计算AI的环境影响：方法学挑战
自2022年底ChatGPT发布以来，AI行业呈指数级增长。根据Statista的数据，2024年全球人工智能市场规模已超过1840亿美元，预计到2030年将飙升至8260亿美元。
2020年至2030年全球AI市场规模。来源：Statista
然而，在推进如此扩张议程之前，不应忽视评估AI对地球的成本。形势比以往任何时候都更严峻，世界正在迅速耗尽时间，以避免全面的气候灾难。
因此，评估AI的环境足迹是必要之举。不过，正如我们在《数字技术与数据的环境影响》一文中所解释的，这是一项充满挑战的任务。
尽管相关研究不断增加，但仍无法对AI的环境足迹做出全面评估。主要的局限与挑战包括：
缺乏透明度与数据缺口
AI公司往往不愿披露其产品的信息，包括与环境相关的信息。这造成了重要的数据缺口和盲点，增加了AI研究人员的工作难度。正如Hugging Face气候负责人Sasha Luccioni所指出：
据我所知，没有一家提供AI工具的公司会提供能源使用和碳足迹信息。我们甚至不知道像GPT这样的大模型有多大。没有任何信息被披露；一切都是公司机密。
什么算作环境足迹？
大多数研究聚焦于能源需求或温室气体排放（即碳足迹）。然而，还应评估其他非能源影响，这些同样构成数字环境足迹的一部分，例如用水与矿产消耗。
审视整个AI生命周期
多数文章研究的是训练期间的AI足迹。然而，正如Luccioni等人在2023年的一篇论文中所述，还应考虑AI生命周期的其他环节，包括材料开采、制造、模型部署与处置。
生命周期评估方法。来源：Luccioni 等
AI的环境足迹
尽管在估算AI环境足迹的方法上存在局限，但现实是，AI在自然资源方面的成本相当可观。下文我们仅讨论AI的碳足迹与水足迹。然而，如前所述，仍需新的研究来评估AI在其他方面的影响，例如矿产消耗或生物多样性丧失。
AI的碳足迹
要实现其“魔法”，AI需要大量能源，而这往往意味着额外的碳排放。
大型语言模型（LLM）的能耗可分为两类：
- 运行能耗。指运行这些工具（训练或推理）所需的能源。
- 硬件制造。指生产AI系统设备（如GPU图形处理器）所需的能源。
大多数研究聚焦于训练阶段AI的碳足迹，主要因为这是AI生命周期中数据相对更可得的阶段，尤其对于开源模型而言。
例如，Strubell等人在2019年的一篇文章中估算，训练一个拥有2.13亿参数的LLM可排放626,155磅二氧化碳，接近5辆汽车生命周期（包括燃料）的排放量。
然而，推理阶段（即使用模型执行其受训任务的过程）的能耗可能与训练相当，甚至更高。
在2023年的一项研究中，Luccioni等人计算，将1760亿参数的BLOOM模型部署18天，平均每天耗电40.32千瓦时（约相当于1,110次智能手机充电），每天排放约19千克二氧化碳当量。
在一篇更近期的文章中，Lucioni等人还表明，部署阶段所需能源受到具体任务的显著影响。特别地，他们发现基于图像的任务最为耗能。
来源：Luccioni 等
在此背景下，国际能源署的最新研究称，数据中心的电力消耗——AI系统的计算（包括训练与推理）通常在此进行——可能在2026年前翻倍，这并不令人意外。
由于AI广泛采用带来的电费激增，对立志实现净零的科技公司而言并非好消息。例如，在最新的可持续发展报告中，Google承认其2023年排放量较上一年增加13%，较2019年增加48%，主要由数据中心能耗上升所驱动。微软同样报告，自2020年以来其排放量增加29.1%，主要归因于运行AI所需的电力。
AI的水足迹
越来越多研究者开始关注AI令人担忧的用水量。AI水足迹的绝大部分发生在数据中心，这些中心需要数十亿加仑的水为服务器降温，以完成训练与响应AI提示所需的计算。根据2021年的一项研究，一个平均数据中心的用水量与三家中等规模医院相当。
随着为满足AI需求而新建的数据中心不断增加，数据中心的水足迹在未来几年可能显著增长。加州大学河滨分校的研究者预计，到2027年数据中心可能消耗42—66亿立方米的水，这超过了英国年度总取水量的一半。
在社会与监管压力下，长期将其业务机密化处理的科技公司终于开始披露用水信息。例如，在最新的可持续性报告中，Google宣布其用水足迹同比增长17%，总计达61亿加仑——大致相当于每年灌溉41个高尔夫球场所需的水量。
由于最先进的冷却系统只能使用清洁水，数据中心的需求常与周边居民的利益发生冲突，尤其当数据中心位于已面临水资源短缺问题的地区时。
尽管数据中心是用水的主要来源，但仍需新研究来揭示AI生命周期其他阶段的水足迹，特别是硬件制造过程，如构成GPU芯片的半导体。
降低AI环境足迹的3种技术路径
鉴于开发与部署AI模型所带来的环境成本不断上升，各公司必须采取策略并调整技术以降低其足迹。
在下文中，我们将分析若干可行方案，以推动更可持续的AI发展。
1. 优化模型效率
降低AI模型碳足迹的最直接策略之一是提升其效率。在AI语境中，这意味着用更小、更简单的模型实现与最先进模型相当的准确度。
一方面，可在硬件层面提升效率。例如，如果工程师与芯片制造商能够持续践行摩尔定律——戈登·摩尔预测微芯片上的晶体管数量大约每两年翻一番——那么未来几年我们将看到更快、更小、更高效的GPU。
尽管一些预测者认为该定律将在约2025年因物理极限而终结，但诸如量子计算、新材料与创新芯片架构等前沿技术，可能在追求效率的道路上发挥关键作用。同样，数据中心的设计与运营创新对于降低能耗也至关重要。
另一方面是软件。AI研究人员正推进新的设计与技术，使模型在训练与推理期间更高效，例如：
- 模型剪枝。通过移除神经网络中的不重要参数来缩小模型规模，提高推理效率。
- 量化。通过多种技术将连续的无限值映射到更小的离散有限值集合。您可阅读我们的LLM量化指南进一步了解。
- 知识蒸馏。旨在将大型预训练模型的知识迁移至小型模型。您可在我们的文章中了解更多LLM蒸馏内容。
2. 使用可再生能源
应对数据中心中AI令人担忧的碳足迹，另一种方案是投资可再生能源。太阳能板、风力涡轮机或水电站的显著优势在于其发电不产生二氧化碳。
AI行业中的巨头，如Google、Microsoft与Meta，都是清洁能源基础设施的主要投资者。然而，正如Hugging Face气候负责人Sasha Luccioni所警示：
可再生能源的确在增长。问题在于，它的增长速度还不足以赶上AI的增长。
因此，这些公司传统上还依赖其他金融工具来实现清洁能源承诺，例如可再生能源证书（RECs）和碳信用。
3. 利用云端解决方案
通过规模经济，云服务提供商为AI公司提供了更具成本效益的训练与部署方案。这不仅有利于公司节省前期自建算力基础设施的投入，也有利于应对气候变化。
超大规模数据中心专为高效而设计。它们能够更快、更大规模地运行高能耗流程，从而显著节能。同时，这些中心也优化了冷却用水的消耗。
您可在我们的《理解云计算》课程中了解更多云计算相关内容。
行业中的可持续AI实践
如果使用得当，AI可以成为我们应对环境危机的强大盟友。下面我们来分析一些AI在推动可持续目标方面发挥关键作用的典型用例。
面向环境可持续性的AI
用于解决环境挑战的AI应用数量正在迅速增长，涵盖从监测碳排放、识别气候脆弱区域，到提升供应链的环境可持续性，以及实施精准农业以减少用水与土壤退化等方方面面。
以下是一些值得关注的应用：
极端天气建模
天气预报是最古老且最具挑战性的科学任务之一。AI正帮助气象学家以前所未有的精度进行天气预测，其中也包括极端天气事件的预测。
例如，Google研发的深度学习模型GraphCast，能够更准确地预测飓风路径，识别与洪水风险相关的大气河流，并预测极端气温的出现。
温室气体（GHG）排放监测
大多数人类经济活动都会向大气中排放温室气体。了解排放发生的地点、时间、主体与规模，对于更好地理解气候变化、推进有效的气候政策与识别排放热点至关重要。
AI在追踪温室气体排放方面的优秀案例是Climate TRACE，这是一个非营利组织联盟的项目，利用AI与遥感技术以前所未有的精度监测排放。
电网优化
电网现代化是实现清洁能源转型的关键工作。可再生能源的兴起快速提升了电网的复杂性。与持续稳定供电的电厂不同，太阳能与风能受天气影响较大，发电具有波动性。
AI可在管理这种复杂性、平衡供需方面发挥关键作用。通过分析海量数据，AI可自动预测次日所需电量，并寻求以最具成本效益的方式调度能源。
材料发现
太阳能板、风力涡轮机等绿色技术依赖无机材料。无论是开发更绿色的技术，还是提升现有技术的效率，发现新材料对于技术进步至关重要。
AI正在加速材料发现过程。例如，Google的AI模型GNoME近期发现了38万种稳定晶体，有望推动更绿色的技术发展，从更好的电动车电池到更高效计算所需的超导体。
企业责任
各行各业的企业也在利用AI实现其可持续发展目标。大型科技公司因其对AI的深厚积累而格外引人注目。例如，在其《AI与可持续性行动手册》中，微软总结了AI可发力的五大领域：
来源：Microsoft
DataCamp也在为更可持续的未来而努力。我们相信，通过向草根与全球绿色倡议提供免费的或高度补贴的顶级教育平台访问权限，可以给予支持。通过我们的DataCamp Donates项目，我们与一系列以气候变化为使命的组织合作，为其团队提升技能。
通过我们的平台，我们能够支持各类组织与专业人士对环境产生积极影响。我们一些最具代表性的成功案例包括与NGO如CDP与Omenda，以及清洁能源公司如Drax与SSE的合作。
AI开发的伦理考量
每个行业都必须评估其对地球的潜在影响，并寻找降低环境足迹的方法。AI行业也不应例外。尽管AI有望推动环境目标的实现，但仍需要付出更多努力来降低行业的环境影响。
要推动更好、更高效的AI模型，离不开创新。但这还不够。鉴于AI日益增长的环境成本，我们亟需就AI行业的发展与增长展开严肃且合乎伦理的讨论。
AI的取舍
首先，我们需要评估将AI开发置于其他社会基本需求之上的影响。虽然AI企业正向清洁能源项目投入大量资源以供能其数据中心，但这些能源也可能原本用于其他用途，例如供暖或为资源匮乏的家庭提供电力。
同样需要记得，绿色技术高度依赖关键材料，包括矿物、金属与稀土元素，它们难以获取，且开采过程耗能巨大，对地球造成不利影响。
AI的碳足迹具有全球性维度，但其水足迹则不然。在这里取舍非常明确：数据中心使用的水，就是从周边居民与当地生物多样性中被夺走的水。
潜在的反弹效应
其次，需要进一步研究评估AI发展所带来的潜在反弹效应。正如在其他行业所观察到的，模型效率的提升可能导致AI总体使用量的增加，最终抵消这些效率增益。
以ChatGPT为例。根据高盛的数据，一次ChatGPT查询所需的电力几乎是一次Google搜索的10倍。对于一个平均每天接收1000万次查询的工具而言，这意味着高额的能耗账单。这也是为什么大多数ChatGPT版本需要付费，即便是最先进的版本也有每日提示上限。
设想OpenAI开发了一种创新的神经架构，带来显著效率提升。比如，借助新架构，最新版本的ChatGPT仅需Google搜索5倍的电力。很可能OpenAI会据此提供更实惠的套餐与更少的提示限制，从而带来用户增长。
结果如何？OpenAI利润增加、用户更满意，但排放或许最终会上升，因为ChatGPT会变得更受欢迎且更无处不在，从而抵消新神经架构带来的效率收益。
AI与化石燃料行业
观察潜在反弹效应的另一角度，是部分关键AI参与者（如微软）与化石燃料公司的紧密联系。通过提供专业知识与AI技术，科技巨头正在帮助油气公司优化并提升化石燃料的采收率与产量，这将带来额外的温室气体排放，并可能延缓向可再生能源的转型。
这类业务令人担忧，在某种程度上也与其全球气候承诺相悖。
正如前微软数据中心社区环境可持续性高级项目经理Holly Alpine在一篇近期文章中所言：
尽管微软的公开声明与报告强调AI在可持续性方面的有益应用，但它们关键性地忽略了这样一个事实：微软业务中相当大的一部分，是向化石燃料公司提供技术以提高产量。
可持续AI的未来
综观我们迄今为止关于AI的利与弊，随着AI的发展，未来我们将看到什么？
绿色AI的新兴趋势
关于AI环境成本的研究正迅速升温。新的证据叠加日益增长的社会关注，将促使AI参与者减小模型足迹，推动更绿色的AI议程。
实现效率提升离不开创新。我们正处于AI革命的开端，改进空间广阔。然而，正如上一部分所述，行业发展不能忽视这项技术的伦理影响。
政策与监管
在缺乏AI行业雄心勃勃且具有约束力的承诺的情况下，监管者与政策制定者可推动可持续AI实践的落实。
这一点在欧盟已然发生。新近通过的《欧盟AI法》设想为高风险AI系统在其生命周期内减少能源与“其他资源消耗”制定自愿行业标准，并推动通用目的AI模型（如OpenAI的GPT模型）的高效能开发。
该法案还规定，通用目的AI模型的提供者应提供已知或估算的模型能耗信息。
查看我们的《欧盟AI法基础》学习路径，了解这项具有影响力的法规。
尽管最终版本中关于环境的要求较欧洲议会此前提案不够雄心勃勃，但这仅是开始。新的监管举措应随之推进，以提升环境透明度，并激励AI行业开展环境影响评估。
结语
AI革命正与人类所面临的最紧迫挑战——气候危机——并行发生。AI可以成为推动可持续目标的关键动力，但同时也有许多工作要做，以降低其令人担忧的环境影响。
在DataCamp，我们认为，意识到并重视数据与技术的环境影响至关重要，我们也积极与致力于环境事业的组织合作。非营利组织欢迎申请DataCamp Donates，或与我们的销售团队预约演示，了解DataCamp如何全面支持其环保使命。
可持续AI常见问答
AI的环境影响有哪些？
AI伴随环境成本。从关键原材料的开采与AI硬件制造，到AI模型的训练与部署，AI生命周期的每个环节都会消耗自然资源（如能源、水和矿物）。
AI的碳足迹是什么？
AI的碳足迹主要来自两方面：
- 运行能耗。指运行这些工具（训练或推理）所需的能源。
- 硬件制造。指生产AI系统设备（如GPU图形处理器）所需的能源。
降低AI环境足迹的主要技术有哪些？
AI公司可以利用越来越多的技术与策略实现更可持续的发展，包括优化模型效率、转向可再生能源以及使用云计算。
AI如何支持环境目标？
如果使用得当，AI可以成为推动可持续议程的关键动力。应用范围包括极端天气建模、温室气体（GHG）监测、电网优化与材料发现等。
AI监管在推进可持续AI方面扮演何种角色？
监管者与政策制定者可通过立法推进雄心勃勃、具有法律约束力的要求，确保AI行业与环境目标保持一致。
我是一名自由职业的数据分析师，与全球各地的公司和组织合作开展数据科学项目。我也担任数据科学讲师，拥有2年以上授课经验。我经常用英语和西班牙语撰写与数据科学相关的文章，其中一些已发表在 DataCamp、Towards Data Science 和 Analytics Vidhya 等知名网站上。作为一名具有政治学与法律背景的数据科学家，我的目标是在公共政策、法律与技术的交汇处开展工作，借助思想的力量推动创新解决方案与叙事，帮助我们应对紧迫挑战，尤其是气候危机。我认为自己是自学成才、不断进步的人，坚定支持跨学科合作。学习新事物永远不嫌晚。
我们正处在一个AI前所未有地受到公众关注与资本投入的时代。随着ChatGPT、Google Gemini及众多生成式AI模型的发展，数以百万计的人正将这些强大的工具用于各种目的——从总结文档、回答问题、提供解释，到生成创意内容，包括代码、歌曲和营销活动。您可以在我们的AI基础能力学习路径中进一步了解当前的生成式AI革命。
鉴于这些工具令人印象深刻的能力，人们很容易忽视其弊端。尽管关于AI对人类可能带来的生存性风险已有大量讨论，但尽管近年来AI研究人员与气候活动人士不断提出证据，关于其环境影响的辩论仍然被遮蔽。
要提升我们应对气候危机的机会，使AI与环境目标保持一致至关重要。推动AI在气候相关问题中的应用固然重要，但如果AI行业不坚决应对其不断增长的环境足迹，仅靠这一点意义有限。
本文将分析AI对环境的不利影响。我们将探讨AI在资源消耗方面的成本，以及将AI开发置于其他社会基本需求之上的伦理影响。此外，我们还将探讨降低这些模型环境影响并推动更可持续AI的主要途径。
阅读我们的白皮书《学习型领导者的AI素养指南》，了解AI如何影响您的组织以及如何落实成功的AI战略。