作者：金牛幫幫忙

為了達到淨零碳排目標，人們需要密集監控自然環境與資源使用，同時也需要找到最有效率的能源使用方式，讓能源效益極大化，碳排放極小化。而AI在其中扮演重要角色。

在產業應用中，AI技術可以即時監測污染、減少水及能源浪費，大幅減少人力成本，在Google Map等地圖服務中，還能推薦環境友善路徑，提升整體能源的使用效率，加速達到碳中和的目標。此外，AI還能預測自然災害的發生機率與時間點，例如洪水預測，也能模擬海平面上升會如何侵蝕沿岸城市，並預測容易發生野火的乾旱地區，給人們更多時間準備，若發生火災就能及早撲滅。這些都是AI的減碳應用。

矛盾的是，雖然AI有助於提升能源使用效率，但AI的訓練與使用過程卻相當耗能，讓減碳的效益打折扣。

訓練AI不只會消耗電能，還會消耗大量水資源

與水泥、石化產業相比，資通訊產業給人較為清潔的感覺，但它其實也是高碳排的產業。《華爾街日報》指出，資通訊產業碳排放量占全球總碳排的3%；若資通訊產業是個國家，它會是世界第6大排放源，僅次於中國、美國、印度、俄羅斯與日本。

至於用於AI運算的資料中心，它的碳排放量占比也達到2%，和航空業相同。而隨著AI發展，訓練AI模型所需的能量也隨之增加。提升資料中心的能源使用效率將有助於降低碳排放量，是刻不容緩的議題。

為了研究機器學習模型的生命週期碳足跡，AI應用開發商Hugging Face的研究科學家Sasha Luccioni和另外兩位研究人員設計一個名為Bloom的機器學習模型。研究團隊發現，訓練模型所消耗的電能並不是碳排放的唯一來源。Bloom使用GPU運算，因此製造GPU所使用的水源與稀有金屬原料也是碳排放的來源，而且它們的排碳量跟訓練AI所消耗電能的排碳量不相上下。

根據史丹佛大學2023年4月的一份報告，Bloom在2022年3月至2022年7月期間，訓練模型所使用的能源足以為美國普通家庭供電41年。此次訓練的排放量相當於搭飛機往返紐約到舊金山25次，比美國人一年平均排放量還高了三分之一以上。而類似Bloom的AI模型，例如OpenAI的ChatGPT-3，其二氧化碳的排放更是Bloom的20倍，消耗的電量也大約是Bloom的3倍。

ChatGPT-3也消耗大量水資源。加州大學河濱分校（University of California Riverside）的電機暨計算機工程教授Shaolei Ren表示，當ChatGPT-3進行20至50個基本對話時，就要消耗500毫升的水。至於模型更龐大的ChatGPT-4，Ren推估，應該會消耗更多水資源，但目前沒有充足的公開數據去推算確切的耗水量。

至於Google的大型語言模型LaMDA，Ren的團隊估算，僅在訓練的階段，模型就消耗了約1,000公噸的水。根據Google統計，2022年資料中心的用水量比2021年增加將近20%。至於LaMDA模型的碳排放量，Google估算為26公噸，相當於22名乘客搭飛機往返舊金山與紐約的碳排放量。

使用不同地區的水和電，也會影響AI訓練的排碳量

資料中心該如何節水節電，以降低AI運算所產生的碳排？

能源來源是降低碳排的重要因素，若使用替代能源，就能在不改變模型的規模條件下，減少AI運算的碳排放量。另外，美國沒有中央電網，每個州的發電方式不同，所以在不同州訓練模型的碳排放量也不同。若要在美國建設資料中心，選擇風電資源豐富的加州，會比依賴化石燃料的維吉尼亞州更佳，能取得更多的減碳效益。

用水也能像用電一樣，使其更有效率，但關鍵在水從何來。微軟統計，資料中心每使用一單位的電，亞洲資料中心用於降溫的耗水量是美洲資料中心的3倍，原因是亞洲的氣候較熱，需要使用水冷式冷卻機組降溫，就會消耗更多水。Ren的研究團隊則表示，不同季節會劇烈影響用水量。夏天時，因為水更容易蒸發，因此要消耗更多水。季節變化加上不同的地理位置影響，資料中心的最高用水量可以和最低用水量差到3倍以上。

AI的工作都是透過網路來進行，可以透過不同的資料中心運算，若能根據不同地區的能源與用水量的特性來分擔運算工作，就可以降低總體的耗電與耗水，進而降低碳排。例如使用再生能源較多的資料中心，或是透過較冷地區的資料中心運算，就能更省水省電。Ren也表示，除了使用淡水，Google也在研究如何使用廢水、海水替代，降低耗水量。Google去年曾在blog文章中提到，Google的目標是在2030年前，為自然環境補充其資料中心120%的用水量。

Luccioni則認為，不是所有的任務都需要導入AI，如果該任務原先已經有良好且高效的技術，就不需要使用高耗能的AI，這樣也有助於降低碳排放量。但在對抗氣候變遷的戰役中，透過AI能尋找出更有效率的工作路徑，也能更精準模擬氣候模式，進而找出更好的應對方式。水可載舟也可覆舟，人們必須在AI的減碳效益與AI的能耗間找到平衡點。