Modest, artistic, and radical solutions to the environmental impact of image-generating machine learning
本文批判了机器学习图像生成背后隐藏的环境成本，并提出了一种结合技术创新（如不精确计算和微型模型）与伦理设计及真实成本核算的跨学科方法，以开发激进且可持续的替代方案。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心问题：“数字饕餮”
想象一下，互联网和人工智能（AI）是一个巨大且饥肠辘辘的怪兽。我们经常告诉自己这个怪兽很“高效”，因为它做事情比人类快得多。但本文的作者认为，这种高效其实是一个骗局。
这就像是一辆汽车，虽然每加仑汽油能跑很长的里程（燃油效率极高），但正因为运行成本太低，导致每个人都去买了一大队这样的车，并且全天候 24 小时不停地驾驶。结果呢？你消耗的总汽油量反而更多了。
论文指出，虽然 AI 在单项任务上节省能源的能力可能略有提升，但那些构建 AI 的公司只专注于赚钱，因此他们只会建造更大、更贪婪的数据中心来处理更多的任务。这个怪兽正在吞噬大量的电力、水资源（用于冷却）和土地。论文暗示，如果我们继续保持这种速度，为了维持 AI 的运转，我们可能需要把半个地球都铺满发电厂，这会在 AI 做出任何“邪恶”行为之前，先让我们人类灭绝。
“深度伪造”的思想实验
为了展示情况有多糟糕，作者们设想了一个科幻反派（类似于《碟中谍》中的“实体”），他想要用虚假视频欺骗全世界。
- 数学逻辑： 仅仅制作一张虚假图像会产生少量的碳污染。但制作一段视频呢？那就像每秒钟都在燃烧大量的煤炭。
- 结果： 如果这个反派试图欺骗全球哪怕只有一小部分人，制造出的污染量将等于一座煤电厂一整年的产量。
重点不在于 AI 本身是邪恶的，而在于我们目前构建 AI 的方式在物理层面上是不可持续的。
“反弹效应”：为什么“效率”会失效
论文指出了一种有趣但令人悲哀的循环，称为反弹效应（Rebound Effect）。
- 循环过程： 工程师研发出了一款耗能更低的芯片。太棒了！但由于它更便宜、更快，公司转而用它来运行更复杂的程序。人们也买了更多配备这种芯片的手机。最终，我们使用的总能量比以前更多了。
- 类比： 这就像买了一个超高效的吸尘器。你并没有因此减少吸尘的次数，反而因为“吸尘太容易了”，决定每天把整个社区都吸一遍。
解决方案：“微型”与“适度”的 AI
作者们建议，与其试图建造一个更大、更快的怪兽，不如建造一种“微型 AI”。他们提出了三个主要途径：
降低分辨率（“模糊照片”法）：
目前的 AI 试图追求完美，计算精确到许多位小数。作者建议我们接受“足够好”的结果。这就像拍一张略微模糊的照片，而不是 8K 超高清照片。你会节省大量能源，而且对于许多艺术或创意任务来说，这种模糊感并不影响使用。小型模型（“口袋计算器”对比“超级计算机”）：
与其在整个互联网的数据上训练一个模型（这需要巨大的能量），我们可以针对特定的少量内容来训练一个“小型语言模型”（SLM）。这就像在口袋里揣着一个计算器，而不是随身携带一台超级计算机。它不能做所有事，但它能完成你的需求，且不会烧掉整座房子。伦理成分（“从农场到餐桌”法）：
大多数 AI 是通过“抓取”数据进行训练的——即未经许可从互联网上窃取图片和文本。作者提出了一个“慢 AI”项目。想象一位厨师拒绝使用大型工业工厂，而是请求邻居们带上自己亲手烹饪的菜肴来一起炖汤。
- 该项目： 他们正在构建一个微型图像生成器，它使用一个非常小且经过精心策划的数据集（如纺织品和书法），这些数据是由博物馆和社区成员捐赠的。
- 转折点： 他们希望这种 AI 具有“去殖民化”色彩。他们计划强制要求 AI 在输出中始终包含对巴勒斯坦的引用（例如西瓜的图像），以挑战 AI 观察世界时通常存在的偏见。
艺术目标：“简朴”之美
作者们是艺术家和学者，而不只是工程师。他们想要展示限制也可以是美丽的。
- 与其拥有一个可以生成百万张完美图像的 AI，他们想要的是一个能根据一个小社区的输入，生成一些奇异、惊喜且独特的图像的 AI。
- 他们称之为“优雅降级”（Graceful Degradation）。这就像一位爵士乐手，演奏出一个简单、不完美的音符，这比电脑生成的完美交响乐听起来更具人性与真实感。
总结
论文得出结论：只要公司仍然受利润和“股东资本主义”驱动，他们就会不断建造更大、更肮脏的 AI。真正的解决方案在于改变我们的心态：
- 停止索求“更多”，开始接受“足够”。
- 为电力定价，让公司真正感受到他们制造污染所带来的成本。
- 拥抱“微型机器学习”——即那些规模小、速度慢、针对性强的模型，而不是庞大、快速且贪婪的模型。
简而言之：我们需要停止喂养数字怪兽，转而开始耕耘一片小巧、可持续的园林。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。