人工智能如何影响环境？

人工智能如何影响环境？

简而言之：人工智能对环境的影响主要体现在数据中心的电力消耗（包括训练和日常推理）、冷却用水，以及硬件制造和电子垃圾产生的隐含环境影响。如果使用规模达到数十亿次查询，推理的能耗可能超过训练；如果电网更清洁、系统更高效，环境影响就会降低，而效益则会增长。

要点总结：

电力：跟踪计算使用情况；当工作负载在更清洁的电网上运行时，排放量会下降。

水：冷却方式的选择会影响冷却效果；在水资源匮乏的地区，水基冷却方法最为重要。

硬件：芯片和服务器会带来巨大的环境影响；延长使用寿命并优先考虑翻新。

反弹：效率的提高可能会增加总需求；衡量结果，而不仅仅是衡量单个任务的收益。

操作杠杆：合理调整模型规模，优化推理，并以透明的方式报告每个请求的指标。

人工智能如何影响环境？信息图

您可能还想阅读以下文章：

🔗 人工智能对环境有害吗？
探索人工智能的碳足迹、电力消耗和数据中心需求。.

🔗 为什么人工智能对社会有害？
看看偏见、就业中断、错误信息和日益扩大的社会不平等。.

🔗 人工智能为何有害？人工智能的阴暗面
了解诸如监视、操纵和丧失人为控制等风险。.

🔗 人工智能是否发展过头了？
关于伦理、监管以及创新界限的辩论。.

人工智能如何影响环境：快速概览⚡🌱

如果你只能记住几个要点，那就记住这几点：

还有一点人们常常忽略：规模。一次人工智能查询可能很小，但数十亿次查询就完全是另一回事了……就像一个小雪球，不知怎的就变成了沙发大小的雪崩。（这个比喻可能不太恰当，但你应该明白我的意思。）国际能源署：能源与人工智能

人工智能的环境足迹并非单一因素，而是一个整体🧱🌎

当人们争论人工智能和可持续性问题时，他们常常各说各话，因为他们关注的是不同的层面：

1）计算电量

2）数据中心开销

3）水和热

4）硬件供应链

5）行为和反弹效应

所以当有人问人工智能如何影响环境时，直接的回答是：这取决于你衡量的是哪一层，以及在这种情况下“人工智能”的含义。.

训练与推理：这改变一切的区别🧠⚙️

人们喜欢谈论训练，因为它听起来很震撼——“一个模型消耗了X能源”。但推理才是默默无闻的巨人。国际能源署：《能源与人工智能》

训练（大建设）

训练就像建造一座工厂。你需要支付前期成本：大量的计算资源、漫长的运行时间、大量的试错运行（当然，还有许多“哎呀，失败了，再试一次”的迭代）。训练可以优化，但成本仍然相当高昂。国际能源署：《能源与人工智能》

推断（日常用法）

推理就像一座工厂，每天为所有人大规模地运转：

  • 聊天机器人回答问题

  • 图像生成

  • 搜索排名

  • 建议

  • 语音转文字

  • 欺诈检测

  • 文档和代码工具中的副驾驶

即使每次请求量都相对较小，但使用量也可能远远超过训练量。这就好比“一根吸管不算什么，一百万根吸管就成了问题”。国际能源署：《能源与人工智能》

需要说明的是，某些人工智能任务比其他任务消耗更多能源。生成图像或长视频通常比短文本分类更耗能。因此，将“人工智能”一概而论，就好比把自行车和货轮相提并论，都称之为“交通工具”。国际能源署：《能源与人工智能

数据中心：电力、冷却和静谧的水的故事💧🏢

数据中心并非新生事物，但人工智能改变了其运行方式。高性能加速器在狭小的空间内会消耗大量电力，这些电力会转化为热量，必须加以管理。劳伦斯伯克利国家实验室 (LBNL) (2024)：《美国数据中心能源使用报告》(PDF)； 国际能源署 (IEA)：《能源与人工智能》

散热基础知识（简化版，但实用）

这就是权衡之处：有时可以通过依靠水冷来降低电力消耗。根据当地缺水情况，这可能没问题……但也可能是一个真正的问题。Li等人 (2023)：《让人工智能不那么“耗水”》(PDF)

此外，环境足迹还很大程度上取决于：

坦白地说，公众讨论中常常把“数据中心”当作一个黑匣子。它既不邪恶，也不神秘。它只是基础设施，它的运行方式也符合基础设施的性质。.

芯片和硬件：人们因为觉得它不够吸引人而忽略的部分🪨🔧

人工智能依赖于硬件。硬件有其生命周期，而生命周期的影响可能很大。美国环保署：半导体行业； 国际电信联盟：《2024年全球电子垃圾监测报告》

环境影响体现在哪里

电子垃圾和“完好无损”的服务器

许多环境危害并非源于单一设备的存在，而是源于因成本效益降低而提前更换设备。人工智能加速了这一趋势，因为其性能提升幅度可能非常大。更新换代硬件的诱惑确实存在。国际电信联盟：《2024年全球电子垃圾监测报告》

一个实际的例子：延长硬件寿命、提高利用率和翻新利用，其重要性不亚于任何花哨的型号升级。有时候，最环保的显卡就是你根本不会买的那款。（这听起来像句广告语，但某种程度上也确实如此。）

人工智能如何影响环境：“人们忘记这一点”的行为循环🔁😬

这里存在一个棘手的社会问题：人工智能让事情变得更简单，因此人们可以做更多的事情。这固然很好——更高的生产力、更强的创造力、更广泛的资源获取。但这也意味着总体资源消耗量会增加。经合组织（2012）：提高能源效率的多重效益（PDF）

例如：

  • 如果人工智能让视频制作成本降低，人们就会制作更多的视频。.

  • 如果人工智能能提高广告效果，就能投放更多广告，从而形成更多互动循环。.

  • 如果人工智能能够提高运输物流效率，电子商务的规模扩张速度将会更快。.

这并非恐慌的理由，而是需要衡量结果而不仅仅是效率的理由。.

一个不太完美但很有趣的比喻：人工智能的效率就像给一个青少年一个更大的冰箱——没错，食物储存量增加了，但不知怎么的，冰箱一天之内又空了。这个比喻并不完美，但是……你肯定见过这种情况😅

好处是：人工智能确实可以帮助保护环境（如果运用得当）🌿✨

现在来说说容易被低估的部分：人工智能可以减少现有系统中的排放和浪费，而这些系统……坦白说，并不完善。国际能源署：《人工智能助力能源优化与创新》

人工智能可以发挥作用的领域

重要细节：人工智能的“辅助”作用并不能自动抵消其对环境的影响。这取决于人工智能是否真正部署、真正使用，以及它是否能带来真正的减排效果，而不仅仅是改进数据看板。但人工智能的潜力是真实存在的。国际能源署：人工智能助力能源优化与创新

什么样的人工智能才算得上是优秀的环保型人工智能？✅🌍

这是“好的，那我们应该怎么做”部分。一个良好的、对环境负责的人工智能系统通常包含：

  • 明确的用例价值：如果模型不能改变决策或结果，那它就只是花哨的计算而已。

  • 内置衡量指标：能源、碳排放估算、利用率和效率指标与其他关键绩效指标 (KPI) 一样进行跟踪。CodeCarbon ：方法论

  • 选择合适的模型：如果较小的模型也能奏效，就使用较小的模型。追求效率并非道德败坏。

  • 高效的推理设计：缓存、批处理、量化、检索和良好的提示模式。Gholami等人 (2021)：量化方法综述 (PDF)； Lewis 等人 (2020)：检索增强生成

  • 硬件和位置感知：在电网更清洁、基础设施更高效（如可行）的地方运行工作负载。碳排放强度 API（GB）

  • 延长硬件寿命：最大限度地利用、再利用和翻新。国际电信联盟：《2024年全球电子垃圾监测报告》

  • 客观报道：避免使用“环保人工智能”等模糊不清、缺乏数据支持的“漂绿”语言和说法。

如果你还在关注人工智能如何影响环境，那么答案就不再是哲学层面的，而是实际操作层面的：它会根据你的选择对环境产生影响。.

对比表格：真正能减少影响的工具和方法🧰⚡

下面是一个简明实用的表格。它并不完美，而且，是的，有些单元格的内容带有个人主观意见……因为实际的工具选择就是这样。.

工具/方法 观众 价格 为什么有效
碳/能源跟踪库（运行时估算器） 机器学习团队 相对自由 提高透明度——即使估算结果有些模糊，这也是成功的一半…… CodeCarbon
硬件功耗监控（GPU/CPU遥测） 基础设施 + 机器学习 自由的 衡量实际消耗量；适用于基准测试（虽然不起眼但很实用）
模型蒸馏 机器学习工程师 免费（耗时😵） 规模较小的学生模型通常能以更低的推理成本达到相同的性能。 Hinton等人（2015）：神经网络中的知识提炼
量化（低精度推理） ML + 产品 自由的 降低延迟和功耗；有时会略微影响画质，有时则没有影响。 Gholami 等人 (2021)：量化方法综述 (PDF)
缓存 + 批量推理 产品 + 平台 自由的 减少冗余计算；尤其适用于重复提示或类似请求。
检索增强生成（RAG） 应用团队 混合 将“内存”卸载到检索阶段；可以减少对大型上下文窗口的需求。 Lewis等人（2020）：检索增强生成
按碳强度安排工作负载 基础设施/运营 混合 将灵活的工作岗位转移到更清洁的电动车窗上——虽然这需要协调。 碳排放强度 API（GB）
数据中心效率提升重点（利用率、整合） IT领导力 付费（通常） 最不起眼但往往最关键的杠杆——停止运行半空系统。 绿色网格：PUE
热能再利用项目 设施 这取决于 将废热转化为价值；虽然并非总是可行，但如果可行，那真是美妙极了。
“我们这里真的需要人工智能吗？” 每个人 自由的 避免不必要的计算。最有效的优化就是（有时）说“不”。

注意到少了什么吗？“购买一张神奇的绿色贴纸。” 这张贴纸并不存在😬

实用指南：如何在不扼杀产品的情况下降低人工智能的影响🛠️🌱

如果您正在构建或购买人工智能系统，以下是一个在实践中行之有效的实际步骤：

步骤 1：从测量开始

  • 持续追踪或估算能源使用情况。CodeCarbon ：方法论

  • 按训练运行和推理请求进行测量。.

  • 监控资源利用率——闲置资源往往隐藏在眼皮底下。绿色网格：PUE

步骤 2：根据工作需求调整模型大小

  • 使用较小的模型进行分类、提取和路由。.

  • 把重型型号留给硬壳箱吧。.

  • 考虑采用“模型级联”策略：先采用小模型，仅在需要时才采用大模型。.

步骤 3：优化推理（规模效应在此显现）

  • 缓存：存储重复查询的答案（并采取严格的隐私控制措施）。

  • 批量处理：将请求分组以提高硬件效率。

  • 篇幅较短的产出：篇幅较长的产出成本更高——有时你并不需要写论文。

  • 提示规则：不规范的提示会导致更长的计算路径……而且，是的，还会产生更多的令牌。

第四步：改善数据卫生

这听起来似乎无关，但实际上并非如此：

  • 更干净的数据集可以减少重新训练的次数。.

  • 噪音越少，实验次数就越少，浪费的运行次数也就越少。.

第五步：将硬件视为资产，而非消耗品。

第六步：明智地选择部署方式

  • 尽可能选择使用更清洁能源的灵活就业岗位。碳排放强度 API（GB）

  • 减少不必要的重复工作。.

  • 延迟目标要切合实际（超低延迟可能会迫使系统始终处于开启状态，导致效率低下）。.

没错……有时候最好的办法就是：不要对每个用户操作都自动运行最大的模型。这种习惯就好比因为走到开关那里很麻烦就一直开着所有的灯一样。.

常见误区（以及更接近真相的真相）🧠🧯

误区：“人工智能总是比传统软件差”

事实：人工智能可能需要更强大的计算能力，但它也能取代低效的人工流程，减少浪费，并优化系统。具体情况具体分析。国际能源署：人工智能助力能源优化与创新

误区：“训练是唯一的问题”

事实：大规模推理会随着时间的推移占据主导地位。如果你的产品使用量呈爆炸式增长，这就会成为主要问题。国际能源署：《能源与人工智能》

误区：“可再生能源可以立即解决问题”

事实：清洁电力固然大有裨益，但并不能消除硬件足迹、用水量或反弹效应。不过，它仍然至关重要。国际能源署：《能源与人工智能》

误区：“只要高效，就可持续”

事实：即使提高能效，如果缺乏需求控制，仍然可能增加总体影响。这就是反弹陷阱。经合组织（2012）：提高能源效率的多重效益（PDF）

治理、透明度，以及不搞作秀🧾🌍

如果你是一家公司，信任就是在这里建立或丧失的。.

我知道很多人会对这一点不屑一顾，但这很重要。负责任的技术不仅仅在于巧妙的工程设计，还在于不假装权衡取舍不存在。.

总结：人工智能如何影响环境的简要概述🌎✅

人工智能对环境的影响归根结底在于其增加的资源负荷：电力、水（有时）和硬件需求。国际能源署：《能源与人工智能》 ；李等人（2023）：《让人工智能减少“耗能”》（PDF）。人工智能也为其他领域的减排和减少浪费提供了强大的工具。国际能源署：《人工智能在能源优化和创新中的应用》。最终结果取决于规模、电网清洁度、效率选择，以及人工智能是在解决实际问题，还是仅仅为了追求新奇而创造新奇。国际能源署：《能源与人工智能》

如果你想得到最简单实用的结论：

  • 措施。.

  • 尺寸合适。.

  • 优化推理。.

  • 延长硬件寿命。.

  • 坦诚地谈谈权衡取舍。.

如果你感到压力过大，这里有一个令人安心的事实：无数次重复的小小运营决策，通常比一份宏大的可持续发展声明更有效。就像刷牙一样。虽然不怎么光鲜亮丽，但确实有效……😄🪥

常问问题

人工智能在日常使用中（而不仅仅是在大型研究实验室中）如何影响环境？

人工智能的大部分能耗都来自数据中心运行GPU和CPU所需的电力，这些电力既用于训练，也用于日常的“推理”。单个请求可能并不多，但规模扩大后，这些请求会迅速累积。此外，其影响还取决于数据中心的地理位置、当地电网的清洁程度以及基础设施的运行效率。.

训练人工智能模型对环境的危害是否比使用（推理）该模型更大？

训练可能需要大量的前期计算资源，但随着时间的推移，推理会占用更大的资源，因为它需要持续不断地大规模运行。如果一个工具每天被数百万人使用，那么重复的请求成本可能会超过一次性的训练成本。这就是为什么优化通常侧重于提高推理效率的原因。.

人工智能为什么需要用水？用水总是会造成问题吗？

人工智能之所以会用水，主要是因为一些数据中心依赖水冷系统，或者因为发电过程中会间接消耗水资源。在某些气候条件下，蒸发冷却虽然可以降低电力消耗，但会增加用水量，从而形成一种权衡。这种权衡究竟是好是坏，取决于当地的水资源短缺程度、冷却系统的设计，以及用水量是否得到计量和管理。.

人工智能对环境的影响中，哪些部分来自硬件和电子垃圾？

人工智能依赖于芯片、服务器、网络设备、建筑物和供应链——这意味着需要进行采矿、制造、运输以及最终的处置。半导体制造是能源密集型产业，而快速的升级换代周期会增加隐含排放和电子垃圾。延长硬件寿命、翻新和提高利用率可以显著降低其影响，有时甚至可以媲美型号层面的变革。.

使用可再生能源能否解决人工智能对环境的影响？

更清洁的电力可以减少计算产生的排放，但并不能消除其他影响，例如用水、硬件制造和电子垃圾。它也不能自动解决“反弹效应”，即低成本计算反而会导致总体使用量增加。可再生能源是一个重要的杠杆，但它只是影响环境足迹的一部分。.

什么是反弹效应？它对人工智能和可持续发展有何重要意义？

反弹效应是指效率提升使得某些事情变得更便宜或更容易，从而导致人们更多地去做——有时甚至会抵消节省下来的成本。人工智能带来的更低成本的生成或自动化可能会增加对内容、计算和服务的总需求。因此，衡量实际效果比孤立地庆祝效率提升更为重要。.

如何在不损害产品的情况下，切实可行地减少人工智能的影响？

一种常见的方法是先进行测量（能源和碳排放估算、利用率），然后根据任务调整模型规模，并通过缓存、批处理和缩短输出长度来优化推理。量化、蒸馏和检索增强生成等技术可以降低计算需求。运营方面的选择——例如根据碳排放强度进行工作负载调度和延长硬件寿命——通常也能带来显著的效益。.

人工智能如何才能帮助环境而不是破坏环境？

人工智能应用于优化实际系统时，可以减少排放和浪费，例如电网预测、需求响应、楼宇暖通空调控制、物流路线规划、预测性维护和泄漏检测。它还可以支持环境监测，例如森林砍伐预警和甲烷检测。关键在于系统能否改变决策并产生可衡量的减排效果，而不仅仅是提供更完善的仪表盘。.

企业应该报告哪些指标才能避免人工智能声明出现“漂绿”现象？

报告每个任务或每个请求的指标比仅仅报告总体数字更有意义，因为它能体现单元层面的效率。追踪能源消耗、碳排放估算、利用率以及（在相关情况下）用水影响，有助于建立更清晰的问责机制。同样重要的是：明确界限（包含哪些内容），避免使用诸如“环保型人工智能”之类的模糊标签，而应提供量化证据。.

参考

  1. 国际能源署（IEA） ——能源与人工智能——iea.org

  2. 国际能源署 (IEA) -人工智能助力能源优化与创新- iea.org

  3. 国际能源署 (IEA) -数字化- iea.org

  4. 劳伦斯伯克利国家实验室 (LBNL) -美国数据中心能源使用报告 (2024) (PDF) - lbl.gov

  5. Li 等人-让人工智能减少“渴求”（2023）（PDF） - arxiv.org

  6. ASHRAE（TC 9.9） ——主流数据中心液冷技术的兴起与发展（PDF） —— ashrae.org

  7. 绿色网格——PUE指标的全面分析——thegreengrid.org

  8. 美国能源部 (DOE) -联邦数据中心冷却水效率提升计划 ) - energy.gov

  9. 美国能源部 (DOE) - FEMP -数据中心能效- energy.gov

  10. 美国环境保护署 (EPA) -半导体行业- epa.gov

  11. 国际电信联盟（ITU） —— 2024年全球电子垃圾监测报告——itu.int

  12. 经合组织——提高能源效率的多重效益（2012）（PDF） —— oecd.org

  13. 碳强度 API（英国） - carbonintensity.org.uk

  14. imec -减少芯片制造对环境的影响- imec-int.com

  15. 联合国环境规划署- MARS 的工作原理- unep.org

  16. 全球森林观察组织 (Global Forest Watch) - GLAD 森林砍伐警报- globalforestwatch.org

  17. 艾伦·图灵研究所——用于评估生物多样性和生态系统健康的AI和自主系统——turing.ac.uk

  18. CodeCarbon -方法论- mlco2.github.io

  19. Gholami 等人-量化方法综述 (2021) (PDF) - arxiv.org

  20. Lewis 等人-检索增强生成 (2020) - arxiv.org

  21. Hinton等人-神经网络中的知识提炼 (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

在官方人工智能助手商店查找最新人工智能产品

关于我们

返回博客