机器学习技术已经逐渐被企业普遍应用，而机器学习所产生的碳排量，也开始成为关注的重点，Google在IEEE Computer所发布的机器学习碳足迹论文，通过准确的资料来评估机器学习的实际碳排量，并且提出4Ms原则，可降低使用能源100倍，减少碳排放量1,000倍，Google运用这些最佳实践，将机器学习所占的总能源使用量，压低在15%以下。
4Ms原则分别是模型（Model）、机器（Machine）、机械化（Mechanization）以及地图优化（Map Optimization）。Google指出，选择使用高效的机器学习模型架构，像是稀疏模型，可在提高机器学习品质的同时，还能够降低3倍到10倍计算量。而机器指的是，与通用处理机器相比，使用针对机器学习训练优化的处理器与系统，能够将性能提高至2倍到5倍。
机械化的配置，让数据中心的效率比企业本地端配置要高上不少，使用云计算可减少能源使用，碳排放量减少1.4倍到2倍，Google解释，云计算数据中心是专为上万台服务器设计的仓储，因此可以达到非常好的电量使用效率（PUE），而本地端数据中心通常较老旧，规模也较小，无法摊销新的节能冷却和配电系统成本。
此外，地图优化则是云计算可让用户选择使用能源最干净的位置，进而将总碳足迹减少5倍到10倍，Google也解释，不用担心地图优化会使得最环保的云计算地区，快速达到最大容量，用户对高性能数据中心的需求，反而会驱动绿色数据中心设计和部署的进步。
结合这四种做法，可以使企业减少能源消耗达100倍，更可以降低碳排放量1,000倍。Google的总能源使用量每年都增加，而机器学习工作负载，和每次训练执行的计算量也都迅速增长，但Google表示，运用这4Ms原则，很大程度弥补增加的负载，从资料显示，在过去三年，每年机器学习训练和推理，仅占Google总能源使用量的10%到15%，推理和训练的比例大概是3：2。
Google使用Transformer模型作为例子，说明符合4Ｍs原则的机器学习运算，可大幅降低能源消耗和碳排放量。Google引用其他研究，对在Nvidia P100 GPU训练Transformer模型的能耗估算作为基准，使用Google最近发布的Primer模型，能以低4倍计算量达到相同精确度，当使用新一代机器学习硬件TPUv4进行训练，会比使用P100改进14倍的能耗，加上高效云计算中心比普通数据中心能耗效率高1.4倍，此外，使用低碳能源的数据中心，又可再减少9倍碳足迹，进而在4年内总共减少747倍碳足迹。
