综述：机器学习模型退役、衰减或过时时的算法、软件和硬件研究

这篇综述系统探讨了AI系统全生命周期（从训练到部署推理）的能耗问题，提出了包含网格优化调度（grid-optimized scheduling）、资源高效架构（NAS）、能量感知算法（quantization/pruning）等六维度的可持续AI框架，并建立了能耗测量标准，为降低AI碳足迹（CO2e）提供方法论与实践指南。

　　

算法设计维度

神经架构搜索（NAS）通过自动化网络设计显著降低能耗，如Once-for-All框架仅需1200 GPU小时完成训练后，架构 specialization 仅消耗40 GPU小时。量化技术将32位浮点运算降至8/4位整数，配合混合精度计算（mixed-precision）可减少内存带宽需求。动态稀疏训练（dynamic sparsity）在ResNet-50上实现80%参数削减，保持92.4% top-5准确率。知识蒸馏（knowledge distillation）通过教师-学生模型传递软标签信息，结合剪枝（pruning）可压缩模型规模。高效注意力机制（efficient attention）采用局部敏感哈希（LSH）将复杂度从O(n²)降至线性。

软件优化策略

编译器运行时优化通过算子融合（operator fusion）减少数据迁移，DeepSpeed的ZeRO优化器提升3-5倍训练吞吐量。分布式计算采用异步梯度更新降低同步能耗，Horovod的ring-allreduce实现88%通信效率。边缘推理（edge computing）通过缓存中间激活值（caching activations）降低80%能耗，而云服务通过动态负载均衡提升25.9%能效。

硬件革新路径

专用加速器如ASIC/FPGA针对矩阵运算优化，神经形态芯片（neuromorphic computing）通过事件驱动设计实现超低功耗。内存中心架构（PIM）将计算嵌入存储单元，非易失内存（ReRAM/MRAM）消除刷新能耗。边缘设备采用能量采集（energy-harvesting）技术，太阳能驱动传感器实现间歇式推理。

全生命周期评估

地理负载迁移结合可再生能源预测，将训练任务调度至清洁能源充裕时段。模型压缩与硬件协同设计（co-design）减少数据搬移，如稀疏网络匹配密集模型性能时节省3.5倍参数。标准化碳核算需整合实时电网排放因子（如GPT-3训练产生502-552吨CO₂e），ESG框架引导资本流向绿色AI项目。

未来挑战与机遇

量子-经典混合计算可能突破训练能效瓶颈，而理论极限研究（如Landauer原理）将指导可逆计算系统设计。跨学科合作需建立涵盖矿物开采（embodied carbon）、电子废弃物的全生命周期评估（LCA）标准，推动AI向碳负（carbon-negative）目标演进。