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。
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：
-
人工智慧需要消耗能源 ——主要是資料中心運行GPU/CPU進行訓練以及日常「推理」（使用模型）所需的能源。 國際能源總署：《能源與人工智慧》
-
能源消耗可能意味著排放 ——這取決於當地電網結構和電力合約。 國際能源總署：《能源與人工智慧》
-
人工智慧用水量驚人 ——主要用於某些資料中心的冷卻。 Li 等人 (2023)：《讓人工智慧減少「耗水」(PDF)； 美國能源部聯邦能源管理計畫：《聯邦資料中心冷卻水效率提昇機會》。
-
人工智慧依賴實體資源 ——晶片、伺服器、網路設備、電池、建築物……這意味著採礦、製造、運輸，最終還會產生電子垃圾。 美國環保署：《半導體產業》 ；國際電信聯盟：《2024年全球電子廢棄物監測報告》
-
人工智慧還可以透過優化物流、檢測洩漏、提高效率、加速研究以及減少系統浪費等方式，在其他方面減少對環境的影響。國際能源總署：人工智慧助力能源優化與創新
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
-
訓練大型模型可能需要大型叢集長時間高負載運行。 國際能源總署：能源與人工智慧
-
推理（日常使用）隨著時間的推移可能會造成更大的影響，因為它無時無刻不在發生。 國際能源總署：《能源與人工智慧》
2）資料中心開銷
-
冷卻、配電損耗、備用系統、網路設備。 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)
-
同樣的運算能力，由於效率不同，對實際應用的影響也會有所不同。 綠色電網：PUE－指標的全面分析
3）水和熱
-
許多設施直接或間接地利用水來管理熱量。 美國能源部聯邦能源管理計畫 (FEMP)：《聯邦資料中心冷卻水效率提昇機會》； 李等人 (2023)：《讓人工智慧減少「耗水」(PDF)
-
廢熱可以回收利用，也可以直接…以熱空氣的形式散發出去。 （這並非理想之選。）
4）硬體供應鏈
-
開採和提煉材料。.
-
晶片和伺服器製造（能源密集）。 美國環保署：半導體產業； imec：減少晶片製造對環境的影響
-
運輸、包裝、升級、更換。.
5）行為和反彈效應
-
人工智慧使任務更便宜、更便捷，因此人們會從事更多此類任務。 經合組織（2012）：提高能源效率的多重效益（PDF）
-
效率提升所帶來的效益可能會被需求成長所抵銷。這一點讓我不禁嘆息。 經合組織（2012）：能源效率提升的多重效益（PDF）
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）
-
空氣冷卻：風扇、冷空氣、冷熱通道設計。 美國能源部聯邦能源管理計劃 (FEMP)：資料中心能源效率
-
液冷：在密集環境中效率更高，但可能需要不同的基礎設施。 ASHRAE （TC 9.9）：主流資料中心液冷技術的興起與發展（PDF）
-
蒸發冷卻：在某些氣候條件下可以減少電力消耗，但通常會增加用水量。 美國能源部聯邦能源管理計畫 (FEMP)：聯邦資料中心冷卻水效率提升機會
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：
-
資料中心所在地（電網排放量各不相同） 碳強度 API（GB） 國際能源總署：能源與人工智慧
-
運作效率如何（利用率至關重要） 綠色電網：PUE——指標的全面分析
-
廢熱是否被再利用
-
能源採購選擇（再生能源、長期合約等）
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
-
材料提取：金屬和稀有材料的開採和提煉。
-
製造：半導體製造流程複雜且能耗高。 美國環保署：半導體產業； imec：減少晶片製造對環境的影響
-
運輸：全球供應鏈將零件運送到世界各地。
-
較短的更換週期：快速升級可能會增加電子垃圾和隱含排放。 國際電信聯盟：《2024年全球電子垃圾監測報告》
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
-
能源網路：負載預測、需求響應、可變再生能源併網。 國際能源總署：人工智慧助力能源優化與創新
-
建築：更智慧的暖通空調控制、預測性維護、基於入住率的能源使用。 國際能源總署：數位化
-
交通運輸：路線優化、車隊管理、減少空駛里程。 國際能源總署：人工智慧在能源優化和創新的應用
-
製造：缺陷檢測、製程調整、減少廢品。
-
農業：精準灌溉、病蟲害檢測、肥料優化。
-
環境監測：偵測甲烷洩漏、追蹤森林砍伐訊號、繪製生物多樣性模式圖。 聯合國環境規劃署：MARS 的工作原理。 全球森林觀察：GLAD 森林砍伐警報。 艾倫圖靈研究所：用於評估生物多樣性的人工智慧和自主系統。
-
循環經濟：更好地對回收流程進行分類和識別。
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
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。
-
盡可能延長更新周期。 國際電信聯盟：《2024年全球電子垃圾監測報告》
-
對於較輕的工作負載，可以重複使用舊硬體。.
-
避免「始終保持峰值」的資源配置。.
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。.
-
報告有意義的指標：按請求、按用戶、按任務——而不僅僅是嚇人的總數。 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)
-
避免含糊其辭：「綠色人工智慧」如果沒有數據和界線就毫無意義。
-
考慮水資源和局部影響：碳排放並非唯一的環境因素。 Li 等人 (2023)：《讓人工智慧減少「耗能」》(PDF)
-
設計以限制為導向：預設回應時間更短，成本更低的模式，以及真正有效的「節能」設定。
-
考慮公平性：在水資源匱乏或電網脆弱的地方大量消耗資源，其後果遠不止體現在你的電子表格中。 美國能源部聯邦能源管理計畫 (FEMP)：聯邦資料中心冷卻水效率提升機會
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：無數次重複的小的營運決策，通常比一份宏大的永續發展聲明更有效。這就像刷牙一樣。雖然不太引人注目，但確實有效…
真實案例：減少客戶支援 AI 助理的資源佔用 🌱🎧
設想
想像一下，一家小型線上零售商想要使用人工智慧來回答客戶關於交貨時間、退貨、包裹損壞和產品尺寸的常見問題。.
第一版有浪費：即使問題很簡單，所有客戶訊息都會直接發送給最大的可用型號。此外，助手還會產生過長的回复，重複政策文本，並且重複回答相同的問題數千次，而不是重複使用已批准的答案。.
更合理的方案並非“完全不用人工智慧”，而是採用適量的人工智慧：使用輕量級工具處理簡單任務，將大型模型留給複雜案例，並衡量每個已解決工單的影響。.
助理需要什麼
團隊將做好準備：
現行退貨政策
按地區劃分的配送規則
產品尺寸說明
針對退款、投訴和法律問題，制定簡短的升級處理政策。
50個常見客戶問題列表
重複問題的已批准簡短答案
一個簡單的追蹤表，包含：請求類型、使用的模型、回复長度、是否需要升級以及答案是否通過人工審核
範例說明
首先使用最適合的最小模型或基於規則的答案。只有當客戶的問題不明確、帶有情緒色彩、包含多個問題或需要結合多個政策資訊時，才使用較大的模型。除非客戶要求詳細解答，否則回覆應控制在 120 字以內。若信心不足，請提出澄清問題或轉接人工客服。切勿捏造交貨日期、退款批准或政策例外情況。.
如何測試它
正式上線前先進行50張票的測試：
10 個配送問題
10個退貨問題
10 個產品尺寸問題
10起物品損壞投訴
10 則訊息混亂或含糊不清。
請對每個答案進行核對：
是否採用了正確的政策？
快取中已批准的答案是否能解決這個問題？
是否需要更大尺寸的型號？
助理的回覆是否簡短？
是否有任何答案捏造了資訊？
敏感案件是否依程序上報？
合理的及格分數應該是這樣的：政策準確率達到 95%，不捏造退款承諾，以及對涉及付款糾紛或法律威脅的投訴 100% 進行升級處理。.
結果
以下結果以優化前後對 50 張票的測試進行計時和計數為依據：
優化前，所有 50 個工單都使用較大的模型，平均回覆長度為 210 個字。.
優化後，31 個工單使用了快取的已批准答案，14 個工單使用了較小的模型，只有 5 個工單使用了較大的模型。.
平均回覆長度從 210 個字減少到 92 個字。.
人工審核時間從 4 小時 10 分鐘減少到 1 小時 25 分鐘。.
團隊在第一次測試運行中發現了 2 個錯誤的政策答案，然後在更新來源文件並添加更清晰的升級規則後，沒有發現任何錯誤的政策答案。.
這並不能證明該助手是「綠色」的。它只是展示了能夠驗證其環保聲明的衡量標準：更少的繁重模型調用、更短的輸出時間、更少的重複生成以及更少的可避免審查週期。.
可能出現什麼問題
如果將每個模糊訊息都「以防萬一」路由到最大的模型，助手仍然會浪費計算資源。.
如果退貨政策改變而沒有人更新快取的答案，那麼快取的答案可能會變得有風險。.
如果簡短的答案遺漏了重要細節，可能會讓顧客感到沮喪。.
如果公司隻公佈碳排放或能源節約百分比而不展示測量方法，那麼其聲明就可能淪為「漂綠」。.
最大的誤解在於將模型選擇視為唯一的手段。實際上，更環保的工作流程來自於路由最佳化、快取、更短的輸出、更優質的來源文件以及對高風險案例的人工審核。.
實用要點
影響較小的AI系統通常不是最花俏的。這類系統能夠衡量實際使用情況，避免不必要的繁重推理，盡可能重複使用已驗證的答案，並且仍然讓人類掌控那些真正重要的決策。.
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
-
國際能源總署（IEA） ——能源與人工智慧——iea.org
-
國際能源總署 (IEA) - 人工智慧輔助能源優化與創新 - iea.org
-
國際能源總署 (IEA) - 數位化 - iea.org
-
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
-
Li 等人 - 讓人工智慧減少「渴求」（2023）（PDF） - arxiv.org
-
ASHRAE（TC 9.9） —— 主流資料中心液冷技術的興起與發展（PDF） —— ashrae.org
-
綠色網格——PUE指標的全面分析——thegreengrid.org
-
美國能源部 (DOE) -聯邦資料中心冷卻水效率提升計畫(FEMP ) - energy.gov
-
美國能源部 (DOE) - FEMP - 資料中心能源效率 - energy.gov
-
美國環保署 (EPA) - 半導體產業 - epa.gov
-
國際電信聯盟（ITU） —— 2024年全球電子廢棄物監測報告－itu.int
-
經合組織 － 提高能源效率的多重效益（2012）（PDF） —— oecd.org
-
碳強度 API（英國） - carbonintensity.org.uk
-
imec - 減少晶片製造對環境的影響 - imec-int.com
-
聯合國環境規劃署 - MARS 的工作原理 - unep.org
-
全球森林觀察組織 (Global Forest Watch) - GLAD 森林砍伐警報 - globalforestwatch.org
-
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
-
CodeCarbon - 方法論 - mlco2.github.io
-
Gholami 等人 - 量化方法綜述 (2021) (PDF) - arxiv.org
-
Lewis 等人 - 檢索增強生成 (2020) - arxiv.org
-
Hinton等人 - 神經網路中的知識提煉 (2015) - arxiv.org
-
CodeCarbon - codecarbon.io