第 26 天：研究在 AI 测试中最大限度地减少碳足迹的策略

随着我们“30 天 AI 测试挑战”的深入，今天我们将注意力转移到 AI 应用的一个重要但经常被忽略的方面：环境影响。

AI 的快速采纳为众多行业带来了前所未有的利益。然而，AI 模型的训练和部署由于相关的高能耗和碳排放，可能会带来显著的环境影响。作为负责任的从业者，我们有必要理解并尽量减少 AI 的碳足迹，采取更加可持续的实践方式。

任务步骤

  • 研究 AI 的碳足迹：寻找讨论训练大型语言模型（LLMs）、运行 AI 辅助工具以及存储大量数据所相关的能源消耗和碳排放的资料。研究影响 AI 碳足迹的因素，例如硬件需求、数据中心运营和模型优化方法。
  • 探索减少策略：探究如何使 AI 测试更加可持续，例如使用能效更高的硬件、实施绿色数据中心实践、优化 AI 模型以减少计算需求，以及通过碳抵消项目来减轻 AI 实施的碳足迹。
  • 评估适用性：识别你能在哪些方面实施这些策略以减少 AI 测试活动的碳足迹。采取这些策略可能面临的挑战和带来的好处有哪些？
  • 分享你的发现：回复本帖，总结你为减少 AI 环境影响而识别出的策略。讨论这些策略在你的测试环境中实施的可行性及其可能的影响。可能的话，分享你在研究过程中发现的任何有用资源。

为什么参与

  • 探索更可持续的解决方案：找到减少 AI 测试碳足迹的实际策略和解决方案。
  • 促进道德 AI 使用：通过你的研究和分享的见解，为负责任的 AI 采用话题贡献力量。

任务链接

https://club.ministryoftesting.com/t/day-26-investigate-strategies-to-minimise-the-carbon-footprint-of-ai-in-testing/75467

我的第 26 天任务

探讨 AI 技术的碳足迹

我迅速阅读了挑战任务推荐的文章我们对 AI 真实碳足迹的认识日益加深。

  • 文章要点简述:

通过 Hugging Face 的评估揭示了 AI 模型的碳足迹

  • 📊 排放数据：BLOOM 模型训练导致的 CO2 排放量为 25 吨。

  • 🌍 环境影响：我们需要更全面地了解 AI 模型对环境的影响。

  • • 行动倡议：呼吁开展更高效的 AI 研究和开发活动。

  • 文章摘要

MIT Technology Review 的这篇文章讲述了 Hugging Face 如何通过考虑大型语言模型（LLMs）的整个生命周期——而非仅仅是训练阶段——来更准确地计算其碳足迹的新尝试。使用这种方法评估自家的 BLOOM 模型，Hugging Face 发现其碳排放远低于其他同类模型，部分原因是因为采用了核能源进行模型训练。研究强调了认识 AI 技术在硬件制造和运营排放等方面对环境影响的重要性，并建议采用更有效率的研究方法，以降低整体的碳排放量。

探索减少策略

我也迅速浏览了另一篇推荐文章数据和 AI 必须变得更加可持续的原因。

  • 文章要点概览:

对数据和 AI 环境影响的日益关注

  • ❗️问题：数据和 AI 产生的碳足迹问题日益严重。

  • 💡 建议：提出了一些减轻环境影响的工具和最佳实践。

  • 📊 影响：AI 的能耗正威胁着气候变化的进展。

  • 文章概述 “Green Intelligence: Why Data And AI Must Become More Sustainable"一文强调了数据和人工智能技术对环境的影响，特别指出了人们对其碳足迹和能源消耗的增加担忧。文章讨论了数据和 AI 使用的指数级增长，特别是在 COVID-19 大流行期间，这导致了巨大的能源需求和环

境成本。强调企业必须关注数据存储和 AI 对温室气体排放的影响。文章提出了一系列措施，包括完善的碳排放核算、评估 AI 模型碳足迹、优化数据存储位置、增加透明度和采取谷歌的“4M”节能实践等，以减轻 AI 的可持续性影响。同时，呼吁转向更加注重环境可持续性的新 AI 发展范式，以有效对抗气候变化。文章还强调了改进 AI 研究议程和提高透明度在减轻 AI 及数据技术对环境影响方面的重要性。

分享我的发现

毫无疑问，人工智能的发展对环境造成了显著影响，无论是在研究还是使用阶段，都伴随着不小的碳足迹。

人工智能的碳足迹探讨

全球范围内，人工智能技术的发展和应用正以惊人的速度推进。随着大型语言模型（LLMs）等复杂 AI 系统的不断涌现，这些系统的能源消耗和碳排放问题越来越受到关注。从这些系统的训练到运行，都需要消耗大量的计算资源，这直接关联到能源使用和碳排放量。

大型语言模型的训练讨论

AI 系统，尤其是大型语言模型的训练不仅需要大量电力，还需要大量硬件资源。除了直接的计算能耗外，维护硬件正常运作所需的冷却系统也是能源消耗的大户。目前，研究人员正致力于通过算法优化、硬件效率提升和数据中心能源管理改善等方式，来减少这一过程的能源消耗。

AI 助手的运营

在云服务中运行 AI 助手同样需要大量能源。这些服务通常依赖于数据中心，后者的能源消耗和碳排放是 AI 碳足迹研究的重要方面。为减少这些影响，数据中心正转向使用可再生能源和更高效的冷却技术。

大数据存储的挑战

随着数据量的急剧增长，存储这些数据所需的能源也在增加。研究人员正在寻求更有效的数据存储解决方案，努力通过减少数据冗余和优化存储结构来降低能源消耗。

影响因素探讨
  • 硬件需求：AI 系统所需的硬件直接影响能源消耗。采用节能的处理器和存储设备可以有效降低碳足迹。
  • 数据中心运营：数据中心的能效、使用可再生能源的比例及冷却系统的效率都是影响 AI 碳足迹的关键因素。
  • 模型优化：通过模型优化，比如减少模型参数量和应用知识蒸馏技术，可以在不牺牲性能的前提下，减少训练和推理过程中的能源消耗。

结语

人工智能的碳足迹问题是一个多方面、多维度的问题，涉及硬件、数据中心运营、数据存储和模型优化等多个方面。随着人们对 AI 技术环境影响认识的加深，未来的发展将更加重视可持续性和效率，以降低对环境的不良影响。

关于活动

30 天 AI 测试挑战活动是 Ministry 测试社区发起的活动，上一次我了解这个社区是关于他们发起的 30 天敏捷测试的活动。

活动介绍

通过 30 天 AI 测试挑战赛，在整个 3 月份升级你的测试游戏！

  • 2024 年 3 月 1 日 - 2024 年 4 月 1 日
  • 00:00 - 23:00 英国夏令时
  • 地点：线上

召集所有测试人员、人工智能爱好者以及任何对人工智能如何重塑软件质量感到好奇的人。准备好探索人工智能的世界了吗？今年 3 月，我们将启动 30 天人工智能测试，诚邀你加入这一使命！

它是什么？

在 30 多个启发性的日子里，与充满活力的社区一起，你将踏上探索人工智能在测试中的潜力的旅程。每天，我们都会探索和讨论新的概念、工具和实践，以揭开人工智能的神秘面纱并增强你的测试工具包。

为什么要参加？

逐步提升你的技能：每天都会有一项新的、可管理的任务建立在前一项任务的基础上。帮助你逐步加深对 AI 测试的理解。

提高你的测试效率和有效性：探索人工智能可用于改进日常测试、提高效率和有效性的多种方式。

联系与协作：在 The Club 论坛上与全球测试人员和 AI 爱好者社区互动，分享见解并获得灵感和支持。 实现 AI 雄心：利用此挑战作为实现 AI 测试目标的垫脚石。深入研究并解决满足你人工智能抱负的任务。 领导和启发：通过在挑战期间分享你的人工智能之旅和发现，你将在提升社区知识和技能方面发挥至关重要的作用。

它将如何运作？

整个三月，MoT 团队的一名成员将在俱乐部论坛上发布一项新的简短每日任务，这将增强你对测试中的 AI 的理解。

然后，你将回复主题帖子以及对每项日常任务的回复。请随意分享你的想法、提出问题、寻求建议或向他人提供支持。

最后，不要忘记通过参与其他人的回复来鼓励有意义的讨论。如果你发现某人的回复有趣或有帮助，请点击❤️按钮并让他们知道！

不要害怕错过时机；现在注册！注册后，你将收到每项日常任务的电子邮件提醒。

社区官网：https://www.ministryoftesting.com

活动链接：https://www.ministryoftesting.com/events/30-days-of-ai-in-testing

挑战：

推荐阅读

欢迎关注软件测试同学的公众号“软件测试同学”，原创 QA 技术文章第一时间推送。