<p>在未來，全球自動駕駛汽車上運行強大計算機所需的能源可能會產生相當于當今世界所有數據中心的溫室氣體排放量。</p> <p>&nbsp;</p> <p>這是麻省理工學院研究人員的一項新研究的關鍵發(fā)現，該研究探討了如果自動駕駛汽車被廣泛采用，潛在的能源消耗和相關的碳排放。</p> <p>&nbsp;</p> <p>用于運行應用程序的物理計算基礎設施的數據中心以其巨大的碳足跡而聞名:根據國際能源署(International Energy Agency)的數據，它們目前約占全球溫室氣體排放量的0.3%，相當于阿根廷全國每年的碳排放量。意識到人們對自動駕駛汽車的潛在足跡關注較少，麻省理工學院的研究人員建立了一個統(tǒng)計模型來研究這個問題。他們確定，10億輛自動駕駛汽車，每輛每天行駛一小時，一臺消耗840瓦的計算機，將消耗足夠的能量產生與目前數據中心相同的排放量。</p> <p>&nbsp;</p> <p>研究人員還發(fā)現，在90%以上的模擬場景中，為了防止自動駕駛汽車的排放量超過當前數據中心的排放量，每輛汽車用于計算的功率必須低于1.2千瓦，這將需要更高效的硬件。在一種情況下&mdash;&mdash;到2050年，全球95%的車輛是自動駕駛的，計算工作量每三年翻一番，世界繼續(xù)以目前的速度脫碳&mdash;&mdash;他們發(fā)現，硬件效率需要每1.1年翻一番才能將排放保持在這些水平以下。</p> <p>&nbsp;</p> <p>&ldquo;如果我們只是保持現有的脫碳趨勢和當前的硬件效率改進速度，似乎不足以限制自動駕駛汽車上計算的排放。這有可能成為一個巨大的問題。但如果我們走在前面，我們就可以設計出更高效的自動駕駛汽車，從一開始就有更小的碳足跡。&rdquo;航空航天專業(yè)的研究生、第一作者Soumya Sudhakar說。</p> <p>&nbsp;</p> <p>Sudhakar與她的聯合顧問Vivienne Sze共同撰寫了這篇論文，Vivienne Sze是電氣工程和計算機科學系(EECS)的副教授，也是電子研究實驗室(RLE)的成員;以及航空航天副教授、信息與決策系統(tǒng)實驗室(LIDS)主任Sertac Karaman。這項研究發(fā)表在今天的IEEE Micro 1 - 2月刊上。</p> <p>&nbsp;</p> <p><span class="h1"><strong>建模的排放</strong></span></p> <p>&nbsp;</p> <p>研究人員建立了一個框架，以探索全球完全自動駕駛電動汽車車隊上計算機的運行排放，這意味著它們不需要備用的人類司機。</p> <p>&nbsp;</p> <p>該模型是全球車隊車輛數量、每輛車上每臺計算機的功率、每輛車行駛的小時數以及每臺計算機供電的碳強度的函數。</p> <p>&nbsp;</p> <p>&ldquo;就其本身而言，這看起來像是一個看似簡單的方程。但這些變量都包含很多不確定性，因為我們正在考慮一種尚未出現的新興應用。&rdquo;Sudhakar說。</p> <p>&nbsp;</p> <p>例如，一些研究表明，駕駛自動駕駛汽車的時間可能會增加，因為人們在駕駛時可以同時處理多項任務，年輕人和老年人可能會駕駛更多的時間。但其他研究表明，駕駛時間可能會減少，因為算法可以找到讓人們更快到達目的地的最佳路線。</p> <p>&nbsp;</p> <p>除了考慮這些不確定性之外，研究人員還需要對目前還不存在的高級計算硬件和軟件進行建模。</p> <p>&nbsp;</p> <p>為了實現這一目標，他們對一種用于自動駕駛汽車的流行算法的工作負載進行了建模，這種算法被稱為多任務深度神經網絡，因為它可以同時執(zhí)行許多任務。他們探索了如果這個深度神經網絡同時處理來自許多高幀率相機的許多高分辨率輸入，會消耗多少能量。</p> <p>&nbsp;</p> <p>當他們使用概率模型探索不同的場景時，Sudhakar驚訝地發(fā)現算法的工作量增加得如此之快。</p> <p>&nbsp;</p> <p>例如，如果一輛自動駕駛汽車有10個深度神經網絡處理來自10個攝像頭的圖像，并且該汽車每天行駛一小時，它每天將進行2160萬次推斷。10億輛車可以做出21.6萬億次推論。從這個角度來看，Facebook全球所有的數據中心每天都要進行幾萬億次推斷(1千萬億就是1000萬億次)。</p> <p>&nbsp;</p> <p>&ldquo;在看到結果后，這很有道理，但這并不是很多人關注的事情。這些車輛實際上可能會使用大量的計算機能力。他們有360度的視角看世界，所以我們有兩只眼睛，他們可能有20只眼睛，看遍所有地方，并試圖理解同時發(fā)生的所有事情。&rdquo;卡拉曼說。</p> <p>&nbsp;</p> <p>他說，自動駕駛汽車將被用于運輸貨物和人員，因此可能會有大量的計算能力分布在全球供應鏈上。而且他們的模型只考慮計算，沒有考慮車輛傳感器消耗的能量或制造過程中產生的排放。</p> <p>&nbsp;</p> <p><span class="h1"><strong>控制排放</strong></span></p> <p>&nbsp;</p> <p>為了防止排放失控，研究人員發(fā)現，每輛自動駕駛汽車需要消耗不到1.2千瓦的計算能量。為了實現這一目標，計算硬件必須以更快的速度提高效率，大約每1.1年效率就翻一番。</p> <p>&nbsp;</p> <p>提高效率的一種方法可能是使用更專門的硬件，這些硬件旨在運行特定的駕駛算法。蘇達卡爾說，由于研究人員知道自動駕駛所需的導航和感知任務，因此為這些任務設計專門的硬件可能會更容易。但車輛的使用壽命往往只有10年或20年，因此開發(fā)專用硬件的一個挑戰(zhàn)是&ldquo;面向未來&rdquo;，這樣它就可以運行新的算法。</p> <p>&nbsp;</p> <p>在未來，研究人員還可以讓算法更高效，這樣它們就需要更少的計算能力。然而，這也具有挑戰(zhàn)性，因為用一些準確性換取更高的效率可能會妨礙車輛的安全性。</p> <p>&nbsp;</p> <p>現在他們已經展示了這個框架，研究人員希望繼續(xù)探索硬件效率和算法改進。此外，他們說，他們的模型可以通過表征自動駕駛車輛的隱含碳(汽車制造時產生的碳排放)和車輛傳感器的排放來增強。</p> <p>&nbsp;</p> <p>雖然還有很多場景需要探索，但研究人員希望這項工作能揭示一個人們可能沒有考慮到的潛在問題。</p> <p>&nbsp;</p> <p>&ldquo;我們希望人們將排放和碳效率作為設計時考慮的重要指標。自動駕駛汽車的能源消耗非常關鍵，不僅是為了延長電池壽命，也是為了可持續(xù)發(fā)展。&rdquo;</p> <p>&nbsp;</p> <p>這項研究部分由國家科學基金會和麻省理工學院埃森哲獎學金資助。</p> <p>&nbsp;</p> <blockquote> <p>注：本文由院校官方新聞直譯，僅供參考，不代表指南者留學態(tài)度觀點。</p> </blockquote>