長(zhǎng)期以來(lái)，電子垃圾(e-waste)一直是數(shù)據(jù)中心運(yùn)營(yíng)商在環(huán)境可持續(xù)性和社會(huì)責(zé)任方面面臨的一項(xiàng)挑戰(zhàn)。然而，圍繞人工智能的持續(xù)熱潮可能會(huì)使數(shù)據(jù)中心的電子垃圾問(wèn)題變得更加嚴(yán)重。

因此，現(xiàn)在數(shù)據(jù)中心運(yùn)營(yíng)商以及在數(shù)據(jù)中心內(nèi)部署人工智能工作負(fù)載的企業(yè)應(yīng)該開(kāi)始考慮電子垃圾管理策略了。若能未雨綢繆，他們就可以減少人工智能基礎(chǔ)設(shè)施造成的電子垃圾數(shù)量。

數(shù)據(jù)中心電子垃圾：基礎(chǔ)知識(shí)

電子垃圾是指任何類(lèi)型的不再使用并可能對(duì)環(huán)境造成危害的電子產(chǎn)品。數(shù)據(jù)中心的設(shè)備(如服務(wù)器、網(wǎng)絡(luò)交換機(jī)和電源裝置)可能含有鉛和汞等化學(xué)物質(zhì)。這意味著這些設(shè)備不再使用后有可能成為電子垃圾。

從環(huán)境可持續(xù)發(fā)展的角度來(lái)看，電子垃圾是有害的，因?yàn)閿?shù)據(jù)中心設(shè)備中的危險(xiǎn)化合物會(huì)滲入自然環(huán)境，對(duì)植物、動(dòng)物和人類(lèi)造成潛在危害。它還會(huì)對(duì)發(fā)展中國(guó)家的人民造成負(fù)面影響，因?yàn)檫@些國(guó)家往往是廢棄IT設(shè)備的最終歸宿。

人工智能會(huì)讓電子垃圾問(wèn)題變得更糟糕嗎?

和很多技術(shù)行業(yè)一樣，幾十年來(lái)，數(shù)據(jù)中心一直在在助長(zhǎng)電子垃圾的產(chǎn)生。但隨著越來(lái)越多的企業(yè)尋求利用人工智能，尤其是生成式人工智能，這一問(wèn)題可能會(huì)越來(lái)越嚴(yán)峻。

因?yàn)樯墒饺斯ぶ悄軕?yīng)用和服務(wù)必須經(jīng)過(guò)一個(gè)名為訓(xùn)練的過(guò)程，這個(gè)過(guò)程需要解析大量數(shù)據(jù)以識(shí)別模式。訓(xùn)練通常使用配備了圖形處理器(GPU)的服務(wù)器進(jìn)行。GPU的訓(xùn)練速度比傳統(tǒng)CPU快得多，因?yàn)镚PU具有更高的并行計(jì)算能力，這意味著它們可以同時(shí)處理更多數(shù)據(jù)。

在大多數(shù)情況下，人工智能訓(xùn)練是一個(gè)臨時(shí)或一次性的過(guò)程。人工智能模型一旦完成訓(xùn)練，就不需要再次訓(xùn)練，除非開(kāi)發(fā)人員想“教”它新的信息。這意味著，要想訓(xùn)練生成式人工智能模型很可能就要部署配備GPU的服務(wù)器，而對(duì)這些服務(wù)器的需求并不持續(xù)。

換句話說(shuō)，在訓(xùn)練結(jié)束后，企業(yè)啟動(dòng)并運(yùn)行了人工智能模型，對(duì)這些硬件的需求就會(huì)減少，因?yàn)槌擞?xùn)練人工智能模型之外，數(shù)據(jù)中心里GPU的用例并不多，而絕大多數(shù)組織都不需要經(jīng)常重新進(jìn)行訓(xùn)練。

從電子垃圾的角度來(lái)看，這有可能導(dǎo)致一些GPU或配備GPU的整個(gè)服務(wù)器的壽命明顯縮短。它們?nèi)阅苷９ぷ鳎赡軙?huì)因需求不足而被淘汰。

類(lèi)似的故事已經(jīng)在加密貨幣挖礦領(lǐng)域上演過(guò)了——GPU和其他專(zhuān)用硬件也很重要，因?yàn)樗鼈兘?jīng)常被用于挖礦。由于為加密貨幣挖礦而制造的設(shè)備幾乎沒(méi)有其他有用的用途，因此很多設(shè)備也都成了電子垃圾。

減少人工智能造成的數(shù)據(jù)中心電子垃圾

好消息是，有一些方法可以避免人工智能訓(xùn)練造成數(shù)據(jù)中心電子垃圾的大量增加。

其中一個(gè)關(guān)鍵步驟就是企業(yè)共享人工智能訓(xùn)練服務(wù)器。企業(yè)可以選擇“GPU 即服務(wù)”(GPU-as-a-Service)產(chǎn)品，這實(shí)際上是租用 GPU，而不是自己購(gòu)買(mǎi)配備 GPU 的服務(wù)器進(jìn)行訓(xùn)練。當(dāng)他們完成訓(xùn)練后，這些GPU就可以被其他需要訓(xùn)練模型的企業(yè)使用。這比擁有無(wú)需持續(xù)使用的GPU服務(wù)器更具可持續(xù)性，更不用說(shuō)成本效益了。

選擇使用預(yù)先訓(xùn)練好的模型，而不是從頭開(kāi)始構(gòu)建模型，是幫助降低人工智能電子垃圾風(fēng)險(xiǎn)的另一種方法。越來(lái)越多的模型可以從開(kāi)源項(xiàng)目中獲得，這些模型已經(jīng)過(guò)訓(xùn)練，無(wú)需任何類(lèi)型的專(zhuān)用數(shù)據(jù)中心基礎(chǔ)設(shè)施。

當(dāng)然，企業(yè)還應(yīng)該確保在不再需要人工智能服務(wù)器時(shí)對(duì)其進(jìn)行適當(dāng)?shù)幕厥栈蛱幚怼５诶硐肭闆r下，他們首先應(yīng)該盡量減少部署的服務(wù)器數(shù)量，因?yàn)檫@些服務(wù)器有可能在短時(shí)間內(nèi)成為人工智能電子垃圾。