训练一个模型要排放284吨二氧化碳？能源专家：没那么夸张

正文

请到「今天看啥」查看全文

以特斯拉的机器学习模型为例，尽管训练模型需要一定的消耗，但是一旦完成，目前有超过50万辆搭载这一神经网络芯片的汽车使用这一模型。

所以，在考虑训练神经网络产生的“碳债务“时，必须要考虑到实际执行的次数以及最终目标。如果我们把每辆特斯拉汽车都与一台油车比较，搭载神经网络芯片必然会提高汽车的运行效率，那么这类机器学习应用就很值得。

产生碳负债的模型能减少碳排放吗？

Michael Barnard认为，好的机器学习模型能从根本改变碳排放。之前，Michael Barnard写过一篇文章探讨机器学习模型CoastalDEM，用于判断海平面上升风险。

文章链接：

https://cleantechnica.com/2019/11/04/southern-florida-among-spots-at-greater-risk-due-to-sea-level-rise-finds-new-machine-learning-study/

在CoastalDEM之前，一直以来，判断海平面上升情况的传统方法是通过美国航空航天局（NASA）和国防部国家测绘局（NIMA）联合测量的SRTM数据，这种方法得出的海拔数据的正垂直偏差会大大低估沿海洪水的风险和暴露程度。

今年10月，Scott A. Kulp和Benjamin H. Strauss在自然科学期刊《nature communications》发表了一篇论文，题目为《CoastalDEM：使用神经网络从SRTM改进得到的全球沿海数字高程模型》。在预测海平面上升风险时，虽然CoastalDEM会带来相对高一些的碳负债，但是其得到的预测结果要比SRTM准确得多。

到2050年，传统模型预测的佛罗里达州南部海平面上升风险图示

使用CoastalDEM更新后的海平面上升风险图示

在这个案例中，CoastalDEM获取了北美卫星雷达沿海高程数据，并用来自激光雷达的地面实况对其进行了训练，同时使用澳大利亚激光雷达进行了验证，然后将应用范围扩张到全世界。

该模型仅执行了几次， 但最终得到的是调整后的沿海海拔静态数据集，该数据集已在全球范围内用于政策和气候行动计划。在这种情况下，Michael认为 CoastalDEM对气候变化的精准预测以及可供多次利用的结果，带来的价值超过了碳负债本身。

当然也有不少没什么用的模型。

请到「今天看啥」查看全文