Meta CATransformers：AI助力减排新突破

5月15日科技新闻报道，Meta AI所属FAIR研究团队与佐治亚理工学院合作推出了一款创新框架——CATransformers，该系统将碳排放控制作为核心设计理念。通过整合模型架构优化和硬件性能提升，这一突破性进展显著降低了AI系统的总碳足迹，为推动可持续人工智能发展奠定了重要基础。

随着机器学习技术的广泛应用，从推荐算法到自动驾驶等领域的革新不断涌现，但其对环境的影响也日益凸显。这些系统需要依赖高性能计算资源和定制化硬件加速器运行，导致训练与推理过程中的能源消耗大幅增加，从而产生了显著的运营碳排放。

同时，硬件设备从生产制造到报废处理的全生命周期也会产生大量”隐含碳”，这对环境保护构成了严峻挑战。面对全球各行业加速推进AI技术应用的趋势，如何有效应对并降低这两方面的碳排放已成为当务之急。

目前的技术减排路径主要集中在提高运营效率方面，例如优化计算能耗或提升硬件利用率等。但这些方法往往忽视了硬件设计与制造阶段的碳排放问题，未能实现对模型设计与硬件效率的协同优化。

针对这一技术难题，Meta FAIR团队与佐治亚理工学院共同开发的CATransformers框架实现了创新突破。该框架将碳排放作为核心设计参数，运用多目标贝叶斯优化引擎对模型架构和硬件加速器进行综合评估，同时兼顾延迟、能耗、精度和总碳足迹等多个关键指标。

该框架在实际应用中取得了显著成效。例如，在保持模型性能的同时，通过优化硬件利用率和减少能源消耗，成功降低了AI系统的碳排放。这充分证明了将环境因素纳入AI系统设计的可行性与有效性。

参考链接

• CATransformers框架介绍

• 基于联合模型硬件优化的低碳Transformer技术