人工智能（AI）已迅速成为我们大多数人日常生活的一部分，这已不是秘密。即使是AI带来的微小便利，背后也需要为训练模型和推理提供海量计算能力。所有这些计算能力都需要能源。数据中心是专门用于存放、管理和处理数据的计算机系统及设备的设施，它们从当地电网获取电力。目前全球大多数电网仍高度依赖化石燃料——煤炭、天然气、石油——来发电，这些是主要的排放源。用电量在国家或全球层面以太瓦时（TWh）为单位衡量，一个太瓦时大致足以供一个约10万人的中型城镇使用一年。2024年，美国数据中心消耗了183 TWh的电力，这一数值相当于整个亚利桑那州或华盛顿州的年用电量。据预测，到2030年，这一总量将增长133%。
AI正在几乎所有行业加速普及，每一个新应用都会增加额外的能源需求。各公司正努力利用AI提升运营效率和可持续性，但仅靠效率提升并不能抵消它所带来的碳挑战。如果无法获得低碳能源解决方案，AI的大规模扩展可能不仅无法支持全球可持续发展，反而会破坏这些努力。幸运的是，我们有机会以符合长期碳约束的方式满足AI不断增长的能源需求。这意味着不能只关注数据中心内部，而要着眼于降低为其供电的电网的碳强度，以及降低社会所依赖的基础设施的碳强度。
负责任的前进道路始于更好地了解不同AI应用如何驱动能源使用和环境影响。通过识别最大的压力来源及其带来的权衡取舍，组织机构就能做出更明智的选择，以可持续方式扩展AI。这样做将促进AI在全球几乎所有行业中的持续采用，同时减轻环境影响，并显著提升业务运营的效率和成本效益。
尽管存在环境担忧，AI需求仍将持续增长
AI正融入几乎所有领域和行业。在医疗保健领域，AI正在推动个性化医疗、提高诊断准确性并加速药物发现。在供应链中，AI支持需求预测、库存优化和更高效的物流规划。自动驾驶汽车和AI驱动的交通管理系统正在提供更安全、更高效的交通。在农业领域，AI支持的精准农业正在提高作物产量，并优化灌溉和施肥实践。这些AI应用只是冰山一角。每一个新用例都会增加额外的能源需求，随着全球采用规模扩大，对电力消耗的累积影响将非常显著。
即使单个模型变得更高效、所需计算能力更低，但随着AI变得更易获取和普及，总体需求曲线仍将向上。这就是所谓的“反弹效应”。反弹效应是指效率提升使技术更易获取和负担得起，从而导致总体使用量增加。在AI领域，即使冷却系统变得更高效，或者模型演进后运行所需能源减少，总体能源消耗仍可能上升，尽管每项单独任务的能耗降低了。
AI背后的可持续性挑战
训练大型语言模型（LLM）以及为ChatGPT等通用大模型快速查询运行推理，都需要大量能源，并带来直接和间接的其他资源需求。这些过程需要巨大的计算能力，从而转化为高电力消耗——这是直接影响。数据中心的冷却系统又增加了另一层资源消耗，需要大量水来维持最佳温度。在已经面临水资源短缺的地区，这会给当地供水带来额外压力。
间接影响远不止电力和水。硬件制造依赖开采稀土矿物和其他关键资源，这会破坏生态系统并产生污染。硬件快速更新换代加剧了这个问题，产生难以回收的电子垃圾，其中往往含有有害物质，如果处理不当，可能渗入土壤和水体。数据中心还会给当地电网带来压力，增加对化石燃料电厂的依赖，并加剧周边社区的污染，可能引发类似我们在石油和天然气行业看到的公共卫生危机。
虽然AI不会导致石油泄漏，但不受控制的能源需求可能引发类似系统性危害：在脆弱地区集中出现污染、资源枯竭和公共卫生挑战。这些相似之处提醒我们，如果没有可持续规划，技术进步可能会重蹈覆辙，对人和地方造成长期影响。为避免这种轨迹，我们需要找到解决方案，在不减缓创新的前提下，降低AI不断增长的能源需求和产生的废弃物。
负责任AI增长的基石
AI的可持续性挑战无法仅靠技术自身解决。随着AI采用规模扩大，越来越多来自不同行业的人开始关注其环境影响以及如何更好地衡量它。这包括了解AI系统消耗多少能源，以及如何更一致地报告排放。建立标准的跟踪方法将使组织更容易比较进展、明确改进方向并做出更好决策。如果缺乏更清晰的碳影响衡量方法，就难以评估新的效率提升是否真正有效。进展还取决于不同群体之间的合作程度。当不同地区或行业的做法差异很大时，就难以负责任地扩展AI。但当研究人员、企业和公共机构分享所学时，就能形成更好的实践来理解和减少AI的环境足迹。随着时间推移，这种合作还能支持可再生能源整合、碳感知计算和更高效硬件等方面的工作。
可持续性也正在成为更广泛的伦理和可信AI对话的一部分。环境影响如今与公平性、问责制和可靠性一起被纳入考量。这种转变鼓励对AI系统能源需求的更清晰沟通，以及对影响废弃物和资源使用的硬件与软件选择的更多关注。教育将这一切联系在一起。开发者可以从学习如何构建和部署资源消耗更少的模型中受益。商业领袖和决策者需要更清楚地了解AI采用如何影响能源使用和排放。随着公众对这些影响的认识提高，社区就能更好地参与关于数字技术如何支持更可持续基础设施的讨论。
今天的现实——以及对明天的意义
AI使用的快速增长正让许多科技公司更难实现碳减排目标。AI可以帮助其他行业降低排放，但其自身的环境影响却在迅速增长。如果数据中心继续依赖基于化石燃料的电网，排放将继续增加，气候影响将持续数十年。
理解AI的足迹需要超越日常电力使用。生命周期评估（Life Cycle Assessment）能提供更全面的图景，考察过程的每个阶段，包括原材料开采、硬件制造、运行期间的电力和冷却需求，以及设备报废时的处理情况。如果没有这种全局视角，AI模型效率或数据中心性能的改进可能会掩盖链条中更早或更晚阶段的影响。采用全系统视角能让可持续性声明更可信，并帮助组织在AI采用增长过程中做出明智决策。
长远来看，AI的可持续性将取决于降低为其供电的能源的碳强度。因此，扩大能源生产、提升存储能力和现代化输电基础设施，必须与运营效率提升、更好的报告标准和更智能的系统设计同步推进。通过跨部门的持续投资与合作，AI能够以支持长期气候目标的方式发展，并创造超出科技行业本身的益处。
原文链接：https://www.powermag.com/managing-ais-footprint-in-a-carbon-constrained-world/
作者：Dr.Anastasia Behr、Dr.Young Lee
如您有供稿或想订阅电力行业专题资讯，请扫码联系:
免责声明：本微信公众号所上传文章仅代表作者观点，版权归原作者所有。如文章来源标注有误或涉及作品版权等问题烦请告知，小编及时予以删除。
初审初校：韩禹文｜复审复校：刘拥军｜终审终校：陈铭亮｜监审：文卉
点击蓝字 关注我们