With the ever-growing adoption of artificial intelligence (AI)-based systems, the carbon footprint of AI is no longer negligible. AI researchers and practitioners are therefore urged to hold themselves accountable for the carbon emissions of the AI models they design and use. This led in recent years to the appearance of researches tackling AI environmental sustainability, a field referred to as Green AI. Despite the rapid growth of interest in the topic, a comprehensive overview of Green AI research is to date still missing. To address this gap, in this article, we present a systematic review of the Green AI literature. From the analysis of 98 primary studies, different patterns emerge. The topic experienced a considerable growth from 2020 onward. Most studies consider monitoring AI model footprint, tuning hyperparameters to improve model sustainability, or benchmarking models. A mix of position papers, observational studies, and solution papers are present. Most papers focus on the training phase, are algorithm-agnostic or study neural networks, and use image data. Laboratory experiments are the most common research strategy. Reported Green AI energy savings go up to 115%, with savings over 50% being rather common. Industrial parties are involved in Green AI studies, albeit most target academic readers. Green AI tool provisioning is scarce. As a conclusion, the Green AI research field results to have reached a considerable level of maturity. Therefore, from this review emerges that the time is suitable to adopt other Green AI research strategies, and port the numerous promising academic results to industrial practice.

中文翻译：

---

绿色人工智能的系统回顾

随着基于人工智能 (AI) 的系统的不断普及，人工智能的碳足迹不再可以忽略不计。因此，敦促人工智能研究人员和从业者对其设计和使用的人工智能模型的碳排放负责。这导致近年来出现了解决人工智能环境可持续性问题的研究，这一领域被称为绿色人工智能。尽管人们对该主题的兴趣迅速增长，但迄今为止仍然缺乏对绿色人工智能研究的全面概述。为了解决这一差距，在本文中，我们对绿色人工智能文献进行了系统回顾。通过对 98 项初步研究的分析，出现了不同的模式。自 2020 年以来，该主题经历了相当大的增长。大多数研究考虑监控人工智能模型足迹，调整超参数以提高模型的可持续性或基准模型。其中包括立场文件、观察性研究和解决方案文件。大多数论文关注训练阶段，与算法无关或研究神经网络，并使用图像数据。实验室实验是最常见的研究策略。据报道，绿色人工智能节能高达 115%，节能超过 50% 的情况相当常见。工业界参与了绿色人工智能研究，尽管大多数目标是学术读者。绿色人工智能工具供应稀缺。综上所述，绿色人工智能研究领域的成果已经达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。或基准模型。其中包括立场文件、观察性研究和解决方案文件。大多数论文关注训练阶段，与算法无关或研究神经网络，并使用图像数据。实验室实验是最常见的研究策略。据报道，绿色人工智能节能高达 115%，节能超过 50% 的情况相当常见。工业界参与了绿色人工智能研究，尽管大多数目标是学术读者。绿色人工智能工具供应稀缺。综上所述，绿色人工智能研究领域的成果已经达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。或基准模型。其中包括立场文件、观察性研究和解决方案文件。大多数论文关注训练阶段，与算法无关或研究神经网络，并使用图像数据。实验室实验是最常见的研究策略。据报道，绿色人工智能节能高达 115%，节能超过 50% 的情况相当常见。工业界参与了绿色人工智能研究，尽管大多数目标是学术读者。绿色人工智能工具供应稀缺。综上所述，绿色人工智能研究领域的成果已经达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。并提供解决方案文件。大多数论文关注训练阶段，与算法无关或研究神经网络，并使用图像数据。实验室实验是最常见的研究策略。据报道，绿色人工智能节能高达 115%，节能超过 50% 的情况相当常见。工业界参与了绿色人工智能研究，尽管大多数目标是学术读者。绿色人工智能工具供应稀缺。综上所述，绿色人工智能研究领域的成果已经达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。并提供解决方案文件。大多数论文关注训练阶段，与算法无关或研究神经网络，并使用图像数据。实验室实验是最常见的研究策略。据报道，绿色人工智能节能高达 115%，节能超过 50% 的情况相当常见。工业界参与了绿色人工智能研究，尽管大多数目标是学术读者。绿色人工智能工具供应稀缺。综上所述，绿色人工智能研究领域的成果已经达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。实验室实验是最常见的研究策略。据报道，绿色人工智能节能高达 115%，节能超过 50% 的情况相当常见。工业界参与了绿色人工智能研究，尽管大多数目标是学术读者。绿色人工智能工具供应稀缺。综上所述，绿色人工智能研究领域的成果已经达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。实验室实验是最常见的研究策略。据报道，绿色人工智能节能高达 115%，节能超过 50% 的情况相当常见。工业界参与了绿色人工智能研究，尽管大多数目标是学术读者。绿色人工智能工具供应稀缺。综上所述，绿色人工智能研究领域的成果已经达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。绿色人工智能研究领域的成果已达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。绿色人工智能研究领域的成果已达到相当成熟的水平。因此，从这篇综述中可以看出，现在是时候采取其他绿色人工智能研究策略，并将众多有前景的学术成果移植到工业实践中了。