Meta利用AI标准化并削减碳排放

快速阅读: Meta开发AI方法提升IT硬件供应链范围3排放估计质量，结合机器学习和生成模型分类硬件并推断PCF数据，促进排放报告标准化和数据质量提升，支持2030年净零排放目标。

Meta 开发了一种基于人工智能的方法，以提高其IT硬件供应链中范围3排放量估计的质量。该方法结合了机器学习和生成模型，用于分类硬件组件并推断缺失的产品碳足迹（PCF）数据。这项工作于2025年5月在开放计算项目峰会上展示，有助于推动排放报告标准化及采购和脱碳规划中所使用数据质量的提升。这还反映了越来越多地将AI技术应用于不仅衡量环境影响，而且帮助管理和减少数字基础设施领域内这些影响的趋势。

Meta 方法的核心是一个混合AI管道，旨在提高数据覆盖度和一致性。系统利用机器学习通过识别具有相似规格的组件来估算PCFs。同时，一个生成AI模型将硬件分类到范围3报告的共享分类体系中。这一分类模型解决了范围3报告中的关键问题：供应商之间组件命名和分类的不一致性。通过使用生成AI解析零件描述并将它们统一到共享模式下，Meta 实现了更一致的PCF分配，减少了类似硬件的重复披露。

这一结果是Meta 的设备群获得了更加完整和标准化的数据集。该方法支持通过iMasons气候协议和开放计算项目推动的开放标准努力，是Meta 2030年实现净零排放路线图的一部分。Meta 还开源了此过程中使用的分类模型，旨在鼓励供应链中的广泛采用，减少排放披露的重复工作。

虽然Meta 的工作集中在上游排放数据上，但AI在基础设施性能优化中的应用并不新鲜。谷歌早期与DeepMind的合作展示了如何通过强化学习减少数据中心的冷却需求。最近，该公司报告称2024年数据中心排放量下降了12%，归因于持续的AI驱动优化，包括冷却、工作负载分布和硬件利用率方面。微软也将AI定位为其可持续发展战略的核心部分，将机器学习应用于电力预测、电网感知的工作负载调度以及Azure数据中心的排放监测等领域。

与这些大规模、由AI驱动的系统相比，早期的努力通常依赖于开源工具，以更静态或建议的方式呈现排放数据。例如，Carbon Aware SDK 和 Cloud Carbon Footprint 等项目使开发人员能够根据电网碳强度估算能源使用并安排工作负载。然而，这些工具依赖预定义规则而非自适应学习。当前正在进行的转变是从被动可见性到主动发现和优化，AI系统根据实际环境信号做出连续决策。

无论是在硬件还是软件中应用，这些方法都依赖于获取高质量、机器可读的排放数据。开放计算项目的新的产品碳足迹报告模式就是一个例子，旨在标准化供应商在整个供应链中披露硬件排放的方式。Meta 的工作直接融入这一框架，提供了一种机制，可以大规模分类和推断缺失的数据点。

(以上内容均由Ai生成)