对地球有益，对我有害？AI能源消耗披露的预期与非预期后果

文献标题

Good for the Planet, Bad for Me? Intended and Unintended Consequences of AI Energy Consumption Disclosure

出版信息

• 主题领域: 可持续人机交互（HCI）与人工智能能耗透明化。
• 关键词: 人工智能能耗、能耗披露、环保行为、行为引导、小型语言模型、大型语言模型、用户感知、安慰剂效应、可持续设计、道德许可。

背景与问题

• 问题/挑战: 人工智能的环境影响，特别是在推理阶段，十分显著，但缺乏透明度。由于对能耗需求的认知有限，用户无法就节能型人工智能模型做出明智选择。
• 重要性: 解决人工智能能耗问题对于可持续发展至关重要，因为推理阶段占总能耗的60%。透明化可以赋能用户做出环保决策，同时满足监管要求。
• 动机与相关研究: 先前研究强调了人工智能训练和推理的环境成本，但主要集中在技术解决方案上。能耗披露（ECD）在其他领域（例如欧盟能源标签）已被证明有效，但在人工智能领域缺乏实证验证。本文旨在通过探讨能耗披露对人工智能模型选择的行为和感知影响来弥补这一空白。

解决方案

• 提出的方法: 将能耗披露（ECD）作为一种选择架构干预措施，引导用户选择节能型的小型语言模型（SLM）而非大型语言模型（LLM）。
• 创新点:
  1. 证明了ECD在显著提升人工智能模型选择中的环保行为（PEB）的有效性。
  2. 确定了环保态度（PEA）对ECD效果的调节作用。
  3. 揭示了ECD的意外后果，例如安慰剂效应导致用户满意度和感知质量下降。
• 研究流程与关键技术:
  • 通过在线实验进行单因素组间设计，共有365名参与者。
  • 参与者在两种人工智能模型（SLM和LLM）间进行选择，实验组同时收到能效评分和性能评级。
  • 两种模型均由相同的GPT-4o mini系统提供支持，以隔离心理效应。
  • 测量结果包括模型选择、人工智能使用强度、感知满意度和感知质量。

结果

• 具体发现:
  • ECD将选择节能型SLM的比例从对照组的4.7%提升至实验组的39.3%（优势比=12.89）。
  • 环保态度较高的参与者更容易受到ECD影响（交互效应显著，p = .018）。
  • SLM用户报告的满意度（中位数=5.33 vs. 6.00，p = .017）和感知质量（中位数=5.00 vs. 5.33，p = .012）均低于LLM用户。
• 相较基线的优势:
  • ECD对模型选择的影响强于既有的环保态度。
  • 与行为引导文献中通常报告的适度效果相比，ECD带来了显著的行为变化。
• 实验/评估:
  • 参与者使用所选人工智能模型规划了一个7天的假期。
  • 收集了行为数据（例如提示数量、每次提示的平均词数）和感知数据（例如满意度、质量）以完成任务后分析。
  • 统计分析包括卡方检验、逻辑回归和Mann–Whitney U检验。
• 局限性与未来工作:
  • 对高风险场景、跨文化环境和长期效果的普适性有限。
  • 聚合能耗标签可能无法区分性能和能耗提示的影响。
  • 对感知的安慰剂效应需要进一步探索以减轻负面影响。
  • 未来研究应探讨替代可视化方式、长期效果以及更广泛的环境指标（例如水资源消耗）。

总结

本研究表明，能耗披露（ECD）是一种促进人工智能模型选择中环保行为的强有力工具，将选择节能型小型语言模型（SLM）的可能性提高了12倍以上。然而，研究也揭示了意外后果，例如因安慰剂效应导致的用户满意度和感知质量下降。这些发现强调了在设计干预措施时需要在可持续目标与用户体验之间寻求平衡。未来研究应探索替代标签格式、长期影响以及跨文化适用性，以优化ECD的有效性。