问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
据科技媒体InfoWorld最新报道，海外技术团队通过应用懒日志、无效数据特征裁剪两项AI优化技术，在不影响用户体验的前提下，实现社交媒体推荐系统最高58%的能源成本削减，大幅降低了推荐场景的AI碳排放，为大模型落地的能耗优化提供了轻量化的可复用方案。
你每次在社交平台刷到的精准推荐内容，背后都藏着不小的能源消耗：随着全球社交平台用户规模突破40亿，每日数十亿次的feed流刷新请求，让支撑推荐逻辑的AI模型成了数据中心里的“能耗黑洞”，其碳排放规模甚至已经超过了部分国家的航空业年排放量。
据第三方行业统计，头部社交平台的推荐系统能耗普遍占到其数据中心总能耗的35%以上，每1000次用户刷新产生的碳排放，相当于一辆家用燃油车行驶1.2公里的排放量。过去十年，行业的优化方向始终集中在提升推荐准确率，为了追求0.1%的效果提升，甚至愿意增加10%的算力投入，大量日志数据被全量存储、数十项对推荐结果无影响的特征被重复计算，导致近4成算力被完全无效消耗。
这次公布的优化方案并没有更换算力硬件，也没有重构推荐模型的核心架构，而是针对两个被忽略的边缘环节做了裁剪：第一项是懒日志机制，也就是不再全量记录所有用户的交互行为，仅当用户的点赞、收藏、停留时长等交互符合预设阈值时才会上传存储，仅此一项就减少了47%的存储算力消耗；第二项是无效特征裁剪，技术团队通过多轮变量对照，直接删掉了21项对推荐准确率影响不足0.1%的用户特征，进一步降低了推理环节的算力负担。
两项技术结合的测试结果显示，推荐系统的总能源成本下降了58%，而推荐准确率仅下降了0.3%，用户几乎感知不到任何体验差异。技术团队负责人表示，此前行业普遍陷入了“越精准就要用越多算力”的误区，实际上超过40%的算力都消耗在了对推荐结果没有实际影响的环节，这部分浪费完全可以通过精细化运营避免。
这次的技术验证也给整个AI行业提供了新的思路：大模型的能耗优化未必都要靠先进制程芯片或是模型结构重构，针对落地场景的细枝末节做针对性裁剪，反而能实现极高的投入产出比。目前已有包括Meta、TikTok在内的多家头部社交平台，开始在其部分区域的推荐系统中测试相关优化方案，预计2025年全球社交平台的推荐系统总碳排放有望下降20%以上。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号