训练大型扩散模型（例如用于图像生成的模型）由于所需的计算资源而产生巨大的环境成本。这些成本主要来自能源消耗、硬件生产和长期资源消耗。 了解这些影响对于设计或部署此类模型的开发人员至关重要，因为它们直接导致碳足迹和电子垃圾。
最直接的环境成本是训练这些模型所需的能源。训练扩散模型涉及数千个 GPU 或 TPU 操作，持续数天或数周，通常在能源密集型数据中心中进行。例如，像 Stable Diffusion 这样的模型的单次训练运行所消耗的能量相当于为一个家庭供电数年。如果能源来源是化石燃料，则会导致大量的二氧化碳排放。研究估计，训练大型 AI 模型会排放数百吨二氧化碳，相当于几辆汽车的终生排放量。规模随着模型尺寸的增加而增长：像 Imagen 或 DALL-E 这样更大的架构需要更多的计算，从而加剧了能源消耗和排放。此外，重复的训练周期（例如，超参数调整）会成倍增加这些成本。
除了能源之外，硬件的生产和处置也会对环境造成危害。用于训练的专用 GPU 和 TPU 在制造过程中需要消耗大量资源，依赖于稀土金属和水。数据中心还需要冷却系统，这些系统会消耗大量的水——一个设施每年可能会使用数百万加仑的水。当硬件过时时，不正确的处置会导致电子垃圾，其中通常含有有毒物质。例如，人工智能研究中高性能芯片的寿命较短会加速周转，从而增加电子垃圾。即使是基于云的训练也会间接依赖于这个循环，因为提供商会经常升级基础设施以满足需求。
最后，长期影响源于对持续模型改进的需求。随着数据集的增长和架构的演变，重新训练变得司空见惯，从而延续了能源和硬件需求。缓解策略包括优化训练效率（例如，通过模型蒸馏或剪枝）、为数据中心使用可再生能源以及优先考虑硬件再利用。开发人员还可以利用碳感知调度等工具（在低排放期间进行训练）或选择更小、特定于任务的模型。虽然存在解决方案，但它们的采用需要技术团队的意识和优先排序，以便在创新和可持续性之间取得平衡。