对于任何平台来说，人工智能都是资源密集型的，包括公共云。大多数人工智能技术需要大量的推理计算，这些推理计算综合下来对处理器、网络和存储的要求更高，而且也会带来更高的电费、基础设施成本和碳足迹。

以 ChatGPT 为例的生成式人工智能系统的崛起，使上述问题再次成为焦点。考虑到这项技术的普及，以及公司、政府和公众可能的大规模应用，我们可以看到电力消耗增长曲线呈现出令人担忧的弧度。

自 20 世纪 70 年代以来，人工智能技术一直都存在。由于一套成熟的人工智能系统的工作需要消耗大量的资源，因此，最初并没有产生太大的商业影响。记得我在 20 来岁时设计的人工智能系统，需要超过 4000 万美元的硬件、软件和数据中心空间才能保证它的运行。剧透一下：那个项目和其他许多人工智能项目都没有能真正发布。作为商业案例并不可行。

云计算改变了这一切。曾经无法企及的事情，现在有了公共云就有了足够的成本效益。事实上，正如你可能已经猜到的那样，在过去的 10 到 15 年里，云的崛起与人工智能的崛起大致一致。我想说的是，它们现在是紧密结合在一起的。

云资源的可持续性和成本

你真的不需要做太多的研究来预测这里会发生什么。对人工智能服务的需求将激增，比如现在正引发人们关注的生成式人工智能系统，以及其他人工智能和机器学习系统。这种激增将由那些寻求创新优势的企业引领，比如智能供应链，甚至成千上万的大学生希望有一个生成性人工智能系统来写他们的学期论文。

对人工智能的更多需求意味着对这些人工智能系统使用的资源的更多需求，如公共云及其提供的服务。这种需求很可能会被通过多的数据中心来实现，这些数据中心内容纳了耗电量巨大的服务器和网络设备。

公共云供应商就像任何其他公用事业资源供应商一样，会随着需求的增加而提高价格，就像我们看到家庭电费季节性上涨一样（也是基于需求）。因此，我们通常会缩减使用量，比如，在夏天将空调开到 24 度而不是 20 度。

然而，更高的云计算成本可能不会对企业产生同样的影响。企业可能会发现，这些人工智能系统是驱动某些关键业务流程的，也就并不是可有可无的。在许多情况下，他们可能会试图在企业内部节约资金，也许是通过减少员工数量来抵消人工智能系统的成本。生成性人工智能系统将很快取代许多信息工作者，这已不是什么秘密。

可以做什么？

如果运行人工智能系统的资源需求将导致更高的计算成本和碳输出，我们能做什么？答案也许在于为人工智能寻找更有效的方式来利用资源，如处理、网络和存储。

比如，采样流水线可以通过减少处理的数据量来加快深度学习。麻省理工学院和 IBM 的研究表明，你可以用这种方法减少在大型数据集上运行神经网络所需的资源。然而，它也限制了准确性，这对某些商业用例来说可能是可以接受的，但不是所有的商业用例都能接受。

另一种已经在其他技术领域使用的方法是内存计算。这种架构可以通过不将数据移入和移出内存来加快人工智能处理。相反，人工智能的计算直接在内存模块内运行，这大大加快了速度。

其他方法也正在开发中。比如改变物理处理器，使用协处理器进行人工智能计算，以提高运算速度，或者采用量子等下一代计算模型。你可以期待大型公共云供应商发布大量关于如何解决许多这类问题的技术公告。

你该怎么做？

我的建议肯定不是为了获得更低的云计算账单或拯救地球而避免人工智能。人工智能是一种基础的计算方法，大多数企业可以利用它来获取大量价值。

我建议你在进入一个人工智能启用或净新的人工智能系统开发项目时，要清楚地了解成本和对可持续性的影响，这两者是直接相关的。你必须做出成本/效益的选择，而这实际上又回到了你能为企业带来的成本和风险的价值。说来说去其实并没有什么新鲜事儿。

我确实相信，无论是内存还是量子计算，还是我们尚未看到的解决方案，大部分问题都将通过创新方式来解决。人工智能技术提供商和云计算提供商都热衷于使人工智能更具成本效益和绿色。这是个好消息。

（文章来源：计算机世界）