法国AI初创公司Mistral AI以前所未有的透明度量化了人工智能的环境代价,发布了似乎是首个大语言模型的全面生命周期评估。该公司对其Mistral Large 2模型的详细分析显示,仅训练阶段就在18个月内产生了20,400吨二氧化碳当量排放,并消耗了281,000立方米的水资源。
这一披露正值企业面临双重压力之际——既要实施AI以保持竞争力,又要履行可持续发展承诺。该审计为决策者提供了先前被行业不透明所掩盖的具体数据点,使技术采用策略更加明智。
Mistral的评估数据展示了AI的资源密集性。训练这个拥有1230亿参数的模型需要相当于4,500辆汽油动力汽车运行一年的能源,而水资源消耗相当于填满112个奥运会标准游泳池。通过Mistral的Le Chat助手进行的每次查询产生1.14克二氧化碳当量,消耗45毫升水,大致相当于种植一个小萝卜。
更重要的是,分析揭示运营阶段对环境的影响更大。训练和推理占水资源消耗的85%,远超硬件制造或数据中心建设的环境成本。这种运营主导意味着随着模型使用规模扩大,环境成本会持续累积。
Mistral的研究确定了可行的环境影响减少策略。地理位置对碳足迹有显著影响,在可再生能源和气候较凉爽地区训练的模型排放明显较低。研究表明模型大小与环境成本之间存在强相关性,较大模型在等效token生成时的环境影响约高一个数量级。
这些发现提出了具体的优化方法。企业可以通过为特定用例选择适当规模的模型而非默认使用更大的通用系统来减少环境影响。分组查询的连续批处理技术可以最小化计算浪费,而在清洁能源电网地区部署模型可以大幅减少碳排放。
Mistral的披露策略与竞争对手有显著不同。虽然OpenAI首席执行官Sam Altman最近声称ChatGPT查询每次仅消耗0.32毫升水,但缺乏详细方法使有意义的比较变得困难。这种透明度差距为愿意提供全面环境数据的公司创造了机会,使它们能够在竞争中脱颖而出。
该审计确立了环境透明度作为企业AI市场的关键差异因素。随着可持续发展指标越来越影响采购决策,提供详细环境影响数据的供应商在企业销售周期中获得优势。这种透明度使更复杂的供应商评估成为可能,平衡性能需求与环境成本。
对技术高管而言,Mistral的审计提供了先前不可获得的决策标准。组织现在可以将环境影响纳入AI采购决策,与性能和成本等传统指标并列。这些数据使包含环境外部性的更复杂总拥有成本计算成为可能。
展望未来,环境性能可能与计算性能一样成为选择AI供应商的关键因素。现在建立环境会计实践的组织将随着监管要求扩大和利益相关者审查加强而处于有利地位。Mistral审计表明详细的环境测量是可行的,这可能使其他供应商在企业市场中的不透明度变得越来越站不住脚。
好文章,需要你的鼓励
数据分析平台公司Databricks完成10亿美元K轮融资,公司估值超过1000亿美元,累计融资总额超过200亿美元。公司第二季度收入运营率达到40亿美元,同比增长50%,AI产品收入运营率超过10亿美元。超过650家客户年消费超过100万美元,净收入留存率超过140%。资金将用于扩展Agent Bricks和Lakebase业务及全球扩张。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。
医疗信息管理平台Predoc宣布获得3000万美元新融资,用于扩大运营规模并在肿瘤科、研究网络和虚拟医疗提供商中推广应用。该公司成立于2022年,利用人工智能技术提供端到端平台服务,自动化病历检索并整合为可操作的临床洞察。平台可实现病历检索速度提升75%,临床审查时间减少70%,旨在增强而非替代临床判断。
上海AI实验室发布OmniAlign-V研究,首次系统性解决多模态大语言模型人性化对话问题。该研究创建了包含20万高质量样本的训练数据集和MM-AlignBench评测基准,通过创新的数据生成和质量管控方法,让AI在保持技术能力的同时显著提升人性化交互水平,为AI价值观对齐提供了可行技术路径。