我们能否让人工智能减少能耗？这些研究人员正在努力

摘要：在2024年11月，美国联邦能源监管委员会（FERC）拒绝了亚马逊从萨斯奎汉纳核电站直接获取额外180兆瓦电力的请求，理由是此举损害了其他用户的利益，违反了电网服务的公平性。与此同时，美国电力需求经历显著增长，尤其受到数据中心的推动，部分原因是先进人工智能模型

#头条精品计划#

在2024年11月，美国联邦能源监管委员会（FERC）拒绝了亚马逊从萨斯奎汉纳核电站直接获取额外180兆瓦电力的请求，理由是此举损害了其他用户的利益，违反了电网服务的公平性。与此同时，美国电力需求经历显著增长，尤其受到数据中心的推动，部分原因是先进人工智能模型的能源需求增加。这个趋势的起点可以追溯到2012年“AlexNet时刻”，当时多伦多大学的研究团队开发了一个卷积神经网络（CNN），用于ImageNet视觉识别挑战赛。AlexNet网络具有超过6000万参数和65万个神经元，规模庞大，训练时面临挑战，因此团队将训练分配到两个GPU上，以应对其复杂性。

在2024年11月初，美国联邦能源监管委员会（FERC）拒绝了亚马逊直接从位于其数据中心附近的萨斯奎汉纳核电站获取额外180兆瓦电力的提议。拒绝的理由在于，直接购买电力与其他用户的利益相悖，因为这绕过了为所有消费者平等服务的既定电网系统。

近年来，美国的电力需求几乎停滞了近二十年。然而，情况发生了显著变化，负荷预测显示出明显的增长。“根据你选择相信的数据，它们要么在飞速上涨，要么在快速增长，”FERC委员马克·克里斯蒂如是说道。这一需求激增部分归因于数据中心，由于先进人工智能（AI）模型的运作，它们对能源的需求日益增加。

这一趋势的催化剂可以追溯到人工智能发展中的一个关键时刻，即“AlexNet时刻”。2012年，来自多伦多大学的AI研究人员亚历克斯·克里兹赫夫斯基、伊利亚·苏茨克维尔和杰弗里·E·辛顿专注于为ImageNet大规模视觉识别挑战赛（LSRVC）创建一个卷积神经网络（CNN）。该挑战的目标是构建一个能够对来自超过一百万张标记图片的庞大数据库进行分类的AI系统。这一任务的复杂性要求开发出比以往研究团队所尝试的更大规模的神经网络。以主要研究者的名字命名的AlexNet网络，包含多个层次，拥有超过6000万的参数和65万个神经元。然而，网络的庞大规模给训练带来了挑战，因为研究团队仅拥有几块配备3GB内存的Nvidia GTX 580图形处理单元（GPU）。正如他们的研究论文所指出的，AlexNet的规模过于庞大，无法由任何单一GPU处理，因此团队设计了一个解决方案，将训练过程分配到两个GPU上，各自处理一半的神经元。