第二章.人工智能的能源 韩国政府最近更新了其国家可再生能源目标，计划到2030年实现100GW的可再 生能源装机容量，相比之前约70GW的目标有了显著增加 日本也在努力增加可再生能源。三菱研究所 建议日本的数据中心使用本地可再生能源运行，利用多余的可再生电力进行AI模型的训练 。AI训练工作可能需要几周的时间来完成. 协调大型训练任务的工具已经使用检查点来保存中间结果以确保容错。通过利用 这个现有的检查点机制，当电网的排放强度高时，可以暂停AI训练工作，以减少 排放和成本。此外，批处理大小和GPU功率限制等参数可以动态调整，以在仅适 推理可以在最终用户的设备上进行，以最小化延迟或保护隐私。常见的例子包括 语音转文本和光学字符识别。对于给定的AI模型，无论推理是在数据中心完成还 是在最终用户的设备上完成，执行的数学计算都是相同的。笔记本电脑和手机消 耗的能量少于典型服务器，尽管它们的计算能力也较弱。在效率方面，作为AI输 出与能源输入的比率，笔记本电脑和手机通常每次计算使用的功率比服务器多。 数据中心由于规模经济得到了高度优化。虚拟化和多租户导致了非常高的利用率 这提高了运营效率，并在更多用户之间摊销了硬件的嵌入式排放。运行在电池 供电的移动设备由于电池的往返效率低下而有能源开销。因此，将推理转移到终