機器學習專家訪談 Sasha Luccioni – 關於倫理 AI 與氣候影響的重點

TL;DR

Sasha Luccioni，Hugging Face 的研究科學家，說明了她如何衡量 AI 的碳足跡，領導 Big Science 碳足跡工作小組，並打造讓大型語言模型開發更透明且具環境責任感的工具。

背景與動機

Sasha 前往 Hugging Face 的道路始於語言學本科學位、以語言學為焦點的計算機科學博士，以及在金融領域的短暫工作。她辭掉高薪金融職位，投身「對社會正向的 AI」研究，最終在與創辦人 Thom 與 Clem 相遇後加入 Hugging Face，因為她相信他們的價值觀與她相符。

“我辭掉工作，因為再多的錢也不值得僅為了 AI 本身而工作；我想做更多。”

重要的當前專案

Big Science 透明化倡議

  • Big Science 計畫旨在將大型語言模型的開發從「黑盒」轉變為「玻璃盒」。
  • Sasha 擔任 碳足跡工作小組 主席，該小組將影響評估範圍擴展至 GPU 時間之外，涵蓋製造成本，甚至一封電子郵件的碳排放。
  • 她亦參與資料整理工作小組，優先處理多語言資料、謹慎的整理，以及移除不良的網路內容。

碳足跡工具

  • ML CO₂ calculator – 一個線上工具，使用者輸入硬體、訓練時長與地點，即可獲得估計的 CO₂ 排放量。
  • code‑carbon – 一個 Python 套件，可在模型訓練期間即時串流排放估計。
  • 針對主動減排的研究，例如在低碳區域安排訓練（水電的魁北克 vs. 煤炭密集的澳洲），可將排放量降低至最高 100 倍。

“選擇低碳雲端區域是一個簡單的提醒，能節省大量排放。”

為何地理位置對排放很重要

Sasha 強調全球的電力生成組合各不相同（例如法國的核能、加拿大的水電、澳洲的煤炭）。預設的雲端實例選擇常常忽視這點，導致隱藏的環境成本。

給機器學習團隊的實務建議

  1. 先測量 – 使用 ML CO₂ calculator 或 code‑carbon 來顯示排放量。
  2. 選擇低碳運算 – 許多供應商現在會標註區域的碳強度。
  3. 更改預設 – 將低碳選項設為預設，以運用提醒理論。
  4. 結合實際工作流程 – 確保模型輸出可解釋且可行（例如，基於衛星的野火警報必須觸發警報，而不僅是預測）。

機器學習在氣候解決方案中的應用

Sasha 共同撰寫了 《以機器學習應對氣候變遷》 論文（約 100 頁，25 位作者），內容包括：

  • 可再生能源預測 – 機器學習預測短期能源需求，以減少對柴油發電機的依賴。
  • 電池充電最佳化 – 基於天氣預報的預先充電。
  • 遙感 – 從衛星影像自動偵測森林砍伐與野火。

這些例子說明了機器學習如何 抵消 而非僅僅 增加 排放。

克服資料匱乏

  • 在蒙特利爾的湯廚黑客松中，Sasha 發現非營利組織往往缺乏任何資料。她舉辦了 數位素養工作坊，教導基本的資料收集（試算表、食物浪費追蹤）。一年後，廚房採用了簡易的庫存系統，減少了浪費，且未依賴大型 AI。
  • 關鍵教訓：在部署複雜模型之前，先從資料清潔與教育開始。

常見陷阱

  • 「AI 能解決一切」的心態 – 團隊可能打造高精度模型，但忽視整合（例如缺少使用者介面、電子郵件警報），導致解決方案停滯。
  • 缺乏跨領域外展 – 成功的氣候影響專案往往需要超越學術圈的網絡（例如與航空產業聯繫以開發減排演算法）。

有意義的工作與個人哲學

Sasha 依循日本概念 Ikigai（結合你熱愛的事、擅長的事、世界需要的事，以及能獲得報酬的事）。這指引她從金融轉至 Hugging Face，因為開源模型共享符合這四大支柱。

AI 可及性的願景

  • 讓非專家（記者、醫師、麵包師）也能使用 AI 是首要目標。她舉例說一位麵包師朋友好奇 AI 是否能提升麵包品質——這顯示了尚未開發的領域。
  • 如 AutoTrain 以及簡易的網頁介面等專案，可讓生物多樣性研究者在不具備深度機器學習專業的情況下，分類相機陷阱影像。

最喜愛的研究方向

  • AI 倫理 – Abeba Birhane 的論文探討研究者的價值觀（精確度 vs. 效率）如何塑造模型開發。
  • 全方位評估 – Sasha 目前的工作將模型評估範圍擴展至除精確度外，還包括效率、碳排放，以及跨資料子族群的公平性（例如性別‑色調風格分析）。

快速洞見

  • 數學基礎 – Sasha 希望自己能更早投入數學；扎實的數學基礎能加速模型構建的直覺。
  • 實作學習 – 從筆記本與個人資料集（例如花卉圖像）開始，而非使用像 MNIST 這樣的通用基準。
  • 社群影響 – 小規模專案（如為蒙特利爾昆蟲館開發的蝴蝶分類應用）能將研究轉化為具體的公共體驗。

個人興趣

在 AI 之外，Sasha 正在培養家庭花園，與孩子一起種植番茄、辣椒與黃瓜——這與她的計算工作形成了腳踏實地的對比。

聯絡方式：Twitter @SashaMTL 與個人網站 www.sashaluccioni.com。

如果您需要專屬的機器學習專家加速您的專案，請探索 Hugging Face 的 ML Experts 計畫，網址為 hf.co/support。

Sources