如何提升 AI 的环境可持续性

IT 行业约占全球排放量的 2% 至 4%，微软和谷歌的公开报告显示，受人工智能影响，两家企业的用电量持续攀升。Charles Humble 在 GOTO Copenhagen 大会上谈到了绿色 AI，他认为可持续性应该成为顶层架构设计关注点。他给出的建议包括：使用预构建和更小的模型，在低碳电力充足的地方运行计算，并使用可再生能源进行训练。

Humble 引用了国际能源署（IEA）的数据：亚马逊、微软、谷歌和 Meta 的合计用电量在 2017 年至 2021 年间翻了一倍多，2021 年上升到约 720 亿千瓦时。微软 2024 年的环境报告提到，其总碳排放量自 2020 年以来上升了 30%，主要是由于为满足 AI 需求新建的数据中心。根据谷歌自己的报告，其排放量自 2019 年以来激增了约 50%，仅 2023 年就同比增长了 13%，这主要是由人工智能驱动的。

这些报告谈论的排放物主要是二氧化碳。Humble 说，自工业革命以来，我们一直在增加大气中温室气体的浓度。我们希望到 2100 年将升温控制在 1.5 度，但预测表明升温将在约 2.5 到 3 度之间。

国际能源署估计，2022 年全球数据中心用电量约为 240 至 340 太瓦时，占全球电力需求的 1% 至 1.3%。通信网络再增加 260 至 360 太瓦时。两者合计约 700 太瓦时，和同期巴西全国 726 太瓦时的用电量大致相当。

Humble 表示，IT 行业排放占全球总排放约 2% 至 4%，航空业是 3%。但航空行业正在积极减排，而我们科技行业却在反向而行。

如果确实需要训练定制模型，Humble 建议先评估实际需要采集的数据量。他认为，很多场景下更小的模型效果反而更好。他还建议使用开源数据集，如果可能的话，通过需求转移在有绿色能源可用的时间和地点收集数据。

Humble 提到，理论上训练全程可以使用 100% 可再生能源，这样能够减少 45% 至 99% 的碳排放。

他认为，大部分能耗其实发生在模型上线部署与持续运维阶段，并给出四项提升算力绿色度的措施：

Humble 在总结时提出：可持续性应当和成本、性能、安全、合规、可靠性并列，成为算力负载的顶层设计考量之一。我们要思考如何以更环保的方式构建系统。

Charles Humble：计算任务消耗的总电量是固定的，但电力对应的碳成本会随地点、时间产生巨大差异，这取决于数据中心的供电来源。假设数据中心使用电网电力，在一个主要依赖水力、太阳能、核能和风能的地区（例如挪威、瑞典和法国），运行工作负载可能比依赖煤炭或天然气的地区清洁许多倍。碳强度也会在一天中和一年中随着风能、太阳能和需求的变化而变化。

基于这一点，我们可以在碳感知计算中使用需求转移。需求转移可以通过两种方式完成，基于时间或基于位置。基于时间的特别适用于对延迟不敏感的场景，例如 AI 训练。

基于位置最简单的做法是对延迟容忍的新增负载默认优先选择低碳区域。进阶方案是可以随季节切换到不同半球，最大化利用日照和光伏电力。

Humble：需求塑形指根据当下电力的清洁程度、供电紧张情况调整软件的工作量或者任务类型。一种实现方式是给用户一个选择，对于一个 AI 驱动的服务，你可以让用户选择前期与人工交谈而不是 AI，也可以在对话中途切换到人工。

你还可以应用基于更高碳强度的优雅降级等技术，例如提供较低质量的视频或图像，关闭自动播放，跳过非必要的动画，或降低刷新率，或是调用更小的模型。

Humble：除了针对训练和数据收集的需求转移外，如果可能的话，避免从头开始训练。优先用预训练模型进行微调，或者在满足需求的前提下直接提示调用、使用检索增强生成（RAG）。

缩小模型体积可以加快训练、提升能效。蒸馏、量化、剪枝都可以用来做模型压缩。部分场景下，基于联邦学习的端侧训练会更加低碳。要注意：对于大规模广泛使用的模型，它整个生命周期里的推理排放往往更高，因此推理服务的能效同样关键。

Raghavendra Selvan 的《Sustainable AI》一书对这些方法有更深入的讲解，感兴趣的读者可以参考。

查看英文原文：https://www.infoq.com/news/2026/10/AI-environmentally-sustainable/