艾伦研究所(Allen Institute)在2019年8月发表的绿色AI论文并非旨在使基于深度学习的AI更加环保。相反，该组织试图向希望进行深度学习独特研究的学术界提供希望。

大学可以优化深度学习过程的效率，而不是优化所有问题集的准确性，而这需要大量的计算资源和大量的电力公用事业预算。仔细地确定效率指标将带来使AI研究“在认知上更加合理”的附带好处。

作者说，总体目标不仅是使中型大学具有竞争力，而且甚至允许单个大学本科生使用笔记本电脑开发基于效率的程序，从而可以促进深度学习领域。

批评家说，这听起来很不错，但是根据当前趋势，学术界将始终落后于私人数据中心，即使在效率模型中也是如此。

罗伊·施瓦茨(Roy Schwartz)和他的合著者认为，其意图不应该是扼杀他们所谓的“红色AI”，这是他们对公司数据中心的称呼，它可以聚集大量资源进行蛮力尝试以提高神经网络的准确性。学习。相反，大学可以制定高度优化的项目，将其作为“绿色AI”的萌芽，在红色AI准确性证明的排行榜中插入效率实验。

AI论文倾向于以准确性而不是效率为目标。上图显示了来自顶级AI会议的60篇论文样本中以准确性，效率和/或两者为目标的论文所占的比例。

具体地说，作者建议浮点运算(FPO)是计算运算，其碳排放成本更高，用电量更大，并且实时操作有所扩展。如果学术研究人员专注于在深度学习实验中减少FPO，那么“绿色”结果将立即可见。

必须根据其他高能耗操作(例如总内存使用量)来考虑FPO指标。但是总体模型为实现绿色AI提供了第一步。