Climate Change AI共同创办人:气候应用需要「小蜜蜂」而非「大象」
加拿大麦吉尔大学副教授、Climate Change AI共同创办人David Rolnick在台湾环境部于联合国COP31期间举办的论坛上提出,AI并非单一技术而是不同用途的工具集合。他用「大象与小蜜蜂」比喻大型生成式模型与专用小模型的本质区别,主张气候领域应以专用小模型解决多数问题,生成式AI应优先用于真正需要推理和生成内容的场景,并批评将生成式AI预设部署到所有服务的做法造成不必要的能源消耗。
加拿大麦吉尔大学计算机科学学院副教授、Climate Change AI共同创办人David Rolnick近日在台湾环境部于联合国COP31期间举办的「绿色算力与气候数字科技」论坛上提出一个核心判断:讨论AI与气候变化时,真正该问的不是「是否使用AI」,而是「什么问题该用什么样的AI」。
他用「大象与小蜜蜂」来比喻当前AI发展的两种方向。大型生成式模型如ChatGPT、Gemini、Claude是「大象」——规模庞大,需要大型数据中心,主要处理文字生成、影像合成、程序代码编写等通用任务。另一类AI是「小蜜蜂」——用于预测、分类、优化和科学计算的专用模型,例如分析卫星影像识别土地利用变化、预测野火风险、优化电网运作,不需要大型数据中心支撑。
Rolnick强调一个关键区分:这两类AI本质不同,不能简单理解为「把大型模型缩小」就能得到专用AI。他引用研究案例指出,大型语言模型可能具有兆级参数规模,而部分气候应用模型只需要百万级参数,两者相差数百万倍。对于特定科学问题,小型模型反而可能更有效率。
他的主张是,许多社会问题的AI应用应是少数「大象」加上多个「蜜蜂」的组合。多数问题由专用小模型解决,既能提升效率,同时降低不必要的能源消耗。以气候领域为例,目标若是预测下一小时的太阳能发电量,需要的是结合气象与能源数据的预测模型,而不是大型语言模型。
Rolnick进一步批评了一种正在蔓延的部署模式:高耗能AI功能被预设套用到日常服务中。他以Google搜索导入生成式AI摘要功能为例——用户并未主动要求每次搜索都使用生成式AI,但系统会自动产生AI摘要。他估算,若全球数十亿次搜索都采用这类功能,整体用电量可能相当于一座大型城市的住宅用电规模。
他认为问题不在单一模型耗电,而在于预设部署。生成式AI应优先用于真正需要推理和生成内容的场景,而非成为所有应用的预设方案。他建议AI发展应朝几个方向调整:推动更多中型计算资源让用户能通过个人电脑或边缘设备使用适合任务的AI;提高AI能源透明度,让开发者与用户了解不同工具、硬件与任务的能源成本;以及持续提升模型、硬件与数据中心的能源效率。
需要指出的是,这是一场论坛演讲中的归因论点,而非经同行评审的研究结论。Rolnick的「大象与蜜蜂」区分是一个有用的启发式框架,但两类AI的边界并非在所有任务上都清晰可辨。某些气候问题可能需要大模型的通用世界知识来整合跨领域信息,此时「蜜蜂」未必足够。他的核心贡献在于提醒从业者:从问题出发选择工具,而非从模型出发寻找应用场景。