科技媒體 marktechpost 昨日（5 月 14 日）發(fā)布博文，報道稱 Meta AI 旗下 FAIR 團隊攜手佐治亞理工學院，合作開發(fā) CATransformers 框架，將碳排放作為核心設計考量，通過聯(lián)合優(yōu)化模型架構(gòu)與硬件性能，顯著降低總碳足跡，為可持續(xù) AI 發(fā)展邁出重要一步。

機器學習技術(shù)的普及推動了從推薦系統(tǒng)到自動駕駛的革新，但其環(huán)境代價不容小覷。這些系統(tǒng)需要強大計算資源，常依賴定制硬件加速器運行，訓練和推理階段的高能耗直接導致運營碳排放攀升。

此外，硬件從制造到報廢的全生命周期也產(chǎn)生“隱含碳”，加劇生態(tài)負擔。隨著全球各行業(yè)加速采用 AI 技術(shù)，解決運營與隱含碳的雙重來源成為迫切需求。

當前減排方法主要集中于提升運營效率，例如優(yōu)化訓練和推理的能耗，或提高硬件利用率。但這些方法往往忽略硬件設計和制造階段的碳排放，未能整合模型設計與硬件效率的相互影響。

Meta 的 FAIR 團隊與佐治亞理工學院聯(lián)合推出的 CATransformers 框架，將碳排放納入核心設計考量。該框架通過多目標貝葉斯優(yōu)化引擎，聯(lián)合評估模型架構(gòu)與硬件加速器的性能，平衡延遲、能耗、精度和總碳足跡。

特別針對邊緣推理設備，CATransformers 通過剪枝大型 CLIP 模型生成變體，并結(jié)合硬件估算工具分析碳排放與性能。其成果 CarbonCLIP-S 與 TinyCLIP-39M 精度相當，但碳排放降低 17%，延遲控制在 15 毫秒內(nèi)；CarbonCLIP-XS 則比 TinyCLIP-8M 精度提升 8%，碳排放減少 3%，延遲低于 10 毫秒。

研究顯示，單純優(yōu)化延遲的設計可能導致隱含碳增加高達 2.4 倍，而綜合優(yōu)化碳排放與延遲的策略可實現(xiàn) 19-20% 的總排放削減，且延遲損失極小。

CATransformers 通過嵌入環(huán)境指標，為可持續(xù)機器學習系統(tǒng)設計奠定基礎(chǔ)。這表明，AI 開發(fā)若從一開始就結(jié)合硬件能力與碳影響考量，可實現(xiàn)性能與可持續(xù)性的雙贏。隨著 AI 規(guī)模持續(xù)擴大，該框架為行業(yè)提供了切實可行的減排路徑。