平衡可持续计算与为可持续性而计算

《Communications of the ACM》：Balancing Sustainable Computing and Computing for Sustainability

　　

计算日益在解决世界上最紧迫的环境、能源和社会挑战中发挥着重要作用，同时也因其自身的能源和资源成本加剧了这些问题。全球超级计算中心和结合高性能计算（HPC）、云平台以及专用加速器的超大规模数据中心，正在推动人工智能、医疗保健、天气预报、应急响应、先进制造、城市规划和交通等领域的突破。科学计算工作流和 AI 训练管道的日益复杂性和规模，对能源和其他自然资源提出了巨大需求。运行这些系统需要大量电力、广泛的冷却基础设施和专用硬件。结果，电子垃圾、能源效率低下、噪音污染、碳排放和高水耗等环境影响正在以前所未有的规模增加。这引发了人们对计算对环境和公众健康的广泛影响的担忧。

平衡可持续计算的目标（最小化数字基础设施的环境足迹）和面向可持续性的计算（应用计算工具解决紧迫的环境可持续性挑战）需要协调的多学科行动。这包括来自不同领域的专家之间的合作，包括计算机科学和工程、环境科学、电力系统、社会科学、政策制定和工业界。最近的技术进步使计算研究处于独特的位置，能够交付整体解决方案，减少 AI 和 HPC 的资源需求，同时放大其社会效益。例如，硬件和软件的创新可以减少数据中心的能源消耗。新的能源模型，如碳感知计算，可以分发 AI 驱动的工作流，以更有效地利用可用的低碳、可靠且经济实惠的能源资源。促进标准化程序以衡量计算的环境影响、可持续实践和能源使用透明度的政策框架，可以使计算行业与全球可持续性目标保持一致。

**最小化技术需求以最大化全球影响**

我们迫切需要针对整个计算 continuum（计算连续体），特别是 AI 和 HPC，在可持续硬件和软件方面的新研究和技术进步。新兴计算工作负载，特别是 AI，8 的快速发展和日益增长的需求，超过了能源和碳感知创新的开发速度。AI 和 HPC 工作负载的能源需求已超过电网容量，给基础设施带来压力，并造成了直接的环境权衡。8 正如随附图表所示，国际能源署预测，随着 AI 需求的增长，全球数据中心电力消耗将在 2024 年至 2030 年间翻一番以上，从 415 太瓦时增加到 945 太瓦时。6 如果没有相应的发电、基础设施和效率方面的改变，这种增长可能会增加碳排放和其他环境影响。然而，这些挑战也为创新提供了机会：一种平衡看似对立的目标——性能和可持续性——的机会。

**图。IEA 2025 年报告：全球数据中心电力消耗，按设备分类，基准情景，2020–2030。 (来源：IEA.org.)**

计算研究中的关键举措已经催化了重大转变，反映了我们论点的两个维度：改善计算本身的可持续性，以及利用计算推动其他部门的可持续性。例如，长期只关注准确性和性能的人工智能研究界，已经开始认识到效率和可持续性在 AI 模型开发中的重要性。修剪、数据减少、量化、模型压缩、超参数调整、条件推理和训练时间松弛等技术的新进展，使得 AI 模型更加高效。7,10 岩石山国家实验室（NLR）通过使用 HPC 和 AI 对能源系统进行建模和优化，促进可持续计算。2 这些模型指导电网效率的改进，并识别可再生能源方面的创新。同样，其他研究人员利用 AI 和 HPC 计算基础设施开发了新的环保材料，例如更可持续的塑料。这些看似不同却互补的努力不仅推动了可再生能源系统的效率，还通过开发可回收和生物基材料帮助减少环境污染。通过深思熟虑地将 AI 和 HPC 技术结合起来以优化能源系统并推动创新，它们的快速增长可以成为解决世界最紧迫环境挑战的强大力量。

**可持续计算、AI 和 HPC 的能源指标**

矛盾的是，能源效率可能会推动能源消耗增加，因为优化单位能源的性能往往无意中导致总体能源使用量增加，这种动态被称为杰文斯悖论。1 由 AI/ML 驱动的优化可以减少每次操作的能源消耗，从而带来更高的效率，但也增加了总体消耗。传统指标，如每瓦特千兆次浮点运算，无法捕捉可扩展性和总能源使用量，往往激励局部效率而牺牲整体可持续性。例如，Green500 能效排名 5 一直受到批评，因为它忽视了系统范围的能源消耗，从而倾向于小型系统而非大规模超级计算机，这意味着它可能无法指导实际的数据中心部署。

有效的指标对于理解能源使用、促进现有硬件使用的成本节约和性能改进、以及评估和验证新兴的可持续性创新至关重要。然而，定义好的指标可能具有挑战性。测量和报告碳足迹和资源使用的努力尚处于早期阶段，3,4 受到在计算系统整个生产生命周期和使用过程中一致地进行端到端指标收集困难的阻碍，以及有关公众或投资者反弹的担忧。解决这些障碍的关键步骤是标准化生命周期可持续性报告，将自动化的碳和能源遥测嵌入工作流，激励提供商进行透明披露，并创建共享数据集以验证新兴指标。此外，HPC 和云提供商追求快速的硬件更新周期，以引入大量浪费并防止隐含碳（即超出运营成本之外，在整个计算设备生命周期中产生的碳足迹，包括材料开采、制造、运输，甚至处置或回收）的摊销，以应对创新压力、运营能源目标和市场需求。

碳感知计算利用电网的时空碳强度、任务的资源使用情况、计算和网络组件的功率消耗率以及系统的整体碳足迹作为主要指标，根据低或零碳能源的可用性来调整工作负载。然而，现有方法受到可再生能源可用性有限、潜在的性能权衡、电网不稳定、能源储存不足以及更广泛政策问题的限制。由于今天的可再生能源基础设施无法可靠地支持 AI 和 HPC 工作负载日益增长的需求，当太阳能和风能不可用时，核能正重新成为可行的低碳选择。

仅靠软件和运营优化无法解决可持续性挑战。在 AI 和 HPC 中，大部分能源消耗和隐含碳源于专用硬件——特别是 GPU 及其密集的高速互连。实现长期可持续性需要通过硬件 - 软件 - 数据协同设计、能源比例系统、替代加速器、更高效的互连、更小但专用的 AI 模型设计以及冷却和设施工程的进步来重新思考 AI 架构。

**塑造面向可持续能源电网的计算**

支持其训练和推理的 AI 技术和 HPC 系统也在直接解决环境问题。9 今天，由 AI 和 HPC 驱动的应用加速了可持续农业的进步，识别了可持续生物燃料的新生物途径，并开发了使电池更高效或使可再生能源技术更可回收的新材料。这些计算应用（以及许多其他由 AI 驱动的创新）展示了先进计算技术如何推动解决环境问题的进步。

此外，越来越多的证据表明，仅关注能源效率不足以减少计算的环境影响。替代的碳感知计算策略增加了数据中心运营的灵活性，在时间和地点上转移工作负载，以与可再生能源来源的可用性保持一致。这些策略根据电网条件实时塑造能源需求，通过计算资源和能源电网之间的协调，提供了一种更平衡的可持续性方法。例如，将工作负载分布在可再生能源可用性高的地区的数据中心，或将其转移到可再生能源发电达到峰值的时间，可以产生显著的成本节约并减轻电网压力。所有主要云提供商在调度大型计算任务时都采用这种碳/能源感知策略来减少其碳足迹。

**定义未来路线图的可行问题**

我们正处于两个变革性趋势的交汇点：可持续计算和面向可持续性的计算。通过并排研究这些创新，我们可以释放乘数效应，实现远超两者独立潜力的成果。这一挑战不限于任何单一领域；它是整个计算社区的核心。平衡性能、创新和可持续性直接塑造了我们设计算法、构建系统和运营基础设施的方式。它也影响着计算全谱系的教育、政策和实践。通过正面应对我们领域的环境成本，并将可持续性嵌入计算的基础，我们可以确保未来的突破不仅更强大和高效，而且更负责任和具有影响力。作为在此关键交汇点催化此类进步的起点，我们提出以下关键问题。

?我们如何重新定义当前的能源效率指标以考虑系统规模，从而指导设计决策——并包括超越能源效率的可持续性措施？
?我们如何克服可能限制我们去碳化数据中心能力的能源传输限制，特别是在需求快速增长的情况下？
?集成智能工作负载适应策略和可再生能源的最佳方式是什么，以确保能源消耗与低碳电网容量相一致？
?我们如何使可持续性成为新兴 HPC 和 AI 工作负载设计、实现和部署中的首要关注点？
?我们能否定义一个统一的、全球可扩展的策略，以平衡通过 AI 进行知识创造、其对 HPC 系统的相应计算负载以及可持续性的紧迫需求？

解决这些问题将产生揭示工作流和设施规模下真实端到端能源使用的指标；支持连续 24/7 数据中心运营灵活电力交付的基础设施；动态协调计算工作负载与实时能源可用性的自适应调度器；以及协调全球方法，以调和快速的 AI 驱动发现与受限的能源需求。

虽然这些问题雄心勃勃，但已有进展的早期迹象使成功成为可能。主要云提供商的碳报告和碳感知调度的出现，采用超越 FLOPS 的能源效率基准来捕捉端到端、工作负载级别的能源成本而非简单的算术吞吐量，以及第一代可持续硬件举措的出现，表明该路线图的各个部分已经付诸实践。在计算连续体范围内扩展和统一这些努力仍然具有挑战性，但切实可行。

米凯拉·陶弗（Michela Taufer，[e-mail]）是美国田纳西大学诺克斯维尔分校电气工程和计算机科学教授。

钱德拉·克林茨（Chandra Krintz）是美国加州大学圣巴巴拉分校计算机科学教授。

伊丽莎白·布拉德利（Elizabeth Bradley）是美国科罗拉多大学博尔德分校计算机科学教授。

迈克尔·克劳利（Michael Crowley）是美国科罗拉多大学丹佛分校化学教授。

特夫基·科萨尔（Tevfik Kosar）是美国布法罗大学计算机科学与工程教授。

希德哈特·帕里达（Siddharth Parida）是美国恩布里德 - 里德尔航空大学工程学教授。

马苏德·帕尔瓦尼亚（Masood Parvania）是美国犹他大学电气与计算机工程学教授。

伊芙·斯库尔（Eve Schooler）是英国牛津大学可持续计算教授，地址：Oxford OX1 2JD。

乌特卡尔什·沙阿（Utkarsh Shah）是美国谷歌西雅图的高级能源数据科学家。

布罗尼斯·R·德·苏平斯基（Bronis R. de Supinski）是美国劳伦斯利弗莫尔国家实验室利弗莫尔计算的首席技术官。

亚当·维尔曼（Adam Wierman）是美国加州理工学院计算与数学科学教授。