对比学习的直觉很简单：同一个对象经过裁剪、颜色变化或噪声处理后，表示应该仍然接近；不同对象的表示则应当能够区分。它让模型从没有人工标签的大量数据中学习通用特征，随后只用少量标注完成分类、检索或缺陷识别。
但“少标注”不等于“少计算”。有些方法依赖大批量、多个增强视图和较长训练周期。绿色AI提出的核心问题是：除了报告最好精度，还应报告得到这项提升付出了多少计算资源。
## 对比学习为什么容易变贵
以图像任务为例，每张原图通常生成两个增强视图，再分别经过编码器。一个批次的前向与反向计算因此扩大，模型还要比较样本之间的表示。SimCLR研究显示，大批量和更长训练能改善结果，这也提高了硬件与能源需求。
MoCo用动态字典和队列保存较多负样本，不必把它们全部塞进同一个超大批次。BYOL则不依赖显式负样本，而是让在线网络预测目标网络的表示。它们改变了训练结构，但都不是“免费精度”：队列、额外编码器、参数更新和实验搜索仍有成本。
因此，评价方法不能只比较最终分数，还要说明模型规模、图像分辨率、训练步数、硬件、运行时间和下游任务收益。
## 绿色应用从任务边界开始
假设工厂有大量未标注零件照片，只有少量缺陷标签。团队可以用对比学习预训练编码器，再用少量标注微调。绿色方案不会先追求最大模型，而会先回答：现有预训练模型是否已经足够，目标缺陷需要多高分辨率，新增一轮预训练能减少多少标注或提高多少召回。
若现成编码器在目标域表现良好，复用并冻结大部分层通常比从头训练更节省。若必须域内预训练，可以从小规模子集和较低分辨率开始，确认增强策略有效后再扩大。盲目开展大量超参数搜索，常常比正式训练消耗更多。
增强也要符合语义。零件旋转可能合理，左右翻转却可能改变装配含义；过强颜色变化可能抹掉真实缺陷。选择错误增强不仅浪费计算，还会让模型学到错误不变性。
## 六个可执行的降耗杠杆
第一，复用公开预训练权重，并先测试线性探测结果。第二，根据任务细节选择最低可用分辨率。第三，用MoCo式队列等机制降低对超大批次的依赖。第四，使用混合精度、高效数据加载和硬件利用率监控，减少设备等待。
第五，设定早停与实验预算。每次实验预先定义要验证的假设，若验证指标不再改善就停止。第六，把训练后的推理成本也纳入选择。某个编码器训练得很省，却在数百万次日常推理中耗电更高，生命周期总成本仍可能更差。
CodeCarbon等工具可以根据运行时间、硬件功耗和电力碳强度估算排放。估算并不完美，但能让实验之间有一致记录。更直接的指标还包括千瓦时、GPU小时、每瓦吞吐，以及每提升一个百分点所需的能量。
## 防止“效率提高反而用得更多”
当一次训练变便宜，团队可能同时启动更多实验，最终总能耗上升。这是效率反弹。解决方法不是停止优化，而是给项目设总预算，并减少没有明确假设的重复运行。
绿色AI也不能只看碳排数字。不同地区电力结构不同，硬件制造和闲置资源难以完整计算。公开测量范围、假设和缺失项，比给出一个看似精确的单一数字更诚实。
对比学习最有价值的绿色应用，是用一次合理规模的表征学习，长期减少标签、训练和下游样本需求。精度、计算和实际任务收益一起报告，才能知道模型是在真正提高效率，还是只把资源消耗藏在了预训练阶段。
## 参考资料