美国麻省理工学院（MIT）研究人员进行的最新研究显示，如果自动驾驶汽车被广泛采用，那么将引入另一个未计算的碳排放源 —— 为它们提供算力的计算机大脑，可能会超过目前世界上的数据中心的排放量。
当然，这是以能够实现 L4 级或 L5 级自主的自动驾驶汽车为前提的，但麻省理工学院的三位研究人员说，他们建立的用于模拟自动驾驶汽车（AV）内的计算机的碳排放的框架应该引起人们对隐藏的碳成本的关注，并帮助汽车行业规划一个更绿色的未来。
麻省理工学院的研究人员表示，如果到 2050 年自动驾驶汽车可以获得高达 95% 的市场份额，假设全球 10 亿辆自动驾驶汽车每天平均行驶一小时，使用一台 840W 的计算机，一年将产生相当于 2018 年全球数据中心的总碳排放量。
根据国际能源署的数据，2018 年全球数据中心占全球碳排放的 0.3%，大约相当于阿根廷整个国家的排放量。
研究人员还发现，在超过 90% 的模拟场景中，为了使自动驾驶汽车的排放量不超过目前数据中心的排放量，每辆车必须使用低于 1.2 千瓦功率的车载计算机，这将需要更高效的硬件。如果 2050 年全球 95% 的车辆是自动驾驶车辆，计算工作量每三年翻一番，世界继续以目前的速度进行脱碳，研究发现硬件效率需要以至少每 1.1 年翻一番的提升来保持排放量在这些水平之下。
研究人员建立了一个框架来探索全球电动汽车车队上的计算机的运行排放，这些电动汽车是完全自主的，这意味着它们不需要一个后备的人类司机。
值得一提的是，该研究模型的变量中的每一个都包含很多不确定性，例如，一些研究表明，自动驾驶汽车的驾驶时间可能会增加，因为人们在驾驶时可以处理其它事情，年轻人和老年人可以驾驶更长时间。但也有研究表明，开车的时间可能会减少，因为算法可以找到最佳路线，让人们更快地到达目的地。
除了考虑这些不确定性之外，研究人员还需要对目前还不存在的先进计算硬件和软件进行建模。为了实现这一目标，他们对自主车辆的一种流行算法的工作负荷进行了建模，这种算法被称为多任务深度神经网络，因为它可以同时执行许多任务。他们探讨了如果这种深度神经网络同时处理来自许多相机的高帧率的高分辨率输入，会消耗多少能量。
当他们使用概率模型来探索不同的场景时，研究人员对算法的工作量增加得如此之快感到惊讶。例如，如果一辆自动驾驶汽车有 10 个深度神经网络处理来自 10 个摄像头的图像，而该车辆每天行驶一小时，它每天将进行 2160 万次推断（Inference），10 亿辆汽车将做出 216 千万亿（quadrillion）次推断。从这个角度来看，Facebook 在全球的所有数据中心每天都会进行几万亿（trillion）次的推断（1 quadrillion 等于 1,000 trillion）。
此外，他们的模型只考虑了计算机，并没有考虑到车辆传感器所消耗的能源或制造过程中产生的排放。
提高计算效率的一个方法可能是使用更多专门的硬件，这些硬件被设计用来运行特定的驾驶算法。此外，未来研究人员还可以使算法更加有效，需要更少的计算能力。
研究人员称，希望汽车厂商会把排放和碳效率作为重要的指标，在他们的设计中加以考虑。
热门专题
