我們的個人計算機，只要一開機就有碳足跡，以去年一名Google實習生為例，建構了一套AI神經網絡，為了讓圖像顯現(xiàn)細節(jié)，他不斷增加神經網絡的復雜度，結果所耗用的電能，足夠一個家庭半年所需。。。

一套市面上的人工智能（AI）口語軟件，經過訓練了解人類的語言，成為可用的商品，在訓練期間，計算機運轉所花耗的電能，如果轉換成二氧化碳（CO2）排放量，相當五輛汽車壽命的總和，約280噸。

計算機的電源來自電廠，電廠燃燒煤、油、天然氣、或其他燃料發(fā)電，所排放CO2的重量，即是所謂的碳足跡（Carbon Footprint）。上面那套軟件的碳足跡，就是280噸。

碳足跡是怎么計算出來的？當然不是在工廠煙囪外面量出來的，而是根據(jù)多年經驗發(fā)展出的計算方式。每燃燒一個碳原子（C），就會產生一個二氧化碳分子（CO2），也就是除了原來的Ｃ，又增加了兩個氧原子（O），Ｃ的原子量為12，Ｏ為16，所以CO2的重量為12＋16Ｘ2＝44，為Ｃ的3.67倍。

每一種燃料都含有碳的成份，煤的含碳量約60%至80%，無煙煤更可能到90%，汽油與柴油含碳量約86%，石油、天然氣、別的燃料也都含不同的碳成份，所以：

燃料使用量Ｘ燃料含碳成份Ｘ 3.67＝ CO2排放量

以一家燃煤電廠使用70%含碳的煤為例，燃燒100萬噸的煤，也就是70萬噸碳，所產生的CO2約250萬噸，遠大過燃料本身的重量。

有人把我們日常生活的碳足跡算出來了。一個人從舊金山飛到紐約來回，碳足跡約0.9噸；一個人平均活動一年的碳足跡約５噸；一位美國人平均活動一年的碳足跡約16噸，為別國人的三倍；一輛美國汽車總壽命的碳足跡約57噸。

我們的個人計算機，只要一開機就有碳足跡，因為耗電不多沒有在意，但一旦用來訓練AI就不同了。以去年一名Google實習生為例，建構了一套AI神經網絡，把圖片影像展現(xiàn)得栩栩如生，為了讓圖像顯現(xiàn)細節(jié)，這名實習生不斷增加神經網絡的復雜度，結果所耗用的電能，足夠一個家庭半年所需。

美國麻州大學（UMass）研究生Emma Strubell作博士論文時，發(fā)現(xiàn)所設計的算法耗用電能的碳足跡高達35噸，相當一位美國人兩年的排放量，于是寫了一篇論文，七月底在意大利佛羅倫薩「計算語言協(xié)會」年會上發(fā)表，論述AI的深層學習、特別是自然語言的處理，務必要考慮所花耗的能源。

自然語言處理是近年AI的一大優(yōu)勢，但在訓練上花耗的能源，依結構的復雜、與調整的精細，有顯著增加。

Transformer是兩年前的協(xié)助寫作軟件，訓練的碳足跡僅87公斤，今年初升級，用神經網絡調整學習方式，不斷精致寫作功能（如作詩、作文），務使趨近完美。但訓練所耗用的電能，卻高達656，000千瓦小時（度），碳足跡也高達284噸，電費可高達300萬美元之譜。

Emma Strubell特別強調，像這類AI付出的巨大代價，卻與提升的質量不成比例，是否可避免，或在運算技術上大幅度提升運轉效益。幸好欣見Google上月宣布投資新的機器學習模型，能源的使用效率可以增加10倍。

除了AI會使用高額度能源，所有的技術都會留下碳足跡，以目前趨勢，到了2040年，全球20%碳足跡會來自技術。YouTube僅是一個播放影片的平臺，大家用來觀賞影視，但每年消耗能源的碳足跡卻高達110萬噸。數(shù)字器具雖小，龐大的數(shù)量加在一起，就了制造環(huán)保沖擊。

人的腦子思考與運算，不需要那么多能源，問題是如何制造跟人腦一樣的機器？