探索人工智能对环境的影响 | 行业观察
近年来，人工智能(AI)蓬勃发展，已逐渐融入日常生活，并有望重塑就业市场。无论是像ChatGPT这样能够解答客服疑问的人工智能聊天机器人，还是用于设计图形和音乐的生成式人工智能，亦或是预测金融趋势的人工智能驱动算法，这项技术都已深入人心。
然而，人工智能的崛起也带来了一系列后果。虽然它有望彻底改变生产力、就业市场和经济增长，但它也需要耗费大量的能源和资源。随着人工智能规模的扩大，其环境足迹也在不断扩大，这引发了关于可持续性的关键问题。
人工智能的快速发展
人工智能正在以惊人的速度发展：
- 预计到2030年，全球人工智能市场将为全球经济贡献15.7万亿美元，GDP增长23%。
- 企业正在竞相整合人工智能，49%的技术领导者表示，人工智能现已完全融入其核心业务战略。事实上，这种转变已经显而易见，37%的员工表示，他们所在的公司以人工智能驱动数据使用和组织。
- 人工智能工具正在提高效率——一些企业报告称生产率提高了20-30%，加快了工作流程，降低了成本，并创造了新的收入来源。
是什么推动了这场爆炸式增长？主要有三个因素：更便宜的计算能力、更优秀的机器学习模型，以及企业意识到人工智能不仅仅是一项实验，而是一种必需品。
人工智能与就业市场
“每当新技术兴起，它就会扰乱就业，人工智能也不例外。”一方面，人工智能正在实现任务自动化，减少重复性工作，并简化运营。然而，许多行政和数据处理岗位正面临风险。国际货币基金组织估计，人工智能可能会影响全球40%的就业岗位，有些岗位甚至会彻底消失。
另一方面，人工智能不仅在取代一些工作岗位，还在创造新的工作岗位。十年前，像人工智能道德、人工智能审计和机器学习工程这样的领域都还不存在。许多企业正在以创纪录的速度招聘人工智能专家，而那些学习如何有效使用人工智能的员工正变得越来越有价值。
接下来是“人工智能代理”革命。企业越来越多地使用人工智能驱动的数字工作者——处理电子邮件、安排会议、撰写报告，甚至分析市场趋势的虚拟助理。
日常生活中的人工智能
“大多数人并没有意识到人工智能在日常生活中已经根深蒂固。无论是整理电子邮件、引导交通，还是策划个性化内容，人工智能都在幕后运作，提升效率和便利性。”举几个例子？
- 娱乐：Netflix、Spotify和YouTube都使用AI来推荐接下来要观看、收听或阅读的内容。
- 购物：人工智能策划个性化广告和产品推荐，影响人们的在线购买行为。
- 导航：GoogleMaps和Waze使用AI实时分析交通模式。
- 医疗保健：人工智能正在改善医疗诊断、预测疾病爆发，甚至协助机器人手术。
尽管人工智能已被广泛应用，但公众对其在日常生活中的存在感的认知仍然参差不齐。皮尤研究中心对11004名成年人的调查显示，27%的受访者表示他们每天与人工智能互动数次，另有28%的受访者认为他们每天使用人工智能一次或每周使用数次。然而，44%的受访者认为他们根本不会定期与人工智能互动。
这种认知差距表明，人工智能的作用远比人们意识到的要广泛得多。在同一项调查中，只有30%的人能够正确识别日常生活中常见的六种人工智能。这意味着，尽管许多人表示很少使用人工智能，但他们与人工智能的互动频率可能远超他们的认知。
人工智能的作用——从医学到气候解决方案
人工智能不仅使生活更加便捷，还重塑了各个行业。
- 医疗保健：在某些情况下，人工智能可以比人类医生更快地分析医学扫描结果，并高精度地标记潜在的健康问题。一些医院已经在使用人工智能来优化人员配置并减少患者的候诊时间。
- 技术：人工智能正在加速软件开发、网络安全甚至芯片制造。
- 金融：人工智能算法管理投资、检测欺诈并实时分析市场风险。
- 气候变化与可持续性：人工智能正在帮助模拟气候情景、优化可再生能源电网，甚至通过卫星图像监测森林砍伐。
“人工智能的潜力是惊人的。但也有一个问题——人工智能本身会对环境产生负面影响。”
人工智能的隐性成本
尽管人工智能有很多好处，但其环境代价却很高。
- 能耗：人工智能计算比传统计算耗能更多。人工智能服务器所需的电力远高于标准计算系统，人工智能服务器机架的功耗高达30至100千瓦，而传统服务器仅为7千瓦。这种需求的增长源于人工智能依赖于针对复杂矩阵计算而优化的高性能硬件。重要的是，人工智能的能耗足迹不仅限于训练：人工智能总能耗中只有20%至40%来自训练模型，而60%至70%来自推理（实时运行人工智能模型的持续过程）。
- 耗水量：人工智能数据中心需要大量的冷却系统，这会导致高耗水量。加州大学河滨分校和《华盛顿邮报》的研究发现，使用ChatGPT-4生成一封100字的电子邮件会消耗519毫升水，大约相当于一整瓶水。如此大规模的消耗，将给当地供水带来越来越大的压力。
- 电子垃圾：人工智能的蓬勃发展增加了对专用硬件的需求，导致更多的处理器和服务器部件被丢弃。
随着人工智能领域竞争的加剧，其资源消耗只会越来越大。在美国，由OpenAI、软银和甲骨文牵头的5000亿美元私营部门投资旨在通过建设新的数据中心来扩展人工智能基础设施，这加剧了人们对能源和水资源使用的担忧。与此同时，中国推出的DeepSeek颠覆了市场，预示着全球人工智能竞赛将不断升级，其环境后果也将日益严重。
人工智能正在以超乎我们想象的速度重塑世界。它正在革新商业模式，颠覆行业，并改变我们的工作和生活方式。但随着人工智能的快速崛起，我们迫切需要解决其对环境的影响。问题不再是“人工智能会改变世界吗？”，真正的问题是：“我们能否让人工智能的未来可持续发展？”
ChatGPT的兴起
在众多重塑世界的人工智能应用中，ChatGPT以其影响力和规模脱颖而出。人工智能聊天机器人拥有数亿用户，并在日常工作流程中迅速增长，正以前所未有的速度推动能源需求的增长。
这些系统的环境成本尤其惊人，因为生成文本、回答问题和维持持续对话所需的电力累积起来会产生巨大的碳足迹。ChatGPT是最广泛使用的人工智能模型之一，它提供了一个案例研究，展现了人工智能的能源密集程度。
ChatGPT快速发展的环境成本
到2024年12月，ChatGPT的用户数量已达到惊人的3亿——随着人工智能进一步融入日常生活，这个数字还在持续增长。
然而，尽管人工智能的应用飞速发展，ChatGPT对环境的影响在很大程度上仍是未知的。预计到2030年，数据中心数量将增长28%，人工智能的能源需求也在迅速增长，据估计，到2030年，人工智能的能源需求可能占全球电力消耗的3-4%。预计2022年至2030年间，与人工智能相关的碳排放量也将翻一番，这将进一步加剧其环境足迹。
ChatGPT的上一个版本ChatGPT-3拥有1750亿个参数，每年消耗1,287兆瓦时的电力，相当于502公吨的碳排放量，或112辆汽油动力汽车的年排放量！
2025年的ChatGPT
到2025年，ChatGPT将比以往任何时候都更加重要，用户将依赖人工智能来做所有事情，从计划假期到处理繁琐的工作电子邮件。
然而，随着人工智能日益复杂，对多智能体系统（多个人工智能模型协同完成复杂任务）的需求也将不断增长。这种转变可能会显著增加计算需求和能源消耗，最终增加人工智能的整体碳足迹。
那么，ChatGPT将如何塑造2025年的日常生活？
- 工作场所生产力：从起草电子邮件和报告到总结会议，ChatGPT已成为全球办公室的标准工具。虽然它提高了效率，但它的广泛使用引发了人们对数据安全、工作岗位流失以及服务器需求增加对环境影响的担忧。
- 客户服务和自动化：企业越来越依赖ChatGPT进行客户互动，这减少了人工工作量，但也产生了大量自动文本，导致数字混乱和能源消耗。
- 教育与学习：ChatGPT现在是学生和专业人士的首选资源，可协助辅导、语言翻译甚至研究。
- 个人助理：无论是帮助用户规划行程、撰写社交媒体帖子，还是制定膳食计划，ChatGPT都已成为日常助手。虽然这种便利性弥足珍贵，但处理无数个人查询的能源成本却持续增长。
随着ChatGPT在日常生活中的作用不断扩大，有关其环境影响、道德使用以及对人类互动的长期影响的问题也在不断增加。
生成式人工智能的影响
以一个简单的任务为例，比如使用AI起草一封例行电子邮件。虽然用一种语言写作似乎无关紧要，但ChatGPT高度依赖GPU（图形处理单元）进行训练和推理，因为它们具有高度的并行处理能力——这使得即使是简单的AI交互也非常耗能。
因此，生成一次人工智能响应所消耗的能量大致相当于一部智能手机充满电。这凸显了即使是偶尔使用人工智能也会导致过量碳排放，尤其是在大规模使用的情况下。
“到2025年，人工智能将深深融入电子邮件撰写和搜索查询等日常任务中，其对环境的影响将远远超出许多用户的认知。每天发生数十亿次互动，累计排放量不仅巨大，而且还在不断增长。”
不同任务的能量强度
HuggingFace和卡内基梅隆大学联合开展了一项研究，由HuggingFace的人工智能研究员SashaLuccioni领导，对88种不同的人工智能模型执行常见任务进行了评估，例如：
- 文本生成；
- 提出问题；
- 图像分类；
- 图像字幕；
- 图像生成。
下表显示了该研究针对不同AI任务的能耗结果。
| 人工智能任务 | 每1,000次查询所消耗的能量（千瓦时） | 每1,000次查询的二氧化碳排放量 |
|---|---|---|
| 文本分类 | 0.002 | ~0.3克二氧化碳当量 |
| 文本生成 | 0.047 | ~7.5克二氧化碳当量 |
| 总结 | 0.049 | ~8克二氧化碳当量 |
| 图像分类 | 0.007 | ~1.1克二氧化碳当量 |
| 物体检测 | 0.038 | ~6.1克二氧化碳当量 |
| 图像生成 | 2.9 | 1,594克二氧化碳当量 （行驶 4.1 英里） |
研究结果强调，与面向任务的人工智能相比，生成型人工智能对能源的需求更大。
进一步的研究也支持了这些发现，表明生成1,000张图片产生的二氧化碳量相当于一辆汽油驱动的汽车行驶4.1英里（6.6公里）。相比之下，生成文本所需的能量要少得多——仅消耗智能手机满电电量的16%，排放量仅相当于行驶0.0006英里。
研究发现，平均而言，AI图像生成比文本生成消耗的能量高出60倍。
除了推理之外，生成式AI模型还需要大量的训练，这进一步增加了它们的整体能耗。例如，训练BLOOMzAI模型（拥有超过1000亿个参数）每次查询的能耗仅为0.0001千瓦时。换个角度来看，即使是能效最低的图像生成模型，仅1000次推理就消耗了相当于522次智能手机充电的电量。
总体而言，向人工智能代理网络的转变和生成式人工智能的扩大使用预计将推动能源消耗的大幅增加，对数据中心提出更大的需求，并引发人们对人工智能发展对环境影响的担忧。
ChatGPT4 的碳足迹是多少？
随着人工智能的普及，了解其对环境的影响至关重要。虽然像ChatGPT这样的人工智能模型在自动化任务和提高效率方面具有巨大的价值，但它们的快速增长也带来了巨大的碳成本。这些模型的训练和使用需要大量的计算能力、电力和冷却系统，这导致能源足迹不断增加。
但这种影响到底有多大？为了量化人工智能对环境的影响，我们需要分析最广泛使用的人工智能模型之一——ChatGPT4——的碳足迹。
在深入研究数字之前，让我们先来看看GPT-4和ChatGPT之间的区别：
虽然ChatGPT和GPT-4经常被互换提及，但它们的用途却截然不同：
- GPT-4是底层AI模型——一个强大的通用语言模型，能够执行从文本生成和摘要到翻译和数据分析等各种任务。它不仅可用于对话，还可用于研究、商业智能和预测建模等各种应用。
- 另一方面，ChatGPT是一款基于GPT-4构建的产品，专门针对对话交互进行了优化。它经过微调，可以提供实时响应，是聊天机器人、虚拟助手和客户支持的理想选择。
本质上，GPT-4是基础，而ChatGPT是一种定制的实现，旨在增强基于对话的AI体验。
格林利的方法论
为了评估GPT-4相关的碳排放，Greenly模拟了一个现实的商业用例：在一年内每月自动回复100万封电子邮件。该场景涵盖了两个关键阶段（训练和使用）产生的碳排放，这两个阶段都会影响GPT-4的整体碳足迹。
对于训练，此估算假设在100天内以30%的工作负载使用了25,000块NVIDIAA100GPU。数据中心被建模为位于美国的大型、经过优化的设施，其能源使用效率(PUE)为1.1，其平均电力结构排放量为403.6克二氧化碳当量/千瓦时（基于IEA数据）。
通过考虑训练和使用阶段，该方法提供了GPT-4在现实世界商业应用中的碳影响的全面视图。
与GPT-4训练相关的排放
GPT-4首先需要经过训练，才能胜任并高效地撰写合适的电子邮件回复——这个过程需要耗费大量时间并投入大量的计算资源。在这种情况下，根据方法论，假设训练在电源使用效率(PUE)为1.1的大型数据中心进行。
在数据中心训练GPT-4需要一系列设备，包括服务器、冷却系统和网络基础设施。其环境影响并非计算这些设备全年的持续运行，而是通过将100天训练期间的能耗分摊到一年来计算。最终得出的结果是5,759,430千克二氧化碳当量(kgCO₂e)。
除了直接能源消耗外，数据中心的冷却系统制冷剂泄漏也会产生排放，而冷却系统对于防止高性能计算环境中的过热至关重要。据估计，这些制冷剂泄漏在一年内会额外产生49,587千克二氧化碳当量。
用于训练GPT-4的GPU的制造也会产生巨大的碳足迹，估计会产生1,329,141千克二氧化碳当量（基于4年的使用寿命和30%的工作量）。
一年内训练GPT-4的总排放量为7,138,158kgCO₂e。
与GPT-4使用相关的排放
GPT-4训练完成后，即可部署每月自动回复100万封电子邮件。一年下来，相当于回复1200万封电子邮件，碳排放量如下。
考虑到电力消耗、冷却要求和服务器制造，GPT-4执行此任务一年内共产生514,800kgCO₂e，相当于每月42,900kgCO₂e。
GPT-4的总碳足迹
“根据这些计算，GPT-4每月回复100万封电子邮件，仅在使用阶段产生的排放量就高达42,900千克二氧化碳当量。然而，当包括训练和使用阶段，并在一个月内摊销时，总影响上升到637,771千克二氧化碳当量，相当于仅在一个月内就往返巴黎和纽约约360次（每年超过4,300次！）。”还需注意的是，如果要使用GPT-4回复多种语言的电子邮件，则需要针对每种语言重新训练该技术。这意味着总排放量会随着所需语言数量的增加而增加，因此对于使用多种语言运营的企业来说，碳足迹非常巨大。
然，像DeepSeek这样新兴企业正在介入这一领域，其声称能够以极低的计算能力提供相当的AI能力。这是否预示着AI将朝着更可持续的方向发展？如果DeepSeek的方法被证明具有可扩展性，它或许能让我们窥见AI创新与环境责任并驾齐驱的未来。
DeepSeek——对环境影响较小的人工智能颠覆者？
1月20日，中国的DeepSeek在人工智能领域掀起了轩然大波，其突破性进展有望大幅降低人工智能的能耗。该公司声称，其R1模型的性能可与OpenAI的GPT-4相媲美，但计算能力却仅为后者的一小部分。
与依赖数千块高性能Nvidia芯片的美国竞争对手不同，DeepSeek声称仅使用2,000块NvidiaH800芯片训练其模型，而Meta的Llama3.1等同类模型则需要16,000多块芯片，这仅仅是其中的一小部分。结果如何？据报道，DeepSeekR1的训练成本仅为600万美元，而Meta的模型则需要约6,000万美元。
乍一看，这项效率突破似乎将改变环境格局。人工智能日益增长的能源需求已引发警觉，预测显示，到2028年，数据中心可能占美国电力消耗的12%，高于2023年的4.4%——全球其他依赖科技的国家也会出现类似的趋势。
在全球范围内，人工智能基础设施已经造成了约1%的能源相关温室气体排放，国际能源署(IEA)警告称，到明年，全球对人工智能和数据中心的电力需求可能会翻一番。
新的效率模式？
这种高效背后的关键创新在于DeepSeek的混合专家(MoE)架构。与为每个查询激活整个网络的传统AI模型不同，MoE将任务分配给专门的子模型，仅针对给定请求激活必要的计算能力。这种选择性计算可以在保持性能的同时降低整体能耗。
此外，DeepSeek声称其模型在数据存储方面更高效，并且不需要同等级别的高性能计算硬件，有助于进一步减少资源需求。
DeepSeek能否减少人工智能的碳足迹？
如果DeepSeek的说法属实，其方法可以显著降低与人工智能相关的排放。其主要优势包括：
- 更低的能源需求：训练DeepSeek的V3模型仅需要278万个GPU小时，而Meta的Llama3.1模型尽管依赖于更新、更高效的芯片，却使用了3080万个GPU小时。
- 更少的AI芯片：DeepSeek依赖2,000块NvidiaH800芯片，而其竞争对手则使用16,000多块，这意味着对芯片生产的需求减少，而芯片生产本身就是资源密集型的。
- 本地处理能力：DeepSeek的AI是一种开放权重模型，可以在本地设备下载并运行，从而减少对云计算和数据中心的需求。如果得到广泛采用，这将有望减少AI对高能耗服务器集群的依赖。
- 降低耗水量：数据中心不仅消耗大量电力，还需要大量的水用于冷却。2023年的一项研究发现，训练像GPT-3这样的大型AI模型可能消耗近百万升水。更重要的是，预计2027年全球AI需求将导致42亿至66亿立方米的用水量。如果DeepSeek能够减少对大型数据中心的依赖，或许有助于减轻这种影响。
效率能否增加需求？
虽然DeepSeek在效率方面的突破令人鼓舞，但也引发了人们的担忧，即这种效率的提升将导致整体能耗的增加。
如果人工智能模型变得更便宜、更高效，其采用率可能会呈指数级增长，最终增加而不是减少电力需求。
人工智能和可持续性的未来？
DeepSeek的模型预示着人工智能发展的潜在转变，挑战了“扩展人工智能需要不断增加的基础设施和能源消耗”这一假设。如果人工智能公司采用类似的低功耗架构和本地处理能力，该行业对能源密集型数据中心的依赖可能会减少。然而，DeepSeek的效率声明是否会转化为全球人工智能排放的显著减少还有待观察。
人工智能要想真正实现可持续发展，模型效率的提升必须与负责任的部署和清洁能源基础设施的投资相结合。否则，即使个别模型效率更高，人工智能的环境足迹仍将持续增长。
我们如何才能减少人工智能的影响？
随着人工智能的普及，其对环境的影响也日益加深。不过，有几种方法可以降低生成式人工智能的能源强度：
- 优化的硬件：从NVIDIAGPU过渡到TPU（张量处理单元），例如Google的TPU，可以提高能效并降低功耗。TPU专为机器学习工作负载而设计，因此更加节能。
- 更智能的云计算：数据中心的选择对排放有显著影响。例如，谷歌位于爱荷华州的数据中心主要采用清洁能源供电，与使用化石燃料为主的电网的数据中心相比，其排放量减少了5.4倍。
- 更高效的训练机制：由于训练仍然是人工智能开发中最耗能的阶段之一，优化训练算法可以减少高达88倍的排放，从而降低计算需求和能耗。模型剪枝、知识提炼和量化等技术可以在不牺牲性能的情况下提高效率。
- 更强有力的政策和基准：人工智能行业目前缺乏明确的可持续性监管标准。实施全行业基准可以鼓励更负责任的能源使用，例如：要求人工智能开发者报告模型训练的全部碳影响，规范能源密集型人工智能运营，并激励谷歌、OpenAI和Meta等企业提高其排放报告的透明度。
- 可再生能源与智能数据中心选址：使用可再生能源为数据中心供电可以大幅减少人工智能的碳足迹。此外，选择拥有清洁能源电网的地点也会带来显著的改变。例如，在法国运行人工智能模型（法国的电力主要来自核能和可再生能源）产生的排放量远低于美国部分地区，因为美国部分地区更依赖化石燃料。
总结
总之，虽然人工智能可以提高效率，但其能源需求必须谨慎管理。诸如此类的积极策略对于确保人工智能的未来更加可持续至关重要。
参与评论 (0)