近年来，计算机科学与技术中，人工智能的机器学习方向十分火热。其实，正是由于机器学习的火热，机器学习的方法已经渗透到各个学科，所以下面的讨论对于用到了机器学习的学科同样适用。
机器学习中关键的一步，就是模型的训练。所谓训练，在此意义而言，就是对于给定的输入数据，计算出一组最优的参数，使得输入数据经过某一人工神经网络之后的输出数据，与期望的输出数据的差距最小。其中，这个人工神经网络由这组参数决定。这个过程，俗称“炼丹”。这是一个很形象的比喻，因为计算出最优的参数需要很大的计算量，自然也需要消耗大量的能源、释放大量的噪声（计算机散热器会产生噪声），而真的炼丹也是如此。能源的消耗，就意味着煤炭的燃烧，就意味着氮氧化物以及二氧化碳等有害气体或温室气体的排放。此外，机器学习需要机器，而生产机器的过程也是会排放大量的污染物的。以生产最核心的部件——处理器为例，生产处理器需要高纯度的硅，而硅的提纯就会排放大量的有毒有害气体。更严重的情况还有很多，比如在计算机运行过程中，由于散热系统故障，计算机产生的热量无法及时排出而积压在内部，最终导致机房起火、爆炸等事故，造成进一步的经济财产损失，更严重的，会造成环境污染问题。这也有一个俗称，叫做“炸炉”。由此可以看出，机器学习对于环境的危害确实不容忽视。
事实上，计算机科学家们已经提出了比较好的算法来计算最优的参数，然而，由于目前机器学习算法固有的问题，其需要大量的输入，想要减少计算量自然也是不可能的。
我认为，要想解决这个问题，只有提出更高级的算法。例如，可以设计一种算法，只需要少量的输入（可能意味着更少的计算），就可以成功的训练出一个相当好的模型。毕竟，人脑学习认知也不需要那么多的数据输入。
同时，目前“机器学习热”导致人们对于什么问题都想用机器学习的方法来解决，这是不正确的极其浪费能源等资源的行为。人们应当对于特定问题精心设计更优的算法，而不是一味的把大量的数据塞给计算机，让其进行计算。
(本文节选自我环境保护与可持续发展论文)
你这篇也是用狗屁不通文章生成器写的吧