機器學習系統遵守4Ｍs最佳實踐可大幅減少碳排

機器學習技術已經逐漸被企業普遍應用，而機器學習所產生的碳排量，也開始成為關注的重點，Google在IEEE Computer所發表的機器學習碳足跡論文，透過準確的資料來評估機器學習的實際碳排量，並且提出4Ms原則，可降低使用能源100倍，減少碳排放量1,000倍，Google運用這些最佳實踐，將機器學習所占的總能源使用量，壓低在15％以下。

4Ms原則分別是模型（Model）、機器（Machine）、機械化（Mechanization）以及地圖最佳化（Map Optimization）。Google指出，選擇使用高效的機器學習模型架構，像是稀疏模型，可在提高機器學習品質的同時，還能夠降低3倍到10倍計算量。而機器指的是，與通用處理機器相比，使用針對機器學習訓練最佳化的處理器與系統，能夠將效能提高至2倍到5倍。

機械化的配置，讓資料中心的效率比企業本地端配置要高上不少，使用雲端運算可減少能源使用，碳排放量減少1.4倍到2倍，Google解釋，雲端資料中心是專為上萬臺伺服器設計的倉儲，因此可以達到非常好的電量使用效率（PUE），而本地端資料中心通常較老舊，規模也較小，無法攤銷新的節能冷卻和配電系統成本。

此外，地圖最佳化則是雲端可讓用戶選擇使用能源最乾淨的位置，進而將總碳足跡減少5倍到10倍，Google也解釋，不用擔心地圖最佳化會使得最環保的雲端地區，快速達到最大容量，用戶對高效能資料中心的需求，反而會驅動綠色資料中心設計和部署的進步。

結合這四種做法，可以使企業減少能源消耗達100倍，更可以降低碳排放量1,000倍。Google的總能源使用量每年都增加，而機器學習工作負載，和每次訓練執行的計算量也都迅速成長，但Google表示，運用這4Ms原則，很大程度彌補增加的負載，從資料顯示，在過去三年，每年機器學習訓練和推理，僅占Google總能源使用量的10％到15％，推理和訓練的比例大概是3：2。

Google使用Transformer模型作為例子，說明符合4Ｍs原則的機器學習運算，可大幅降低能源消耗和碳排放量。Google引用其他研究，對在Nvidia P100 GPU訓練Transformer模型的能耗估算作為基準，使用Google最近發布的Primer模型，能以低4倍計算量達到相同精確度，當使用新一代機器學習硬體TPUv4進行訓練，會比使用P100改進14倍的能耗，加上高效雲端中心比普通資料中心能耗效率高1.4倍，此外，使用低碳能源的資料中心，又可再減少9倍碳足跡，進而在4年內總共減少747倍碳足跡。