Badacze przeprowadzili systematyczny przegląd badań dotyczących Green AI i technik optymalizacyjnych zmniejszających wpływ środowiskowy modeli sztucznej inteligencji. W ramach pracy ocenili również narzędzia do pomiaru emisji węglowych algorytmów AI oraz przeprowadzili empiryczne testy sześciu modeli deep learning na procesorze CPU w zadaniu klasyfikacji wieloetykietowej.
Wyniki eksperymentów jasno pokazują, że faza treningowa generuje największą część emisji węglowych modeli. Badanie ujawnia również ważny paradoks: zwiększenie złożoności architektury sieci neuronowej nie gwarantuje proporcjonalnych przyrostów dokładności. Oznacza to, że wiele modeli może być przesadnie skomplikowanych w stosunku do rzeczywistych korzyści, jakie przynoszą.
To badanie nabiera znaczenia w kontekście gwałtownego rozwoju branży AI i rosnącego zainteresowania wpływem technologii na środowisko. Duże modele trenowane na ogromnych zbiorach danych wymagają znacznych zasobów obliczeniowych, co wiąże się z wysokim zużyciem energii i emisjami dwutlenku węgla. Praca wskazuje kierunki optymalizacji, sugerując, że bardziej efektywne podejście do projektowania modeli może być zarówno ekologicznie jak i ekonomicznie uzasadnione.