[论文解读] Unraveling the Hidden Environmental Impacts of AI Solutions for Environment

Anne‐Laure Ligozat, Julien Lefèvre+2 more|arXiv (Cornell University)|Oct 22, 2021

Energy, Environment, and Transportation Policies参考文献 22被引用 4

一句话总结

本文提出一种生命周期评价（LCA）框架，以全面评估人工智能绿色解决方案的环境影响，超越狭隘的碳足迹指标。研究指出，当前的人工智能绿色研究低估了包括材料使用和间接影响在内的全部环境成本，并认为LCA对于评估直接影响和潜在的反弹效应至关重要，尤其是在大规模部署的情况下。

ABSTRACT

In the past ten years, artificial intelligence has encountered such dramatic progress that it is now seen as a tool of choice to solve environmental issues and in the first place greenhouse gas emissions (GHG). At the same time the deep learning community began to realize that training models with more and more parameters requires a lot of energy and as a consequence GHG emissions. To our knowledge, questioning the complete net environmental impacts of AI solutions for the environment (AI for Green), and not only GHG, has never been addressed directly. In this article, we propose to study the possible negative impacts of AI for Green. First, we review the different types of AI impacts, then we present the different methodologies used to assess those impacts, and show how to apply life cycle assessment to AI services. Finally, we discuss how to assess the environmental usefulness of a general AI service, and point out the limitations of existing work in AI for Green.

研究动机与目标

• 为填补评估人工智能绿色解决方案全部环境影响（而不仅温室气体排放）的空白。
• 评估当前人工智能影响评估的局限性，这些评估往往仅关注能耗和碳足迹。
• 展示如何系统性地将生命周期评估（LCA）应用于人工智能服务，以捕捉全生命周期阶段的直接环境影响。
• 强调在假设大规模人工智能部署可带来环境效益时，反弹效应和第三层次社会影响的风险。
• 倡导将LCA整合到人工智能研究中，以确保环境收益不会被隐藏或间接的环境成本所抵消。

提出的方法

• 采用生命周期评估（LCA）作为核心方法论，评估人工智能服务的完整环境足迹，包括材料使用、能源消耗和报废阶段的影响。
• 通过LCA将基于人工智能的解决方案与参考的非人工智能解决方案进行比较，以确定净环境效益或劣势。
• 将LCA应用于归因型和后果型框架——尤其在预期大规模部署时，采用后果型框架以反映系统性变化。
• 识别并分析温室气体以外的关键环境影响类别，如资源耗竭、富营养化和毒性，使用既定的LCA指标。
• 使用现有工具和数据库（例如Ecoinvent）量化生命周期清单（LCI）数据，同时承认数据缺口的存在——特别是针对GPU和专用人工智能硬件。
• 建议人工智能界与制造商合作，提升数据透明度，类似于开放科学原则，以提高LCA的准确性。

实验结果

研究问题

• RQ1 人工智能绿色解决方案的全部环境影响（除温室气体排放外）是什么？
• RQ2 如何有效应用生命周期评估（LCA）来评估人工智能服务的环境足迹？
• RQ3 为何当前对人工智能绿色解决方案的评估系统性地低估了其真实环境成本？
• RQ4 大规模人工智能部署可能对环境产生哪些潜在的反弹效应和第三层次影响？
• RQ5 如何调整LCA以纳入人工智能在现实情境中采纳所导致的系统性和间接环境后果？

主要发现

• 当前的人工智能绿色研究主要关注能耗和温室气体排放，忽视了物料流动和间接影响，因此显著低估了环境影响。
• 生命周期评估（LCA）是一种稳健的方法论，能够全面捕捉人工智能服务在生产、使用和报废阶段的各类环境影响。
• 即使LCA显示净环境效益，这也仅反映技术潜力，可能因现实世界的行为、基础设施或系统性变化而无法实现。
• 人工智能解决方案的大规模部署可能引发非线性环境后果，例如对关键材料（如锂、钴）需求增加，或对化石燃料发电的依赖，而归因型LCA可能无法捕捉这些影响。
• 对于大规模人工智能应用，后果型LCA框架是必要的，因为它能反映市场和系统层面的变化，而简单的归因型方法则无法做到。
• 存在显著的数据缺口——特别是关于GPU和其他人工智能硬件的环境影响——限制了LCA的准确性，作者呼吁行业提高透明度以填补这些空白。