迈向兼具社会与环境责任的人工智能

人工智能模型规模的急剧增长带来了巨大的能源消耗和环境足迹，这可能对某些（通常是边缘化的）地区产生不成比例的影响，从而引发环境公平性问题。此外，社会公平性问题也已浮现，因为人工智能计算资源在全球范围内可能无法公平分配，来自资源严重受限的弱势地区的用户可能会持续体验到较差的模型性能。重要的是，涵盖社会和环境两个维度的公平性问题仍未得到探索，并且日益阻碍着负责任的人工智能的发展。在本文中，我们利用人工智能推理工作负载的空间灵活性，提出了公平的地理负载均衡（GLB）方法，以公平地平衡人工智能的区域社会和环境成本。具体而言，为了惩罚为实现公平而产生的过高社会和环境成本，我们将$L_q$范数作为新的正则化项引入到GLB决策的优化目标中。基于真实世界人工智能推理轨迹的实证结果表明，现有的GLB算法会导致某些地区的社会和环境成本过高，而我们提出的公平GLB能够公平地平衡所有地区人工智能的负面社会和环境成本。