AI能耗的实况验证：针对CodeCarbon的外部测量验证
人工智能
2025-09-29 v1
摘要
尽管机器学习（ML）和人工智能（AI）为创新提供了令人瞩目的机遇，但其快速发展也对环境产生了显著影响。为应对该领域日益增长的资源意识，ML排放计算器和CodeCarbon等量化工具被开发用于估算运行AI模型的能耗和碳排放。这些工具易于集成到AI项目中，但同时也做出了务实的假设并忽略了重要因素，从而引发了估算准确性的问题。本研究通过与数百个AI实验的实况测量进行系统比较，评估了静态和动态能耗估算方法的可靠性。基于所提出的验证框架，提供了对AI能耗需求和估算不准确的深入洞察。虽然这些估算方法总体上遵循了AI能耗的模式，但已被证明会持续产生高达40%的误差。通过提供关于能耗估算质量和误差的经验证据，本研究建立了透明度并验证了广泛使用的可持续AI开发工具。此外，本研究还制定了改进前沿技术的指导原则，并提供了将验证扩展到其他领域和工具的代码，从而为资源感知的ML和AI可持续性研究做出了重要贡献。
引用
@article{arxiv.2509.22092,
title = {Ground-Truthing AI Energy Consumption: Validating CodeCarbon Against External Measurements},
author = {Raphael Fischer},
journal= {arXiv preprint arXiv:2509.22092},
year = {2025}
}