人工智慧如何影響環境？

人工智慧如何影響環境？

簡而言之：人工智慧對環境的影響主要體現在資料中心的電力消耗（包括訓練和日常推理）、冷卻用水，以及硬體製造和電子垃圾產生的隱含環境影響。如果使用規模達到數十億次查詢，推理的能耗可能超過訓練；如果電網更乾淨、系統更有高效，環境影響就會降低，而效益則會成長。

重點總結：

電力：追蹤計算使用；當工作負載在更清潔的電網上運作時，排放量會下降。

水：冷卻方式的選擇會影響冷卻效果；在水資源匱乏的地區，水性冷卻法最為重要。

硬體：晶片和伺服器會帶來巨大的環境影響；延長使用壽命並優先考慮翻新。

反彈：效率的提高可能會增加總需求；衡量結果，而不僅僅是衡量單一任務的收益。

操作槓桿：合理調整模型規模，最佳化推理，並以透明的方式報告每個請求的指標。

人工智慧如何影響環境？資訊圖

您可能還想閱讀以下文章：

🔗 人工智慧對環境有害嗎？
探索人工智慧的碳足跡、電力消耗和資料中心需求。.

🔗 為什麼人工智慧對社會有害？
看看偏見、就業中斷、錯誤訊息和日益擴大的社會不平等。.

🔗 人工智慧為何有害？人工智慧的陰暗面
了解諸如監視、操縱和喪失人為控制等風險。.

🔗 人工智慧是否發展過頭了？
關於倫理、監管以及創新界線的辯論。.

人工智慧如何影響環境：快速概覽⚡🌱

如果你只能記住幾個重點，那就記住這幾點：

還有一點人常常忽略：規模。一次人工智慧查詢可能很小，但數十億次查詢就完全是另一回事了……就像一個小雪球，不知怎的就變成了沙發大小的雪崩。 （這個比喻可能不太恰當，但你應該明白我的意思。）國際能源總署：能源與人工智慧

人工智慧的環境足跡並非單一因素，而是一個整體🧱🌎

當人們爭論人工智慧和永續性議題時，他們常常各說各話，因為他們關注的是不同的層面：

1）計算電量

2）資料中心開銷

3）水和熱

4）硬體供應鏈

5）行為和反彈效應

所以當有人問人工智慧如何影響環境時，直接的回答是：這取決於你衡量的是哪一層，以及在這種情況下「人工智慧」的含義。.

訓練與推理：這改變一切的差異🧠⚙️

人們喜歡談論訓練，因為它聽起來很震撼——「一個模型消耗了X能源」。但推理才是默默無聞的巨人。國際能源總署：《能源與人工智慧》

訓練（大建設）

訓練就像建造一座工廠。你需要支付前期成本：大量的運算資源、漫長的運行時間、大量的試誤運行（當然，還有許多「哎呀，失敗了，再試一次」的迭代）。訓練可以優化，但成本仍然相當高。國際能源總署：《能源與人工智慧》

推論（日常用法）

推理就像一座工廠，每天為所有人大規模運作：

  • 聊天機器人回答問題

  • 影像生成

  • 搜尋排名

  • 建議

  • 語音轉文字

  • 詐欺偵測

  • 文件和程式碼工具中的副駕駛

即使每次請求量都相對較小，但使用量也可能遠遠超過訓練量。這就好比「一根吸管不算什麼，一百萬根吸管就成了問題」。國際能源總署：《能源與人工智慧》

需要說明的是，某些人工智慧任務比其他任務消耗更多能源。生成圖像或長影片通常比短文字分類更耗能。因此，將「人工智慧」一概而論，就好比把自行車和貨輪相提並論，都稱之為「交通工具」。國際能源總署：《能源與人工智慧

資料中心：電力、冷卻和靜謐的水的故事💧🏢

資料中心並非新事物，但人工智慧改變了其運作方式。高性能加速器在狹小的空間內會消耗大量電力，這些電力會轉化為熱量，必須加以管理。勞倫斯伯克利國家實驗室 (LBNL) (2024)：《美國資料中心能源使用報告》(PDF)； 國際能源總署 (IEA)：《能源與人工智慧》

散熱基礎（簡化版，但實用）

這就是權衡之處：有時可以透過依靠水冷來降低電力消耗。根據當地缺水情況，這可能沒問題……但也可能是一個真正的問題。 Li等人 (2023)：《讓人工智慧不那麼「耗水」(PDF)

此外，環境足跡還很大程度取決於：

坦白說，公眾討論中常常把「資料中心」當作一個黑盒子。它既不邪惡，也不神秘。它只是基礎設施，它的運作方式也符合基礎設施的性質。.

晶片和硬體：人們因為覺得它不夠吸引人而忽略的部分🪨🔧

人工智慧依賴硬體。硬體有其生命週期，而生命週期的影響可能很大。美國環保署：半導體產業； 國際電信聯盟：《2024年全球電子垃圾監測報告》

環境影響體現在哪裡

電子垃圾和「完好無損」的伺服器

許多環境危害並非源自於單一設備的存在，而是源自於因成本效益降低而提前更換設備。人工智慧加速了這一趨勢，因為其效能提升幅度可能非常大。更新換代硬體的誘惑確實存在。國際電信聯盟：《2024年全球電子垃圾監測報告》

一個實際的例子：延長硬體壽命、提高利用率和翻新利用，其重要性不亞於任何花哨的型號升級。有時候，最環保的顯示卡就是你根本不會買的那款。 （這聽起來像是句廣告語，但某種程度上也確實如此。）

人工智慧如何影響環境：「人們忘記這一點」的行為循環🔁😬

這裡有一個棘手的社會問題：人工智慧讓事情變得更簡單，因此人們可以做更多的事情。這固然很好——更高的生產力、更強的創造力、更廣泛的資源取得。但這也意味著整體資源消耗量會增加。經合組織（2012）：提高能源效率的多重效益（PDF）

例如：

  • 如果人工智慧讓影片製作成本降低，人們就會製作更多的影片。.

  • 如果人工智慧能提高廣告效果，就能投放更多廣告，促進更多互動循環。.

  • 如果人工智慧能夠提高運輸物流效率，電子商務的規模擴張速度將會更快。.

這並非恐慌的理由，而是需要衡量結果而非僅是效率的理由。.

一個不太完美但很有趣的比喻：人工智慧的效率就像給一個青少年一個更大的冰箱——沒錯，食物儲存量增加了，但不知怎麼的，冰箱一天之內又空了。這個比喻並不完美，但是…你一定看過這種情況😅

好處是：人工智慧確實可以幫助保護環境（如果運用得當）🌿✨

現在來說說容易被低估的部分：人工智慧可以減少現有系統中的排放和浪費，而這些系統……坦白說，並不完善。國際能源總署：《人工智慧助力能源優化與創新》

人工智慧可以發揮作用的領域

重要細節：人工智慧的「輔助」角色並不能自動抵消其對環境的影響。這取決於人工智慧是否真正部署、真正使用，以及它是否能帶來真正的減排效果，而不僅僅是改進數據看板。但人工智慧的潛力是真實存在的。國際能源總署：人工智慧助力能源優化與創新

什麼樣的人工智慧才算是優秀的環保人工智慧？ ✅🌍

這是「好的，那我們應該怎麼做」部分。一個良好的、對環境負責的人工智慧系統通常包含：

  • 明確的用例價值：如果模型不能改變決策或結果，那它就只是花俏的計算。

  • 內建衡量指標：能源、碳排放估算、利用率和效率指標與其他關鍵績效指標 (KPI) 一樣進行追蹤。 CodeCarbon ：方法論

  • 選擇合適的模型：如果較小的模型也能奏效，就使用較小的模型。追求效率並非道德敗壞。

  • 高效率的推理設計：快取、批次、量化、檢索和良好的提示模式。 Gholami等人 (2021)：量化方法綜述 (PDF)； Lewis 等人 (2020)：檢索增強生成

  • 硬體和位置感知：在電網更清潔、基礎設施更有效率（如可行）的地方運行工作負載。碳排放強度 API（GB）

  • 延長硬體壽命：最大限度地利用、再利用和翻新。國際電信聯盟：《2024年全球電子垃圾監測報告》

  • 客觀報道：避免使用「環保人工智慧」等模糊不清、缺乏數據支援的「漂綠」語言和說法。

如果你還在關注人工智慧如何影響環境，那麼答案就不再是哲學層面的，而是實際的操作層面：它會根據你的選擇對環境產生影響。.

比較表：真正能減少影響的工具和方法🧰⚡

下面是簡明實用的表格。它並不完美，而且，是的，有些單元格的內容帶有個人主觀意見……因為實際的工具選擇就是這樣。.

工具/方法 觀眾 價格 為什麼有效
碳/能源追蹤庫（運行時估算器） 機器學習團隊 相對自由 提高透明度－即使估算結果有些模糊，這也是成功的一半… CodeCarbon
硬體功耗監控（GPU/CPU遙測） 基礎設施 + 機器學習 自由的 衡量實際消耗量；適用於基準測試（雖然不起眼但很實用）
模型蒸餾 機器學習工程師 免費（耗時😵） 規模較小的學生模型通常能以較低的推理成本達到相同的表現。 Hinton等人（2015）：神經網路中的知識提煉
量化（低精度推理） ML + 產品 自由的 降低延遲和功耗；有時會略微影響畫質，有時則沒有影響。 Gholami 等人 (2021)：量化方法綜述 (PDF)
快取 + 批次推理 產品 + 平台 自由的 減少冗餘計算；尤其適用於重複提示或類似請求。
檢索增強生成（RAG） 應用程式團隊 混合 將「記憶體」卸載到檢索階段；可以減少對大型上下文視窗的需求。 Lewis等人（2020）：檢索增強生成
按碳強度安排工作負載 基礎設施/營運 混合 將靈活的工作轉移到更清潔的電動車窗上—雖然這需要協調。 碳排放強度 API（GB）
資料中心效率提升重點（使用率、整合） IT領導力 付費（通常） 最不起眼但往往最關鍵的槓桿——停止運作半空系統。 綠色網格：PUE
熱能再利用項目 設施 這取決於 將廢熱轉化為價值；雖然並非總是可行，但如果可行，那真是美妙極了。
“我們這裡真的需要人工智慧嗎？” 每個人 自由的 避免不必要的計算。最有效的優化就是（有時）說「不」。

注意到少了什麼嗎？ 「購買一張神奇的綠色貼紙。」這張貼紙並不存在😬

實用指南：如何在不扼殺產品的情況下降低人工智慧的影響🛠️🌱

如果您正在建立或購買人工智慧系統，以下是一個在實踐中行之有效的實際步驟：

步驟 1：從測量開始

  • 持續追蹤或估算能源使用情況。 CodeCarbon ：方法論

  • 按訓練運行和推理請求進行測量。.

  • 監控資源利用率－閒置資源往往隱藏在眼皮底下。綠色網格：PUE

步驟 2：依工作需求調整模型大小

  • 使用較小的模型進行分類、提取和路由。.

  • 把重型型號留給硬殼箱吧。.

  • 考慮採用「模型級聯」策略：先採用小模型，僅在需要時才採用大模型。.

步驟 3：最佳化推理（規模效應在此顯現）

  • 快取：儲存重複查詢的答案（並採取嚴格的隱私控制措施）。

  • 批次處理：將請求分組以提高硬體效率。

  • 篇幅較短的產出：篇幅較長的產出成本較高－有時你並不需要寫論文。

  • 提示規則：不規範的提示會導致更長的計算路徑…而且，是的，還會產生更多的令牌。

第四步：改善數據衛生

這聽起來似乎無關，但實際上並非如此：

  • 更乾淨的資料集可以減少重新訓練的次數。.

  • 噪音越少，實驗次數越少，浪費的運行次數就越少。.

第五步：將硬體視為資產，而非消耗品。

第六步：明智地選擇部署方式

  • 盡可能選擇使用更清潔能源的彈性就業機會。碳排放強度 API（GB）

  • 減少不必要的重複工作。.

  • 延遲目標要切合實際（超低延遲可能會迫使系統始終處於開啟狀態，導致效率低下）。.

沒錯……有時候最好的方法就是：不要對每個使用者操作都自動運行最大的模型。這種習慣就好比因為走到開關很麻煩就一直開著所有的燈一樣。.

常見迷思（以及更接近真相的真相）🧠🧯

迷思：“人工智慧總是比傳統軟體差”

事實：人工智慧可能需要更強大的運算能力，但它也能取代低效率的人工流程，減少浪費，並優化系統。具體情況具體分析。國際能源總署：人工智慧助力能源優化與創新

迷思：“訓練是唯一的問題”

事實：大規模推理會隨著時間的推移而佔據主導地位。如果你的產品使用量呈爆炸性成長，這就會成為主要問題。國際能源總署：《能源與人工智慧》

迷思：“再生能源可以立即解決問題”

事實：清潔電力固然大有裨益，但並不能消除硬體足跡、用水量或反彈效應。不過，它仍然至關重要。國際能源總署：《能源與人工智慧》

迷思：“只要高效，就可持續”

事實：即使提高能源效率，如果缺乏需求控制，仍然可能增加整體影響。這就是反彈陷阱。經合組織（2012）：提高能源效率的多重效益（PDF）

治理、透明度，以及不搞秀🧾🌍

如果你是一家公司，信任就是在這裡建立或喪失的。.

我知道很多人會對這一點不屑一顧，但這很重要。負責任的技術不僅在於巧妙的工程設計，還在於不假裝權衡取捨不存在。.

總結：人工智慧如何影響環境的簡要概述🌎✅

人工智慧對環境的影響歸根結底在於其增加的資源負荷：電力、水（有時）和硬體需求。國際能源總署：《能源與人工智慧》 ；李等人（2023）：《讓人工智慧減少「耗能」》（PDF）。人工智慧也為其他領域的減排和減少浪費提供了強大的工具。國際能源總署：《人工智慧在能源優化與創新的應用》。最終結果取決於規模、電網清潔度、效率選擇，以及人工智慧是在解決實際問題，還是只是為了追求新奇而創造新奇。國際能源總署：《能源與人工智慧》

如果你想得到最簡單又實用的結論：

  • 措施。.

  • 尺寸合適。.

  • 優化推理。.

  • 延長硬體壽命。.

  • 坦誠地談談權衡取捨。.

如果你感到壓力過大，這裡有一個令人安心的事實：無數次重複的小小營運決策，通常比一份宏大的永續發展聲明更有效。就像刷牙一樣。雖然不太光鮮亮麗，但確實有效…😄🪥

常問問題

人工智慧在日常使用中（而不僅僅是在大型研究實驗室中）如何影響環境？

人工智慧的大部分能耗都來自資料中心運作GPU和CPU所需的電力，這些電力既用於訓練，也用於日常的「推理」。單一請求可能不多，但規模擴大後，這些請求會迅速累積。此外，其影響還取決於資料中心的地理位置、當地電網的清潔程度以及基礎設施的運作效率。.

訓練人工智慧模型對環境的危害是否比使用（推理）該模型更大？

訓練可能需要大量的前期計算資源，但隨著時間的推移，推理會佔用更大的資源，因為它需要持續不斷地大規模運行。如果一個工具每天被數百萬人使用，那麼重複的請求成本可能會超過一次性的訓練成本。這就是為什麼最佳化通常專注於提高推理效率的原因。.

人工智慧為什麼需要用水？用水總是會造成問題嗎？

人工智慧之所以會用水，主要是因為有些資料中心依賴水冷系統，或是因為發電過程中會間接消耗水資源。在某些氣候條件下，蒸發冷卻雖然可以降低電力消耗，但會增加用水量，從而形成一種權衡。這種權衡究竟是好是壞，取決於當地的水資源短缺程度、冷卻系統的設計，以及用水量是否有計量和管理。.

在人工智慧對環境的影響中，哪些部分來自硬體和電子垃圾？

人工智慧依賴晶片、伺服器、網路設備、建築物和供應鏈——這意味著需要進行採礦、製造、運輸以及最終的處置。半導體製造是能源密集產業，而快速的升級換代週期會增加隱含排放和電子垃圾。延長硬體壽命、翻新和提高利用率可以顯著降低其影響，有時甚至可以媲美型號層面的變革。.

使用再生能源能否解決人工智慧對環境的影響？

更清潔的電力可以減少計算產生的排放，但並不能消除其他影響，例如用水、硬體製造和電子垃圾。它也不能自動解決“反彈效應”，即低成本運算反而會導致整體使用量增加。再生能源是一個重要的槓桿，但它只是影響環境足跡的一部分。.

什麼是反彈效應？它對人工智慧和永續發展有何重要意義？

反彈效應是指效率提升使得某些事情變得更便宜或更容易，從而導致人們更多地去做——有時甚至會抵消節省下來的成本。人工智慧帶來的更低成本的生成或自動化可能會增加對內容、計算和服務的總需求。因此，衡量實際效果比孤立地慶祝效率提升更為重要。.

如何在不損害產品的情況下，切實可行地減少人工智慧的影響？

一種常見的方法是先進行測量（能源和碳排放估算、利用率），然後根據任務調整模型規模，並透過快取、批次和縮短輸出長度來優化推理。量化、蒸餾和檢索增強生成等技術可以降低計算需求。營運方面的選擇——例如根據碳排放強度進行工作負載調度和延長硬體壽命——通常也能帶來顯著的效益。.

人工智慧如何幫助環境而不是破壞環境？

人工智慧應用於優化實際系統時，可以減少排放和浪費，例如電網預測、需求響應、樓宇暖通空調控制、物流路線規劃、預測性維護和洩漏檢測。它還可以支援環境監測，例如森林砍伐預警和甲烷檢測。關鍵在於系統能否改變決策並產生可衡量的減排效果，而不僅僅是提供更完善的儀錶板。.

企業應該報告哪些指標才能避免人工智慧聲明出現「漂綠」現象？

報告每個任務或每個請求的指標比僅僅報告總體數字更有意義，因為它能反映單元層面的效率。追蹤能源消耗、碳排放估算、利用率以及（在相關情況下）用水影響，有助於建立更清晰的問責機制。同樣重要的是：明確界線（包含哪些內容），避免使用諸如「環保人工智慧」之類的模糊標籤，而應提供量化證據。.

參考

  1. 國際能源總署（IEA） ——能源與人工智慧——iea.org

  2. 國際能源總署 (IEA) -人工智慧輔助能源優化與創新- iea.org

  3. 國際能源總署 (IEA) -數位化- iea.org

  4. 勞倫斯伯克利國家實驗室 (LBNL) -美國資料中心能源使用報告 (2024) (PDF) - lbl.gov

  5. Li 等人-讓人工智慧減少「渴求」（2023）（PDF） - arxiv.org

  6. ASHRAE（TC 9.9） ——主流資料中心液冷技術的興起與發展（PDF） —— ashrae.org

  7. 綠色網格——PUE指標的全面分析——thegreengrid.org

  8. 美國能源部 (DOE) -聯邦資料中心冷卻水效率提升計畫 ) - energy.gov

  9. 美國能源部 (DOE) - FEMP -資料中心能源效率- energy.gov

  10. 美國環保署 (EPA) -半導體產業- epa.gov

  11. 國際電信聯盟（ITU） —— 2024年全球電子廢棄物監測報告－itu.int

  12. 經合組織－提高能源效率的多重效益（2012）（PDF） —— oecd.org

  13. 碳強度 API（英國） - carbonintensity.org.uk

  14. imec -減少晶片製造對環境的影響- imec-int.com

  15. 聯合國環境規劃署- MARS 的工作原理- unep.org

  16. 全球森林觀察組織 (Global Forest Watch) - GLAD 森林砍伐警報- globalforestwatch.org

  17. 艾倫·圖靈研究所——用於評估生物多樣性和生態系統健康的AI和自主系統——turing.ac.uk

  18. CodeCarbon -方法論- mlco2.github.io

  19. Gholami 等人-量化方法綜述 (2021) (PDF) - arxiv.org

  20. Lewis 等人-檢索增強生成 (2020) - arxiv.org

  21. Hinton等人-神經網路中的知識提煉 (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

在官方人工智慧助理商店尋找最新人工智慧產品

關於我們

返回博客