓(xùn)練較小的子模型，使其同時學(xué)習(xí)，最后所有子模型都得到了支持。

在實驗中，研究人員發(fā)現(xiàn)，用他們的方法訓(xùn)練一個包含超過10個五分之一建筑環(huán)境的計算機視覺模型，最終比花幾個小時訓(xùn)練每個子網(wǎng)絡(luò)要有效得多。此外，它并沒有影響模型的準(zhǔn)確性或效率——當(dāng)使用通用基準(zhǔn)(ImageNet)進行測試時，該模型在移動設(shè)備上達到了理想準(zhǔn)確性，在推理方面比領(lǐng)先的分類系統(tǒng)快1.5到2.6倍。

也許更令人印象深刻的是，研究人員聲稱，與當(dāng)今流行的模型搜索技術(shù)相比，計算機視覺模型在訓(xùn)練時需要大約1/1300的碳排放量。IBM研究員、麻省理工學(xué)院沃森人工智能實驗室成員談到這項研究時表示：“如果人工智能要繼續(xù)快速發(fā)展，我們就需要減少其對環(huán)境的影響。”
（責(zé)任編輯：fqj）