Governing AI Data-Centre Resources Before Consumption: The ZERO Framework
本文介绍了 ZERO 框架，这是一种运营治理模型，它通过在工作负载执行前强制执行多资源可容许性约束，将 AI 数据中心的可持续性决策向游上游转移，从而优先考虑整体资源可用性而非事后效率指标。
原始论文采用 CC BY 4.0 许可（https://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
人工智能常被讨论为一个数字现象，一场由算法和数据在无形云端中进行的竞赛。但现实情况要物理得多。每当一个模型进行学习或回答问题时，都需要大量的电力来驱动处理器，需要水来为机器降温，以及需要原材料来构建支撑这一切的基础设施。随着这些系统的增长，它们正对地球资源造成巨大的压力。我们目前管理这种压力的做法通常是在事后进行的。我们建造数据中心，运行计算机，然后测量使用了多少能源或水。我们可能会尝试让过程更高效，但最初决定是否开始这项工作的决策却很少受到质疑。问题依然存在：仅仅因为我们“能够”进行一次计算，是否意味着现在、在这个特定的地点，考虑到当地的水位和电网状况，进行这项计算是有意义的？
独立研究员玛丽亚·科利亚（Maria-Kollia）提出了一种处理此问题的新视角，称为 ZERO 框架。这个名字不是一个缩写，也不承诺机器将完全不消耗任何东西。相反，它代表了一种时机的转变。该框架认为，我们必须在消耗任何资源之前，就对一项任务是否被允许运行做出明确的决定。它充当了一个守门员的角色，在计算机启动之前，先检查当地环境和工作的必要性。如果一个数据中心位于水资源供应极度匮ار的地区，或者当地电网不稳定，该框架建议应该停止或转移这项工作，即使该中心本身非常高效。这种方法将关注点从单纯衡量机器运行得有多好，转向了决定它是否应该运行。
其核心理念建立在一个简单的规则层级之上。首先，系统会询问这项计算是否确实必要。如果必要，它接着会检查这项工作是否可以用更少的电力或更聪明的方式来完成。只有在回答了这些问题之后，它才会考虑这项工作应该在哪里进行。该框架引入了一套严格的“硬性规则”，设施必须通过这些规则才能被视为一个可选选项。这些规则可能包括当地法律、安全要求或环境限制，例如用于冷却的最低水量。如果一个设施未能满足其中任何一项硬性规则，它会立即被排除在考虑范围之外。没有任何效率或低碳排放可以弥补未能达到这些基本安全或环境标准的缺陷。这是一个至关重要的区别，目前的管理方法通常试图在权衡之间寻找平衡，例如接受高耗水量以换取低碳排放。而 ZERO 则表示，如果水资源处于临界状态，这种权衡是不被允许的。
为了测试这种逻辑在实践中如何运作，作者创建了一个涉及三个不同数据中心的详细模拟实验。一个是本地设施，另一个拥有非常清洁的电力但位于水资源严重短缺的地区，第三个则拥有中等水平的电力，但有充足的水资源并具备回收利用产生的热量的能力。在标准场景下，一个仅寻找最低碳排放量的计算机程序会选择第二个设施，即那个拥有清洁能源的设施。然而，在 ZERO 框架下，该设施会因为其关键的水资源状态而被立即拦截。系统随后会查看剩余的选项，并选择第三个设施。虽然选择这个设施会多消耗一点电力来转移工作，但它避免了对水资源匮乏地区造成环境破坏。模拟显示，通过遵循这些规则，所选方案使用的水资源显著减少，并且产生的碳足迹也远低于仅仅在本地默认设施上运行的情况。
该框架还考虑到了情况变化的事实。一个今天早上还安全可用的数据中心，如果一小时后水资源下降或电网波动，可能就不再安全。该系统旨在在工作运行时持续检查这些状况。如果一个设施跨过了安全阈值，工作将被暂停或转移到另一个位置。这种持续监控确保了在开始时做出的决定在整个过程中始终有效。它还要求用于做出这些决策的信息必须是新鲜且可靠的。如果关于一个设施的水资源或电力状态的数据过于陈旧，系统会将该设施视为不可用，直到收到新的、经过验证的信息为止。这防止了系统基于过时的世界地图做出选择。
作者谨慎地指出，这是一个关于如何治理资源的提案，而非一个尚未在现实世界中经过测试的成熟解决方案。所呈现的结果是基于一个旨在展示逻辑如何运作的合成示例，而非为了证明该方法在每种情况下都能节省特定数量的能源或水资源。论文认为，目前管理人工智能基础设施的方式是不完整的，因为它在开始测量和管理资源之前，一直在等待资源已经被使用。通过将决策点提前，ZERO 框架旨在在浪费发生之前就将其阻止。它表明，最有效的可持续发展方式不仅是制造更好的机器，而且是在当地条件无法支持需求时，拥有说“不”或“不在那里”的权力。
这一构想的未来路径涉及一系列现实世界的测试。作者建议从使用历史数据的模拟开始，以观察这些规则在不同的天气或电网条件下表现如何。接下来的步骤将包括在“影子模式”下测试该系统，即在实际运行数据中心的同时运行该系统，仅提供建议而不实际控制机器。最终，受控的试点将在真实环境中测试该系统，不仅测量环境效益，还要测量运行此类治理系统的成本和复杂性。在这些测试完成之前，该框架仍然是一种思考问题的方法论，它提供了一套清晰的规则，以确保人工智能的增长不会以牺牲当地环境为代价。它是在呼吁将地球的物理极限视为数字进步的首要约束条件，而不是一个稍后才去管理的次要细节。
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。