GPT有多耗电，微软不说，谷歌暗踩

本文来自微信公众号：未尽研究 （ID：Weijin_Research），作者：未尽研究，头图来自：pexels

有好事者问ChatGPT，说说你的碳足迹吧。

它马上甩锅：“作为OpenAI开发的AI语言模型，我没有产生碳排放的身体或个人行为。”

然后振振有词地说：“是那些运行我的计算机和服务器干的。”

追踪碳足迹

谷歌发了一篇论文，建议这么算碳足迹：（训练阶段的电力消耗 + 推理阶段的查询次数×单次推理的电力消耗） × 数据中心单位电力消耗的二氧化碳排放量。也就是说，它消耗的电量，以及消耗的电的碳强度。

前者的影响因素很多。不同的模型、不同的算法、参数规模大小、处理器的数量和类型、处理器的算力与功率、数据中心的电源使用效率（PUE）等。有些指标可以测得，有些则需要推算。

后者则在很大程度上取决于电力的生产方式，风电、光伏、水电这些清洁电力往往有很强的地域性，并且不同时间不同季节发电出力也有区别。电网里输送的电力，既然包括煤电这些高碳排放的电力，也包括无碳排放的清洁电力，所以电网都有一定的平均碳强度。

大模型的碳排放可以分为训练与推理两大阶段，谷歌却选择只研究训练阶段。在谷歌以往三年的机器学习的能耗占比中，训练用了40%，推理用了60%。

AI初创公司Hugging Face前进了一大步。它发表的论文关注了大模型全生命周期的碳排放，包括了算力硬件产生的碳排放，但不包括原材料阶段与设备报废阶段。该公司的大型语言模型BLOOM，训练产生了25吨的二氧化碳，但全生命周期的碳排放量则翻了一番。

谷歌自夸的底气

谷歌认为学界低估了业界的努力，高估了大模型的实际碳排放量。

2021年和2022年，谷歌连发两篇论文，为行业正名，称尽管算力需求持续增长，但自己通过对模型（Model）、机器（Machine）、机械化（Mechanization）、位置（Map）的优化，大模型在谷歌整体碳足迹中的占比没有增加，稳定在10%~15%的区间。

谷歌硬凑了4个M，用大白话翻译一下，就是稀疏型模型的能耗比密集型更低，TPU等专用芯片的能耗比GPU更低，自动化管理和优化运算资源，大规模用上绿电的数据中心碳排放更低。

谷歌评估了五种自然语言模型的碳排放量，分别是T5、Meena、GShard、Switch Transformer和GPT-3。前四个都是谷歌的模型。GPT-3来自OpenAI与微软，谷歌暗暗踩了同行一脚。

GShard表现最佳。GShard的参数规模高达6190 亿，是GPT-3的1750亿的3.5倍左右，但消耗的能源反倒只是后者的1/ 53，净碳排放量更是只有后者的1/127。

谷歌解释称，这得益于GShard的稀疏型算法，它可以在不牺牲准确性的前提下，消耗更少的能源；而密集型算法中，大多数神经元都会被激活，消耗的能源大量增加。此外，模型越来越快，设备使用时间越来越短。2021年，谷歌发表第一篇论文时最新的模型，相比四年前的Transformer，在回答质量基本不变的前提下，速度提升了4.2倍。

谷歌还称，与别人家都在用的GPU相比，自家的TPU的性能功耗比在实战中更胜一筹。理论上，在V100上运行GPT-3的性能功耗比，要比在TPU v3上运行谷歌的模型好1.5倍；但实际测量下来正好相反，TPU v3平均是V100的2倍。V100是论文发表时主流的人工智能算力硬件。

云端计算很重要。云计算通过大规模的数据中心，提高电力使用效率，避免浪费闲置的算力。云在哪里计算更重要。云计算允许客户选择清洁能源最密集的区域，这才是谷歌最大的优势。

谷歌还画了一张图，为自己打分，证明自己一直在进步。但这幅图透露了谷歌的模型碳排放量低的最大秘密，正在于绿色能源的使用。如果以2017年的表现为基准，经过四年的持续改进，谷歌在能源消耗上的得分提升了83倍，在碳排放量上的得分，提升了747倍。

沉默的GPT

并不是只有谷歌踩了GPT-3一脚。GPT历代大模型已经成为大家对比的标杆。而且，它的碳排放量数据，几乎都来自这些竞争对手的论文。

Hugging Face说，我家的大模型BLOOM，参数规模1760亿，OpenAI家的大模型GPT-3，参数规模1750亿，大家不相上下，但训练BLOOM的碳排放量只是GPT-3的1/20。

Meta的论文，把BLOOM和GPT-3都列上了。训练四个不同参数规模的LLaMA大模型，碳排放量都要低于BLOOM，也就低于GPT-3。

还有好事者定期给ChatGPT算一笔碳账。他在自己的专栏Towards Data Science写道，参考规模类似的BLOOM执行推理的能耗（每次查询 0.00396 千瓦时），1月份在用户进行了5.9 亿次访问后，ChatGPT消耗的电力在110 万至 2300 万千瓦时之间。

上下限相差巨大，是因为他做了两大假设，每个假设分三档，共9个场景：ChatGPT 每次查询的耗电量，可能因为查询需求更密集而降低；每次访问的查询次数有高有低。

他自己也不满意这个计算。3月，他读到了另一篇估算ChatGPT推理的货币成本的文章。那篇文章假定，ChatGPT 每天有 1300 万用户，每人发出 15 个请求，这需要28936 个A100的算力。

他顺着这个思路估算，如果 ChatGPT 每天有 1300 万用户，每人发出 15 个请求，ChatGPT的每月用电量为 2316万千瓦时；如果需要28，936个A100，大概需要电力416万千瓦时。两个数据基本落在此前估算区间附近，他相信BLOOM碳足迹的论文、他的ChatGPT能耗推算，以及另一篇ChatGPT推理成本估算都有可取之处。

但他没有继续估算ChatGPT的碳足迹。因为随着算力需求的膨胀，ChatGPT 很可能需要调用部署在多地的数据中心的算力。但不同数据中心的电源使用效率不同，也就是同样算力需求，效率低的数据中心消耗的电力更多；此外，不同数据中心所在电网的平均碳强度也不同。按谷歌的论文，训练GPT-3，耗能1287兆瓦时，排放二氧化碳550吨。

透明、绿色

GPT的未来，正在遭遇外界夸大风险的反噬，但人们同样呼吁GPT增加透明度，包括公开碳足迹的信息。

GPT-4隐藏了参数规模等指标，更未提及其碳足迹。媒体批评大模型正消耗的能源，已经堪比加密货币挖矿。

全球科技巨头都在陆续承诺碳中和。微软承诺2030年实现负碳排放。谷歌则承诺到2030年实现所有数据中心7X24使用绿电。尽管科技巨头是全球最大的绿电采购者，但随着它们纷纷加快AI化，展开大模型的“军备竞赛”，产生的碳排放受到更多关注。

OpenAI暂未公开宣布有关减排的具体细节和计划。但似乎把锅甩给了微软，我只负责智能，微软负责减碳。

附：AI企业对旗下大模型碳足迹的研究论文的标题

Meta

Sustainable AI: Environmental Implications， Challenges and Opportunities，2022年1月

LLaMA: Open and Efficient Foundation Language Models，2023年2月

谷歌

Carbon Emissions and Large Neural Network Training，2021年4月

The Carbon Footprint of Machine Learning Training Will Plateau， Then Shrink，2022年2月

Hugging Face

Estimating the Carbon Footprint of BLOOM， a 176B Parameter Language Model，2022年11月

本文来自微信公众号：未尽研究 （ID：Weijin_Research），作者：未尽研究