部落格
人工智慧的環境成本
人工智慧的快速增長正在引發關於能源、水和碳的嚴重問題，而到目前為止的答案並不令人安心。
人工智慧現在已嵌入搜尋引擎、電子郵件用戶端、工作場所工具、創意軟體和個人助理中。採用的速度非常驚人。但是每一次查詢、每一張生成的圖像、每一份摘要文件都在實體建築中的實體硬體上運行，消耗著真實的電力和水。該基礎設施的環境成本正在攀升，值得受到比通常更多的審視。
這並不是反對 AI 的論點。這是為了展示我們所知道的情況、趨勢的走向，以及有哪些槓桿可以推動該行業朝著更好的方向發展。
AI 消耗多少能源？
訓練大型語言模型在計算上是非常昂貴的。估計值因模型、硬體以及效率的衡量方式而異，但研究人員認為，訓練單個前沿模型所需的能源在數十吉瓦時（gigawatt-hours）的範圍內。用更通俗的話來說，單次訓練運作所消耗的電力可以相當於數百戶普通家庭一整年的用電量。
推論（執行已訓練模型以回答問題或生成輸出的過程）每次操作消耗的能源較少。但推論每天在數百萬用戶中發生數十億次，累積的需求是巨大的。一些分析師估計，單次由 AI 驅動的搜尋查詢所消耗的能源大約是傳統網頁搜尋的十倍。隨著 AI 功能被加入到更多產品中，總體推論負載的增長速度已超過了訓練負載。
國際能源署預計，在 2022 年至 2026 年間，數據中心的電力消耗可能會增加一倍以上，其中 AI 工作負載佔了這一增長的重要份額。在某些地區，新的數據中心已經使電網承受重負。在數據中心現已佔全國電力消耗約五分之一的愛爾蘭，不得不限制新的電力連接。荷蘭的部分地區和美國的多個州也面臨著類似的壓力。
水資源問題
數據中心會產生熱量，而這些熱量需要被管理。許多設施使用蒸發冷卻，這會消耗大量的水。一個大型數據中心每天可能使用數百萬公升的水，具體取決於其冷卻設計和當地氣候。
2023 年發表的研究估計，僅訓練 GPT-3 就消耗了約 70 萬公升的淡水用於冷卻。更近期的、更大規模的模型可能消耗了更多，儘管具體數字通常不予公開。微軟 2024 年的環境報告顯示，在 2021 年至 2023 年期間，其用水量增加了 34%，這段時期正好與其積極擴張 AI 基礎設施相吻合。Google 也報告了類似的軌跡。
這並不是一個微不足道的擔憂。許多數據中心位於已經面臨水資源壓力的地區。工業冷卻與當地用水需求之間的競爭是一個真實的緊張關係，隨著更多設施的建設，這種緊張關係將會加劇。
碳排放量正在上升，而不是下降
微軟和 Google 都在 2020 年代初期做出了著名的氣候承諾。微軟承諾到 2030 年實現負碳排放。Google 的目標是在同年實現 24/7 全天候無碳能源運作。此後，兩家公司都報告稱其碳排放量正朝著錯誤的方向發展。
微軟 2024 年的可持續發展報告顯示，與 2020 年相比，其整體碳排放量增加了 29%，數據中心建設和 AI 工作負載被列為主要驅動因素。Google 報告在可比時期內排放量增加了 48%。在這兩個案例中，公司都承認 AI 相關的基礎設施是一個重要因素。
一些公司已經悄悄修改了他們的氣候時間表，或放寬了圍繞目標的措辭。這種緊張關係是結構性的：以最快速度構建和部署 AI 的商業激勵，與為該基礎設施實現能源供應去碳化所需的時間和投資相衝突。可再生能源的採購正在增長，但速度還不夠快，無法抵消新需求的步伐。
謝馮斯悖論與效率陷阱
人們普遍認為，隨著 AI 硬體變得更加高效，環境影響自然會減少。這值得仔細審視，因為歷史規律表明情況恰恰相反。
謝馮斯悖論（Jevons' paradox）最早是在 19 世紀煤炭消耗的背景下被觀察到的，它描述了一種現象，即效率的提高會導致總消耗量的增加，而不是減少。更高效的引擎使煤炭的使用成本更低，這導致了煤炭的更多用途，進而導致整體燃煤量增加。
同樣的動態在計算領域也很明顯。晶片比以往任何時候都更節能。模型的訓練和運行也變得更加高效。但對此的反應卻是訓練更多的模型、更頻繁地運行它們、將它們嵌入更多產品中，並為更多用戶提供服務。其淨效應是更高的總能源消耗，而不是更低。效率的提升是必要的，但還不夠。如果沒有在總消耗水平上發揮作用的限制或激勵措施，效率的提高可能只會加速增長。
存在哪些法規？
監管格局仍然稀疏，但一些框架正在萌芽。於 2024 年開始生效的《歐盟人工智慧法案》包含了要求高風險 AI 系統報告能源消耗和環境影響的條款。這些條款的範圍較小，執法機制仍在制定中，但它們代表了一個起點。
在美國，監管進展較慢。一些州已經引入了數據中心能源報告要求，立法機關對大規模計算的環境足跡也表現出越來越大的興趣，但目前還沒有全面的聯邦框架。中國已經引入了一些數據中心效率標準，儘管合規性的透明度有限。
在國際層面，該主題已出現在 G7 和 G20 的討論中，但具有約束力的承諾仍然罕見。AI 部署的速度與環境治理的速度之間存在著巨大的差距。
各大公司的應對措施
值得讚揚的是，大多數大型科技公司都在投資可再生能源。微軟、Google、亞馬遜和 Meta 都對可再生能源採購做出了實質性承諾，並為風能和太陽能項目簽署了電力採購協議。一些公司正在探索核能（包括小型模組化反應爐），將其作為數據中心基載電力的潛在來源。
這些努力是真實的，但也是不完整的。可再生能源證書允許公司在為其設施供電的電子實際來自電網時，仍聲稱使用可再生能源，這可能會誇大實際的環境效益。「匹配」的可再生能源（從其他地方購買的證書）與直接共置的清潔能源之間的區別非常重要。
幾家主要公司都有水資源管理計劃，包括承諾補充比其消耗更多的水。衡量水資源補充的方法各不相同，且並非總能獲得獨立驗證。雖然有進展，但很難準確評估進展有多少。
用戶和買家可以推動什麼
個人用戶對數據中心的能源結構直接影響有限。但集體選擇、採購決策以及對透明度的強烈呼聲可以影響企業行為。在以下幾個領域，施加壓力可以產生積極效果：
透明度是基礎。用戶和企業買家可以要求供應商披露每項服務的能源消耗、每個設施的用水量以及碳排放，並提供清晰的方法。模糊的「可持續性」承諾遠不如可審計的數字有用。
採購決策至關重要。當組織選擇雲端供應商、AI 工具或工作空間平台時，環境記錄可以作為評估的因素。一些公司已開始在供應商選擇流程中加入可持續性標準。
支持標準和法規也是富有成效的。如果 AI 能源報告的行業標準被廣泛採用，將更容易比較供應商並追究其責任。關注此問題的用戶可以倡導更嚴格的報告要求。
仔細選擇工具是值得考慮的。並非每個任務都需要前沿模型。更小、更高效的模型可以處理許多使用案例，且能源成本僅為其一小部分。在定義範圍內工作的 AI 助手，利用您自己的文件而不是整個網際網路，既可以更有用，又可以減少資源消耗。
Fabric 的應對措施
我們應該對我們自己的立場保持透明。與超大規模雲端供應商相比，Fabric 是一家小公司，我們的環境足跡也按比例較小。但我們相信，AI 領域的每家公司都有責任認真對待這一點。
每個 Fabric 訂閱都會通過在肯亞和巴西的修復項目種植紅樹林。紅樹林是最有效的自然碳匯之一，其碳吸收率比陸地森林高出數倍。我們正致力於在 2030 年前實現 100% 碳中和與水足跡中和。
我們並不聲稱這解決了問題。植樹不能替代從源頭減少排放。但我們認為這比什麼都不做要好，我們認為將環境成本納入商業模式中，而不是將其視為事後才考慮的事情，才是正確的方法。
我們更廣泛的理念是，您的工具應該代表您高效工作。Fabric 的 AI 可在您的文件上運作，而無需將它們發送到其他地方進行訓練，其雲端串流方法意味著文件是按需傳輸的，而不是在設備之間重複備份，從而減少了存儲基礎設施的開銷。
更大的藍圖
AI 的環境成本並不是停止構建或使用 AI 的理由。這項技術具有真正的益處，其某些應用（從氣候建模到電網優化）可能直接有助於應對環境挑戰。
但目前的軌跡令人擔憂。排放量正在上升。用水量正在增加。電網承受重負。企業氣候承諾與企業氣候表現之間的差距正在拉大。而目前的市場激勵措施更傾向於速度和規模，而非環境責任。
前行的道路涉及多個方面同時進行：對清潔能源的真正投資（而不僅僅是證書）、環境指標的透明報告、與部署速度保持同步的監管框架、將環境成本內在化的商業模式，以及將可持續性納入選擇考量的知情用戶。
這是一個共同的問題。它屬於構建 AI 的公司、監管 AI 的政府，以及使用 AI 的人們。我們至少能做到對成本保持坦誠。
您可以閱讀更多關於 Fabric 如何應對可持續發展，以及我們在最可持續的 AI 應用和最可持續的雲端儲存類別中表現如何。
常見問題
訓練大型 AI 模型會消耗多少電量？
訓練前沿語言模型會消耗數十吉瓦時的電力，大約相當於數百戶普通家庭的年消耗量。確切的數字取決於模型大小、硬體效率和訓練時間。
為什麼數據中心使用這麼多水？
許多數據中心使用蒸發冷卻系統來管理數千台伺服器產生的熱量。這個過程會消耗大量的水。一個大型設施每天可能使用數百萬公升，具體取決於冷卻技術和當地的氣候條件。
科技公司達到他們的氣候目標了嗎？
幾家主要公司報告了排放量增加，使他們偏離了其聲明的目標。微軟報告 2020 年至 2024 年間碳排放量增加了 29%，Google 報告在可比時期內增加了 48%，兩者都指出 AI 基礎設施是促成因素之一。
什麼是謝馮斯悖論，它如何應用於 AI？
謝馮斯悖論描述了一種觀察結果，即效率的提高會導緻資源總消耗量的增加，而不是減少。在 AI 中，更高效的晶片和模型促成了更廣泛的部署，儘管每次操作的效率有所提高，但仍導致了總體能源消耗增加。
歐盟是否有監管 AI 的環境影響？
《歐盟人工智慧法案》包含要求某些 AI 系統報告其能源消耗和環境影響的條款。這些要求目前仍在實施中且範圍有限，但它們代表了針對 AI 環境足跡的首批監管嘗試之一。
個人用戶對 AI 的環境成本可以做些什麼？
用戶可以選擇對其環境指標保持透明的供應商，偏好針對任務使用適當大小模型的工具，支持圍繞能源和排放報告的監管努力，並在評估雲端儲存和 AI 工具時加入可持續性標準。
可再生能源是否足以抵消 AI 的能源需求？
可再生能源的採購正在增長，但並未能跟上數據中心能源需求的增長。可再生能源證書與直接共置的清潔能源之間的區別非常重要。在不解決總需求增長的情況下，可再生能源是必要的，但單憑其自身還不夠。
Fabric 是否有抵消其環境影響？
Fabric 通過在肯亞和巴西的項目，為每個訂閱種植紅樹林，並致力於在 2030 年前實現 100% 碳中和與水足跡中和。您可以在環境頁面上閱讀更多關於 Fabric 的環境承諾。
雲端串流如何減少環境影響？
雲端串流按需傳輸文件，而不是將完整副本同步到每台設備。這減少了所需的總存儲基礎設施，從而減少了與在多個位置維護重複數據相關的能源和冷卻需求。
相關頁面
其他部落格文章：
The Creative's Cold Start Problem
How to Stop Losing Momentum Between Study Sessions
Your Future Self Can't Read Your Mind
The Hemingway Bridge: Stop Working So You Can Start Again
Your ERP Has the Answers. Nobody Can Find Them.
The Usability Layer Your Business Systems Are Missing
手寫與數位筆記：你不必做出抉擇
為什麼你的手寫筆記無法搜尋（以及該如何解決）