效率远远不够：对环境可持续AI的批判性视角

人工智能（AI）目前由机器学习（ML）方法如深度学习引领，其加速了诸多曾被认为AI难以企及任务的进展。这些近期ML方法往往计算密集、能耗高，并导致显著的温室气体排放，而后者是人为气候变化的已知驱动因素。此外，ML系统所运行平台的环境影响超越能耗驱动的碳排放。产业界与ML界推崇的改善ML环境可持续性的主要方案是提高ML系统运行的计算与能源效率。在本视角中，我们主张是时候超越效率以令ML更具环境可持续性。我们呈现影响ML效率的众多变量与ML环境可持续性之间的三个高层级错位。首先，我们讨论计算效率并不意味能源效率或碳效率。其次，我们呈现效率对ML模型全生命周期中运营排放的非预期效应。最后，我们探讨效率未涵盖的更广泛环境影响。这些错位揭示了为何仅靠效率不足以补救ML的不利环境影响。相反，我们主张将系统思维作为整体改善ML环境可持续性的下一步。