第 27 课，共 28 课 · 用好 AI
AI 对环境有害吗？
AI 确实有环境代价，主要来自数据中心训练和运行模型所消耗的电力和水，以及制造芯片与服务器带来的排放。影响有多大，取决于 AI 的使用量和当地电力有多清洁。AI 也能在其他领域减少能源浪费，因此净影响取决于它被用来做什么。
AI 的环境足迹从何而来
AI 模型运行在数据中心的专用芯片上，数据中心就是装满服务器的大型建筑。它的环境足迹主要有四个来源：
- 训练：打造一个大模型可能需要数千块芯片连续运行数周，这是一笔巨大的一次性能耗。
- 推理，也就是使用训练好的模型：每次提问都要把模型再运行一遍。单次回答耗能不多，但数十亿次回答累积起来，对热门服务而言，日常使用的能耗随时间推移可能超过训练。
- 冷却：服务器会发热，许多数据中心用水来降温；发电厂发电本身也要用水。
- 硬件：制造芯片和服务器需要能源、水和原材料，淘汰的设备还会变成电子垃圾。
影响到底有多大？
国际能源署（IEA）在《能源与人工智能》报告（2025 年 4 月）中估计，2024 年数据中心用电约占全球电力消费的 1.5%，约 4,150 亿千瓦时；其基准情景预测，到 2030 年这一数字将大致翻倍，达到约 9,450 亿千瓦时，而 AI 是增长的主要驱动力。需要注意的是，数据中心还承载着邮件、视频流和云存储等服务，并非只为 AI 服务。
从全球用电占比看，这个比例仍然不大，但影响是局部的：数据中心集中在某些地区，可能给当地电网和水资源带来压力。至于每次 AI 提问耗电多少，各方估算差异很大且常有争议，因为这取决于模型、硬件、回答长度和数据中心的电力来源。
另一面：效率提升与益处
芯片和模型的效率在不断提高，完成同一项任务所需的能耗总体呈下降趋势。如今，许多过去需要大模型才能完成的日常任务，小模型就能胜任，有些甚至能直接在手机和笔记本电脑上运行。许多数据中心运营商也在采购可再生电力。
AI 还被用来节能：预测风电和光伏发电量、管理电网、优化建筑的供暖与制冷，以及加速新材料研究。但要注意“反弹效应”：当一样东西变得更便宜、更高效，人们往往会用得更多，总消耗仍可能上升。AI 总体上是否“有害”，取决于这些力量之间的平衡。
你能做些什么
单次提问的影响很小，但习惯会在数百万用户中被放大。下面这些习惯既能减少能耗，在按 Token 计费的方案中还能省钱：
- 选择合适规模的工具：简单问题用小而快的模型就够了，复杂问题再动用大型推理模型。
- 把提示词写清楚，争取一次得到好答案，而不是一遍遍重新生成。
- 换话题就开新对话，因为长对话每发一条消息都会重新发送全部历史记录。
- 不需要长答案时就要求简短回答，用不上的图片或视频就别生成。
- 如果你为组织采购 AI，可以询问供应商的能源来源和可持续发展报告。
示例
为什么小习惯会积少成多
演示示例把一次典型 AI 回答的能耗记为 E。真实数值差异很大，所以本例不使用任何真实数据。 1 个人，每天 20 次回答：20 E 100 万人，每天 20 次回答：20,000,000 E 如果每人每天少做 5 次不必要的重新生成： 1,000,000 × 5 = 每天节省 5,000,000 E， 相当于总量的四分之一，而且没有人需要放弃 AI。
同样的算法也解释了为什么 AI 的环境足迹会随着普及而增长：单次回答很小，但回答的总次数极其庞大。
要点
- AI 的环境足迹来自数据中心的电力和用水，以及硬件本身。
- 国际能源署在 2025 年预测，到 2030 年数据中心用电量将大致翻倍，主要由 AI 推动。
- 影响在局部最明显，数据中心会给当地电网和水资源带来压力。
- 效率在持续提升，AI 也能在别处节能，但用量增长可能抵消这些收益。
- 选对模型规模、写清提示词、避免不必要的重新生成，既节能又省钱。
在 Mindber 上试试
相关术语
相关主题
常见问题
一次 AI 提问要消耗多少能源？
没有统一的答案。已发表的估算差异很大，因为能耗取决于模型大小、硬件、提示词和回答的长度、是否涉及推理或图像生成，以及数据中心的运行效率。小模型给出的简短文字回答，耗能远低于一长串推理过程或一段生成的视频。
AI 很耗水吗？
数据中心用水主要是为了冷却，为其供电的发电厂发电时也要用水。用水量因地点、气候、季节和冷却设计不同而差异很大：有的数据中心用水很少，有的则很多。已有研究让这种“隐形用水”受到关注，一些运营商也开始在可持续发展报告中公布用水数据。
AI 能帮助应对气候变化吗？
可以有所帮助。AI 被用于预测风电和光伏发电量、平衡电网、减少建筑和工厂的能源浪费，以及加速电池和材料研究。这些收益是真实的，但不会自动实现：前提是 AI 真正被用在这些问题上，而且收益要大于 AI 自身额外消耗的能源。
来源
- Energy and AI. International Energy Agency, 2025年4月
- Energy and Policy Considerations for Deep Learning in NLP. Strubell et al., arXiv, 2019年6月
- Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models. Li et al., arXiv, 2023年4月
最后更新