环境效率，节约型人工智能的第二个组成部分
节约型人工智能的第二个组成部分是能源效率，这是机器学习广泛应用带来的另一个重大挑战。实际上，一些研究人员现在正试图降低人工智能系统的电力消耗，尤其是人工神经网络的电力消耗，因为人工神经网络需要非凡的计算能力来处理数据。
因此，出现了诸如低功耗计算机视觉挑战赛之类的举措，这是一项旨在提高计算机视觉能源效率的年度竞赛。
2019年，艾伦人工智能研究所的研究人员呼吁开发更高效、更具包容性的人工智能，从而进入绿色人工智能研 墨西哥号码采集 究领域（绿色人工智能认为，环境效率与准确性同等重要，可以评估系统的性能），以区别于红色人工智能（红色人工智能寻求使用大量计算能力获得高度可靠的结果）。这意味着人工智能的开发、培训和运行成本将足够低，以“使任何有灵感的本科生用一台笔记本电脑就能写出高质量的研究论文”。
事实上数据密集程度较低的算法耗能也会较低
但对节俭的追求更进一步。
正在探索的路径之一是神经形态计算，它从人类大脑的结构和功能中汲取灵感，因为它特别有效，可以彻底重新 为什么要参加 会议提供专家主导的研讨会 思考支持深度学习的物理架构。
因此，神经形态芯片模拟生物神经元和突触，
成为众多研究项目的主题
其中最引人注目的是 IBM、英特尔或高通等电子和计算机行业巨头。与传统芯片不同，计算和存储单元彼此靠近，从而减少了数据传输，从而减少了能耗和延迟。
IBM 的 TrueNorth芯片将 100 万个可单独编程的神经元和 2.56 亿个可单独编程的 西班牙比特币数据库 突触关联在一起，分布在 4,096 个并行和分布式内核上，这些内核通过片上网状网络相互连接。据称，该芯片的功耗比同等大小的传统处理器低一千倍。