AI-CARE：面向 AI 模型的碳氮感知报告评估指标
机器学习
2026-02-25 v2 人工智能
摘要
随着机器学习 (ML) 的快速扩张，模型训练和推断的环境成本日益成为关键社会议题。现有基准测试在标准性能指标（如准确率、BLEU 或 mAP）上聚焦，而在能源消耗和碳排放方面鲜有关注。这种单目标评估范式日益与大规模部署的实际需求不符，尤其是在受能源限制的环境中，如移动设备、发展中国家和注重气候的企业。本文提出 AI-CARE，用于报告 ML 模型的能源消耗和碳排放。此外，我们引入碳-性能权衡曲线这一可解释工具，用于可视化性能与碳成本之间的帕累托前沿。我们通过理论分析和在代表性 ML 工作负载上的实证验证，表明碳感知基准测试会改变模型的相对排名，并鼓励同时具备准确性和环境责任感的模型架构。我们的方案旨在引导研究社区转向透明的多目标评估，并将 ML 进展与全球可持续发展目标保持一致。该工具和文档已在 https://github.com/USD-AI-ResearchLab/ai-care 提供。
引用
@article{arxiv.2602.16042,
title = {AI-CARE: Carbon-Aware Reporting Evaluation Metric for AI Models},
author = {KC Santosh and Srikanth Baride and Rodrigue Rizk},
journal= {arXiv preprint arXiv:2602.16042},
year = {2026}
}
备注
Accepted to the 2026 IEEE Conference on Artificial Intelligence (IEEE CAI). 7 pages, 3 figures. Code available at: https://github.com/USD-AI-ResearchLab/ai-care