潜在污染模型：3D 图像合成中的隐藏碳足迹
机器学习
2024-07-23 v1
摘要
当代生成式 AI 的最新发展正在快速变革医学 AI 领域。这些发展主要由大规模数据集和高计算功率的可用性所驱动，显著提升了模型容量。尽管这些模型具有巨大的潜力，但它们需要相当大的能源消耗，导致高碳 dioxide (CO2) 排放。鉴于这些模型对环境造成的危害，人们很少关注这些模型的碳足迹。本研究分析了 2D 和 3D 潜在扩散模型 (LDM) 在训练和数据生成阶段的碳排放，揭示了一个惊人发现：大图像合成对这些排放贡献最大。我们评估了包括模型规模、图像尺寸、分布式训练和数据生成步骤等不同情景。我们的发现表明，这些模型产生了大量碳排放，训练 2D 和 3D 模型分别相当于驾驶汽车行驶 10 km 和 90 km。数据生成过程更为重要，2D 模型的 CO2 排放相当于驾驶 160 km，而 3D 合成则可能达到 3345 km。此外，我们发现实验所在地位置可使碳排放增加最高可达 94 倍，甚至季节时间也可使排放增加最高可达 50%。这些数字令人警惕，因为它们仅代表每个模型的单次训练和数据生成阶段。我们的结果强调了在生成式 AI 中开发环境可持续策略的紧迫性。
引用
@article{arxiv.2407.14892,
title = {Latent Pollution Model: The Hidden Carbon Footprint in 3D Image Synthesis},
author = {Marvin Seyfarth and Salman Ul Hassan Dar and Sandy Engelhardt},
journal= {arXiv preprint arXiv:2407.14892},
year = {2024}
}