“节俭AI挑战赛”获胜者名单公布 🌱

社区文章 发布于2025年2月11日

image/png

AI行动峰会HuggingFaceData for Good France以及法国生态转型部合作举办的“节俭AI挑战赛”旨在促进开发节能型AI模型,以解决关键气候问题。在过去的一个月里,来自学术界和工业界的参与者受邀提交不仅性能高,而且能耗最小的模型,从而鼓励可持续的AI实践。

今天,我们公布获奖者!

为何选择节俭?

在此次挑战赛中,我们希望改变机器学习竞赛乃至整个AI行业中常见的叙事:不再仅仅追求性能。因此,我们开发了一个向所有人开放的挑战赛,旨在为特定用例开发能源效率高的创新算法。

那么,为何节俭如此重要?

  • 全球资源(人类对原材料/能源/水施加的压力)和本地资源(在特定环境中的部署)都受到限制。
  • 我们需要确保AI真正带来净收益(它能解决/减少的问题与它所付出的代价相比)。
  • 改变叙事——目前AI领域普遍强调“越大越好”——即参数越多的模型,性能越好。

挑战赛概述 🌎

本次比赛包括三个独立任务,每个任务都针对一个紧迫的环境问题:

🌱 在此任务中,节俭是一个必要条件,因为赞助商非政府组织 QuotaClimat 需要将此算法应用于数千小时的电视和广播转录数据,以大规模测量虚假信息,从而为监管机构提供数据。但使用闭源API扩展NLP算法可能需要数百小时,并花费数千美元。一个小型高效的模型可以实现此类分析。

  • 图像 - 森林火灾风险区域分类(由Pyronear赞助):利用现场摄像机图像,参赛团队创建模型来评估和分类易受森林火灾影响的区域,并定位烟雾的早期迹象。鉴于全球森林火灾的发生频率和严重程度不断增加,此任务旨在加强早期检测和预防策略。

🌱对于此任务,节俭不是一个可选项,因为模型需要在未连接到互联网的森林现场的小型树莓派计算机上运行。

🌱对于此任务,节俭也不是一个可选项,因为模型也需要在未连接互联网的区域运行。

在2025年1月的4周挑战赛中,我们收到了数百名参与者的极大兴趣。我们共收到了64份最终提交作品,涵盖所有3项任务。

如果您想浏览数据集并亲手开发模型,可以查看“节俭AI挑战赛”主页HF Hub页面

评估标准 📏

我们总共收到了64份提交作品,涵盖3项任务,并根据两个主要标准进行评估:

性能:模型在完成指定任务方面的准确性,根据隐藏测试集进行评估。

能源效率:模型训练和推理阶段的能耗,使用Code Carbon测量,Code Carbon是一个用于测量代码环境影响的开源软件包。

通过强调这两个指标,挑战赛鼓励开发不仅有效而且环境可持续的AI解决方案。

image/png

公布获奖者 🏆

我们很高兴地宣布2025年“节俭AI挑战赛”的获奖者:

气候虚假信息检测(文本):“一种轻量级SentenceBERT + MLP方法,以降低排放”

森林火灾风险区域分类(图像):“为善咨询”

非法森林砍伐检测(音频):“Quefrency守护者”

每个获奖团队都展示了模型性能和能源效率之间的卓越平衡,体现了“节俭AI挑战赛”的核心目标。

有关获奖方法的更多信息,请查看AI行动峰会可持续性分会场的获奖者演示文稿

展望未来 🚀

2025年“节俭AI挑战赛”的成功表明,在开发AI模型时,若能特别关注能源消耗和节俭,AI便有潜力为环境可持续性做出贡献。我们衷心祝贺所有获奖者,并感谢所有参与者的创新贡献。

我们将把所有数据集和评估标准都上传到Hugging Face Hub,希望这些能继续被其他人在黑客马拉松和项目中利用。

我们鼓励AI社区继续在模型开发中优先考虑节俭,确保技术进步与可持续发展价值观保持一致。

社区

感谢组织本次挑战赛!
感兴趣的朋友们,我们已经分享了文本类获奖提交的代码:https://github.com/D2KLab/frugal-ai-challenge-eurecom

我们还分享了针对不同方法的额外见解。

📻 🎙️ 嘿,我为这篇博客文章制作了一个播客,快来听听吧!

该播客由 ngxson/kokoro-podcast-generator 生成,使用了 DeepSeek-R1 和 Kokoro-TTS

注册登录以评论