迈向可持续人工智能：深度学习模型碳足迹的综合综述与比较分析

# 迈向可持续人工智能：深度学习模型碳足迹的综合回顾与比较分析

来源：https://arxiv.org/html/2608.09998

\[1\]\\fnmSamar\\surGarrab

\[1\]\\orgname加拿大皇家军事学院,\\city安大略省,\\country加拿大 2\]\\orgname康考迪亚大学,\\city魁北克省,\\country加拿大

3\]\\orgname国立信息科学学院,\\country突尼斯

###### 摘要

人工智能（AI）和机器学习（ML）已成为支持和自动化复杂人类任务的强大工具。尽管其带来了诸多益处，但人们对它们的环境影响日益关注，主要原因是其高能耗以及相关的碳排放。鉴于大规模模型，尤其是深度学习（DL）架构的部署日益增多，这一担忧尤为重要，因为这些模型虽然提供了先进的预测能力，却需要大量的计算资源。

本文对绿色AI、绿色深度学习以及旨在减少AI模型环境影响的优化技术进行了系统性综述。此外，我们还考察并比较了几种用于估算AI算法碳排放的碳测量工具。

为补充综述内容，我们进行了一项基于CPU实验设置的实证评估，在该评估中实现了六个深度学习模型，用于多标签分类任务。其目标是量化并比较它们的总碳排放量，并确定深度学习生命周期中哪些阶段对总碳足迹的贡献最大。结果表明，训练阶段是碳排放的主要来源。此外，研究结果还显示，架构复杂性的增加并不一定带来相应的精度提升，这凸显了在预测性能与环境成本之间谨慎权衡的重要性。这些结果强化了在模型选择和AI系统设计中纳入可持续性考虑的必要性。

###### 关键词：

绿色人工智能、绿色深度学习、碳足迹评估工具、可持续发展、模型优化、弹性算法。

## 1 引言

可持续发展是指在满足当代人需求的同时，不损害后代满足其自身需求的能力。它传统上围绕三个相互关联的支柱构建：经济繁荣、社会公平和环境管理。在此背景下，人工智能（AI）和机器学习（ML）已成为具有变革性的技术，有望加速实现可持续发展目标。其应用涵盖广泛的全球性挑战，包括能源优化、气候建模和高效资源管理[verdecchia2023systematic, rolnick2019tackling]。

然而，AI与可持续性之间的相互作用本质上是矛盾的。虽然AI系统可以为环境解决方案做出贡献，但开发、训练和部署这些系统所涉及的过程会产生大量的环境成本。特别是，大规模模型需要大量的计算能力，导致高能耗和相关的碳排放[strubell2019energy, henderson2020towards]。这种双重性引发了一个关键问题：社会如何在最小化AI生态足迹的同时，利用AI带来的益处？

这个问题的复杂性在于，AI既是缓解工具，又是环境压力的来源。正如[pachot2022towards]中所讨论的，AI技术可能支持气候行动倡议，同时也加剧了其旨在解决的环境挑战。同样，Dhar[dhar2020carbon]将AI既描述为追求可持续性的有前途盟友，又因其不断增长的碳足迹而成为气候变化的隐藏贡献者。

深度学习（DL）作为AI的一个重要子领域，体现了这种紧张关系。DL技术正越来越多地被应用于医疗保健、金融、自主系统和自然语言处理等各个领域。持续的方法论进步和对最先进性能的追求，促使研究人员依赖日益庞大的模型和更强大的硬件基础设施。然而，这些性能提升往往以巨大的能源需求为代价，尤其是在DL模型的训练阶段。

减轻AI环境影响的一个基本步骤是准确测量其能源使用和碳排放。量化这些因素对于理解和最终减少AI系统的环境负担至关重要。先前的研究强调，AI模型在其整个生命周期中（包括设计、训练、部署和运行阶段）都可能消耗大量能源[schwartz2020green]。

基于这些关注，本文旨在对AI算法（尤其是深度学习）的环境影响提供更清晰、更严格的评估。虽然现有文献综述从广泛的角度讨论绿色AI[verdecchia2023systematic]，并主要在概念或方法论层面讨论绿色深度学习[xu2021survey]，但它们往往缺乏可重复的定量评估来比较DL模型在不同生命周期阶段的碳足迹。这一空白凸显了进行系统性、基于实验分析的必要性，而这正是我们的工作旨在提供的。

在本文中，我们进行了文献综述，涵盖绿色人工智能（Green AI）、绿色深度学习（Green DL）以及现有的碳足迹测量工具。随后，我们进行了一项受控实证研究，比较了六种广泛使用的深度学习架构——简单卷积神经网络（CNN）、残差网络（ResNet）、U型网络（U-Net）、16层和19层视觉几何组网络（VGG16和VGG19）以及高效网络（EfficientNet）——的碳足迹，并分析了它们的总体排放以及各个阶段（即数据预处理、模型训练和测试）的排放。为了进一步量化预测性能与环境影响之间的关系，我们计算了每精度点排放（EAP），这是一个将总排放与所获精度联系起来的碳效率指标，从而能够直接比较不同模型的可持续性。

本文在三个方面超越了先前的研究。首先，我们进行了系统性文献综述（SLR），以提供对现有碳足迹测量工具的结构化比较分析，讨论它们各自的优势和局限性。其次，我们引入了一个完全可重复的实验设置，使用CodeCarbon来测量深度学习生命周期不同阶段的碳排放。第三，我们提出了一个包含六种代表性深度学习架构的基准测试，该基准测试同时报告了预测性能和各个阶段的碳排放。

第2节（https://arxiv.org/html/2608.09998#S2）通过SLR和映射方法论，对绿色AI的相关研究进行了基础性综述。在此基础之上，第3节（https://arxiv.org/html/2608.09998#S3）考察并比较了现有的用于测量AI模型碳足迹的工具。为了获得实践见解，第4节（https://arxiv.org/html/2608.09998#S4）对深度学习模型进行了计算分析，描述了所选模型、实验环境和数据探索程序。

第5节（https://arxiv.org/html/2608.09998#S5）量化了所评估DL模型的碳足迹，既包括总体排放，也包括各个生命周期阶段的排放，以找出对排放贡献最大的阶段。随后，第6节（https://arxiv.org/html/2608.09998#S6）探讨了这些结果的更广泛影响，强调了模型性能与环境可持续性之间的权衡。第7节（https://arxiv.org/html/2608.09998#S7）讨论了可能对研究有效性构成威胁的因素。

最后，第8节（https://arxiv.org/html/2608.09998#S8）总结了主要发现，并概述了可持续AI实践的未来研究方向和发展方向。

## 2 文献综述

关于绿色AI的现有文献表明，已经提出了多种方案，包括对DL和AI算法的优化。以下部分概述了关于绿色AI模型开发和算法优化技术实施的关键研究。它首先概述了研究方法，然后定义了绿色AI和绿色深度学习，并讨论了相关的优化方法。

### 2.1 研究方法

本综述调查了绿色AI和绿色深度学习研究的现状，特别侧重于量化AI算法碳足迹的研究。为实现这一目标，我们按照系统综述和元分析首选报告项目（PRISMA）框架[Prisma2021]进行了系统性文献综述（SLR）和映射研究。这种方法提供了对文献的结构化综合分析，能够识别关键趋势、研究空白以及绿色AI研究的整体格局。

该映射研究解决了以下映射问题（MQ）：

- MQ1：过去十年（2015–2025年）发表了多少关于绿色AI或绿色深度学习的研究？
- MQ2：在绿色AI背景下，通常使用哪些工具来测量AI算法的碳足迹？

指导本综述的研究问题（RQ）如下：

- RQ1：已经提出了哪些策略来通过减少碳足迹来增强AI技术的可持续性，并且这些策略在减轻AI算法对环境的影响方面效果如何？
- RQ2：目前存在哪些用于量化AI算法碳足迹的工具？

通过系统地解决这些问题，本综述旨在综合关于绿色AI的现有知识，重点关注评估AI系统环境影响的研究，并对其方法论、发现以及对可持续发展的影响提供详细见解。

为收集相关文献，我们使用了以下数据库：IEEE Xplore、ACM数字图书馆和Scopus。Semantic Scholar也被作为补充性的以AI为重点的搜索引擎。我们制定并使用了以下搜索查询来识别过去10年（2015-2025年）的研究：

- •“Green AI” OR “Green Artificial Intelligence”
- •“Green DL” OR “Green Deep Learning”
- •“Carbon footprint tools”

所有检索到的记录均经过人工筛选，以去除重复和不相关的研究，确保最终选择的相关性和质量。表1（https://arxiv.org/html/2608.09998#S2.T1）展示了每个数据库中按主题找到的研究数量。

表 1：按主题和数据库检索到的文章数量

在确定潜在相关研究之后，我们进行了系统性文献综述（SLR）过程，如图1（https://arxiv.org/html/2608.09998#S2.F1）所示。

参见说明
图 1：本研究采用的系统性文献综述（SLR）过程概览

我们根据预定的选择标准[verdecchia2023systematic]手动选择研究。应用了以下纳入（IC）和排除（EC）标准：

IC1：该研究与绿色AI或绿色深度学习有关。
IC2：该研究与碳足迹测量有关。
IC3：该研究必须是同行评审的期刊文章或会议论文。

EC1：该研究是已纳入研究的重复或扩展版本。
EC2：该研究不是用英语撰写的。
EC3：该研究不可获取。
EC4：该研究与计算机科学无关。
EC5：该研究与研究问题不相关。

被选择的研究是原创的同行评审期刊文章或会议论文（IC3），这些研究关注绿色AI或绿色深度学习（IC1），或涉及碳足迹测量（IC2）。它们也不满足任何排除标准（EC1–EC5）。

图2（https://arxiv.org/html/2608.09998#S2.F2）提供了系统综述过程的详细PRISMA流程图。

参见说明
图 2：研究选择过程的PRISMA流程图

为确保全面覆盖，我们通过滚雪球法[snowballing]补充了数据库搜索，这是一种通过追踪引用链接来扩展初始研究集合（“种子”）的迭代方法。特别是，我们同时应用了反向滚雪球（检查已纳入论文的参考文献列表）和前向滚雪球（识别后续引用这些论文的文章）。这种双重方法有助于发现可能被基于关键词的搜索遗漏的研究。总的来说，这些步骤导致了额外22篇文章的纳入。

成功通过初步筛选和滚雪球阶段文章，进行了全面的全文审查。在此阶段，每篇文章都被仔细检查，以验证其与研究目标的相关性和一致性。这种详细评估确保了只有最相关和高质量的研究被保留在最终选择中。

在确定纳入文章集合后，我们对提取的数据进行了全面的分析和综合。从每项研究中收集了关键信息，包括所报告的AI环境影响、用于碳足迹估算的方法，以及所实施的优化策略。

基于此分析，我们解决了预定的研究问题。这一系统过程提供了对绿色AI和绿色深度学习研究现状的清晰图景，突出了测量和减轻AI算法碳足迹的挑战和策略，这将在后续小节中讨论。

### 2.2 绿色AI：定义与方法

在本节中，我们提供绿色AI的定义，并回顾其关键优化策略。

#### 2.2.1 定义

近期研究突显了针对绿色AI的研究正在快速增长，这是对人工智能日益增长的环境足迹的回应。Verdecchia等人[verdecchia2023systematic]指出，旨在提高AI模型能效的研究正在增加，反映出人们日益担心AI的环境成本最终可能影响人类福祉。

Wynsberghe[wynsberghe2021sustainable]引入的“AI的可持续性”概念，将其定义为一个寻求在AI产品整个生命周期中实现变革的理念。Natarajan等人[natarajan2022theoretical]扩展了这一视角，强调需要通过模型剪枝、高效学习算法和专用硬件等技术，在每一个阶段——设计、训练和推理——最小化环境影响。

这场辩论中的一个核心区别是“红色AI”和“绿色AI”之间的区别。正如Schwartz等人[schwartz2020green]所描述的，红色AI需要漫长的训练、海量数据集和能源密集型方法，导致高排放和对不可再生能源的依赖。相比之下，绿色AI模型旨在以更低的能耗、更小的数据集和更高效的训练策略实现可比较的结果，通常利用可再生能源来进一步降低碳成本[barbierato2024towards]。这种转变已在行业实践中显现：谷歌已承诺完全依靠24/7无碳能源运营。