迈向可持续人工智能：深度学习模型碳足迹的全面回顾与比较分析

摘要

arXiv:2608.09998v1 Announce Type: new Abstract: Artificial Intelligence (AI) and Machine Learning (ML) have become powerful tools for supporting and automating complex human tasks. Despite their benef...

the and their emissions for environmental carbon models which Learning

2026-08-13 1 阅读约1分钟阅读 Samar Garrab, Sarra Boughriou, Manel BenSassi

arXiv:2608.09998v1 公告类型：新摘要：人工智能 (AI) 和机器学习 (ML) 已成为支持和自动化复杂人工任务的强大工具。尽管它们有很多好处，但人们越来越关注它们对环境的影响，这主要是由于它们的高能源需求和相关的碳排放。鉴于大规模模型的部署不断增加，尤其是深度学习 (DL) 架构，这种担忧尤其重要，它提供了先进的预测能力，但需要大量的计算资源。本文对绿色人工智能、绿色深度学习以及旨在减少人工智能模型对环境影响的优化技术的研究进行了系统回顾。此外，我们还检查和比较了几种碳测量工具，用于估算人工智能算法产生的排放量。为了补充审查，我们使用基于 CPU 的实验设置进行了实证评估，其中为多标签分类任务实现了六个 DL 模型。目标是量化和比较其总体碳排放量，并确定深度学习生命周期的哪些阶段对总足迹贡献最大。结果表明，训练阶段是主要排放源。此外，研究结果表明，增加的架构复杂性并不能系统地转化为成比例的精度增益，这凸显了仔细平衡预测性能和环境成本的重要性。这些结果强调了将可持续性考虑纳入模型选择和人工智能系统设计的必要性。

订阅66必读