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。
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：
-
人工智能需要消耗能源 ——主要是数据中心运行GPU/CPU进行训练以及日常“推理”（使用模型）所需的能源。 国际能源署：《能源与人工智能》
-
能源消耗可能意味着排放 ——这取决于当地电网结构和电力合同。 国际能源署：《能源与人工智能》
-
人工智能用水量惊人 ——主要用于某些数据中心的冷却。Li 等人 (2023)：《让人工智能减少“耗水”》(PDF)； 美国能源部联邦能源管理计划：《联邦数据中心冷却水效率提升机遇》。
-
人工智能依赖于实体资源 ——芯片、服务器、网络设备、电池、建筑物……这意味着采矿、制造、运输，最终还会产生电子垃圾。 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》
-
人工智能还可以通过优化物流、检测泄漏、提高效率、加速研究以及减少系统浪费等方式，在其他方面减少对环境的影响。国际能源署：人工智能助力能源优化与创新
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
-
训练大型模型可能需要大型集群长时间高负荷运行。 国际能源署：能源与人工智能
-
推理（日常使用）随着时间的推移可能会造成更大的影响，因为它无时无刻不在发生。 国际能源署：《能源与人工智能》
2）数据中心开销
-
冷却、配电损耗、备用系统、网络设备。 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)
-
同样的计算能力，由于效率不同，对实际应用的影响也会有所不同。 绿色电网：PUE——指标的全面分析
3）水和热
-
许多设施直接或间接地利用水来管理热量。 美国能源部联邦能源管理计划 (FEMP)：《联邦数据中心冷却水效率提升机遇》； 李等人 (2023)：《让人工智能减少“耗水”》(PDF)
-
废热可以回收利用，也可以直接……以热空气的形式散发出去。（这并非理想之选。）
4）硬件供应链
-
开采和提炼材料。.
-
芯片和服务器制造（能源密集型）。 美国环保署：半导体行业； imec：减少芯片制造对环境的影响
-
运输、包装、升级、更换。.
5）行为和反弹效应
-
人工智能使任务更便宜、更便捷，因此人们会从事更多此类任务。 经合组织（2012）：提高能源效率的多重效益（PDF）
-
效率提升带来的效益可能会被需求增长所抵消。这一点让我不禁叹息。 经合组织（2012）：能源效率提升的多重效益（PDF）
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）
-
空气冷却：风扇、冷空气、冷热通道设计。 美国能源部联邦能源管理计划 (FEMP)：数据中心能源效率
-
液冷：在密集型环境中效率更高，但可能需要不同的基础设施。ASHRAE （TC 9.9）：主流数据中心液冷技术的兴起与发展（PDF）
-
蒸发冷却：在某些气候条件下可以减少电力消耗，但通常会增加用水量。 美国能源部联邦能源管理计划 (FEMP)：联邦数据中心冷却水效率提升机会
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：
-
数据中心所在地（电网排放量各不相同） 碳强度 API（GB） 国际能源署：能源与人工智能
-
运行效率如何（利用率至关重要） 绿色电网：PUE——指标的全面分析
-
废热是否被重新利用
-
能源采购选择（可再生能源、长期合同等）
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
-
材料提取：金属和稀有材料的开采和提炼。
-
制造：半导体制造工艺复杂且能耗高。 美国环保署：半导体行业； imec：减少芯片制造对环境的影响
-
运输：全球供应链将零部件运送到世界各地。
-
较短的更换周期：快速升级可能会增加电子垃圾和隐含排放。 国际电信联盟：《2024年全球电子垃圾监测报告》
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
-
能源网络：负荷预测、需求响应、可变可再生能源并网。 国际能源署：人工智能助力能源优化与创新
-
建筑：更智能的暖通空调控制、预测性维护、基于入住率的能源使用。 国际能源署：数字化
-
交通运输：路线优化、车队管理、减少空驶里程。 国际能源署：人工智能在能源优化和创新中的应用
-
制造：缺陷检测、工艺调整、减少废品。
-
农业：精准灌溉、病虫害检测、肥料优化。
-
环境监测：检测甲烷泄漏、追踪森林砍伐信号、绘制生物多样性模式图。 联合国环境规划署：MARS 的工作原理。 全球森林观察：GLAD 森林砍伐警报。 艾伦·图灵研究所：用于评估生物多样性的人工智能和自主系统。
-
循环经济：更好地对回收流程进行分类和识别。
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
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。
-
尽可能延长更新周期。 国际电信联盟：《2024年全球电子垃圾监测报告》
-
对于较轻的工作负载，可以重复使用旧硬件。.
-
避免“始终保持峰值”的资源配置。.
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。.
-
报告有意义的指标：按请求、按用户、按任务——而不仅仅是吓人的总数。 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)
-
避免含糊其辞：“绿色人工智能”如果没有数据和界限就毫无意义。
-
考虑水资源和局部影响：碳排放并非唯一的环境因素。Li 等人 (2023)：《让人工智能减少“耗能”》(PDF)
-
设计以约束为导向：默认响应时间更短，成本更低的模式，以及真正有效的“节能”设置。
-
考虑公平性：在水资源匮乏或电网脆弱的地方大量消耗资源，其后果远不止体现在你的电子表格中。 美国能源部联邦能源管理计划 (FEMP)：联邦数据中心冷却水效率提升机会
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：无数次重复的小的运营决策，通常比一份宏大的可持续发展声明更有效。这就像刷牙一样。虽然不怎么引人注目，但确实有效……
真实案例：减少客户支持 AI 助手的资源占用 🌱🎧
设想
想象一下，一家小型在线零售商想要使用人工智能来回答客户关于交货时间、退货、包裹损坏和产品尺寸的常见问题。.
第一版存在浪费：即使问题很简单，所有客户消息都会直接发送给最大的可用型号。此外，助手还会生成过长的回复，重复政策文本，并且重复回答相同的问题数千次，而不是重复使用已批准的答案。.
更合理的方案并非“完全不用人工智能”，而是采用适量的人工智能：使用轻量级工具处理简单任务，将大型模型留给复杂案例，并衡量每个已解决工单的影响。.
助理需要什么
团队将做好准备：
现行退货政策
按地区划分的配送规则
产品尺寸说明
针对退款、投诉和法律问题，制定简短的升级处理政策。
50个常见客户问题列表
重复问题的已批准简短答案
一个简单的跟踪表，包含：请求类型、使用的模型、回复长度、是否需要升级以及答案是否通过人工审核
示例说明
首先使用最合适的最小模型或基于规则的答案。仅当客户的问题不明确、带有情绪色彩、包含多个问题或需要结合多个政策信息时，才使用较大的模型。除非客户要求详细解答，否则回复应控制在 120 字以内。如果信心不足，请提出一个澄清问题或转接人工客服。切勿捏造交货日期、退款批准或政策例外情况。.
如何测试它
正式上线前先进行50张票的测试：
10 个配送问题
10个退货问题
10 个产品尺寸问题
10起物品损坏投诉
10 条信息混乱或含糊不清。
请检查每个答案：
是否采用了正确的政策？
缓存中已批准的答案是否能解决这个问题？
是否需要更大尺寸的型号？
助理的回复是否简短？
是否有任何答案捏造了信息？
敏感案件是否按程序上报？
合理的及格分数应该是这样的：政策准确率达到 95%，不捏造退款承诺，以及对涉及付款纠纷或法律威胁的投诉 100% 进行升级处理。.
结果
以下结果以优化前后对 50 张票的测试进行计时和计数为依据：
优化前，所有 50 个工单都使用较大的模型，平均回复长度为 210 个字。.
优化后，31 个工单使用了缓存的已批准答案，14 个工单使用了较小的模型，只有 5 个工单使用了较大的模型。.
平均回复长度从 210 个字减少到 92 个字。.
人工审核时间从 4 小时 10 分钟减少到 1 小时 25 分钟。.
团队在第一次测试运行中发现了 2 个错误的政策答案，然后在更新源文档并添加更清晰的升级规则后，没有发现任何错误的政策答案。.
这并不能证明该助手是“绿色”的。它只是展示了能够验证其环保声明的衡量标准：更少的繁重模型调用、更短的输出时间、更少的重复生成以及更少的可避免审查周期。.
可能出现什么问题
如果将每条模糊消息都“以防万一”路由到最大的模型，助手仍然会浪费计算资源。.
如果退货政策发生变化而没有人更新缓存的答案，那么缓存的答案可能会变得有风险。.
如果简短的答案遗漏了重要细节，可能会让顾客感到沮丧。.
如果公司只公布碳排放或能源节约百分比而不展示测量方法，那么其声明就可能沦为“漂绿”。.
最大的误区在于将模型选择视为唯一的手段。实际上，更环保的工作流程来自于路由优化、缓存、更短的输出、更优质的源文档以及对高风险案例的人工审核。.
实用要点
影响较小的AI系统通常不是最花哨的。这类系统能够衡量实际使用情况，避免不必要的繁重推理，尽可能重复使用已验证的答案，并且仍然让人类掌控那些真正重要的决策。.
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
-
国际能源署（IEA） ——能源与人工智能——iea.org
-
国际能源署 (IEA) - 人工智能助力能源优化与创新 - iea.org
-
国际能源署 (IEA) - 数字化 - iea.org
-
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
-
Li 等人 - 让人工智能减少“渴求”（2023）（PDF） - arxiv.org
-
ASHRAE（TC 9.9） —— 主流数据中心液冷技术的兴起与发展（PDF） —— ashrae.org
-
绿色网格——PUE指标的全面分析——thegreengrid.org
-
美国能源部 (DOE) -联邦数据中心冷却水效率提升计划(FEMP ) - energy.gov
-
美国能源部 (DOE) - FEMP - 数据中心能效 - energy.gov
-
美国环境保护署 (EPA) - 半导体行业 - epa.gov
-
国际电信联盟（ITU） —— 2024年全球电子垃圾监测报告——itu.int
-
经合组织 —— 提高能源效率的多重效益（2012）（PDF） —— oecd.org
-
碳强度 API（英国） - carbonintensity.org.uk
-
imec - 减少芯片制造对环境的影响 - imec-int.com
-
联合国环境规划署 - MARS 的工作原理 - unep.org
-
全球森林观察组织 (Global Forest Watch) - GLAD 森林砍伐警报 - globalforestwatch.org
-
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
-
CodeCarbon - 方法论 - mlco2.github.io
-
Gholami 等人 - 量化方法综述 (2021) (PDF) - arxiv.org
-
Lewis 等人 - 检索增强生成 (2020) - arxiv.org
-
Hinton等人 - 神经网络中的知识提炼 (2015) - arxiv.org
-
CodeCarbon - codecarbon.io