绿色推荐系统：理解并减少人工智能驱动的个性化服务的碳足迹

《ACM Transactions on Recommender Systems》：Green Recommender Systems: Understanding and Minimizing the Carbon Footprint of AI-Powered Personalization

全球变暖加剧，推荐系统环境影响亟待评估。本研究复现2013与2023年ACM RecSys典型实验流程，对比传统模型与深度学习碳排放，发现后者单篇平均产生2909公斤CO2当量（相当于纽约至墨尔本单程航班或一株树260年固碳量），是传统模型的42倍。研究呼吁平衡算法进步与环保责任，推动可持续AI发展。

　　

摘要

随着全球变暖的加剧，评估和减少推荐系统对环境的影响变得日益紧迫。然而，推荐系统领域的研究人员几乎不了解、也没有关注或评估他们的工作对环境造成的影响。在这项研究中，我们通过重现典型的实验流程来分析推荐系统研究对环境的影响。基于我们的研究结果，我们为研究人员和实践者提供了指导，帮助他们如何最小化工作的环境足迹，并实现“绿色推荐系统”——即那些旨在降低能源消耗和碳足迹的推荐系统。我们的分析涵盖了2013年和2023年ACM RecSys会议上的79篇论文，比较了传统的“经典AI”模型与现代深度学习模型。我们为这两年的研究设计了代表性的实验流程，使用硬件能量计测量能耗，并将其转换为二氧化碳当量。研究结果表明，使用深度学习模型的论文产生的二氧化碳当量是使用传统模型的论文的约42倍。平均而言，一篇基于深度学习的论文会产生2,909公斤的二氧化碳当量——这超过了一个人从纽约飞往墨尔本的碳排放量，或者相当于一棵树在260年内吸收的二氧化碳量。这项工作强调了推荐系统及更广泛的机器学习社区迫切需要采纳绿色AI原则，在推动算法进步的同时承担环境责任，从而构建一个由AI驱动的个性化服务的可持续未来。