智能背后的代价：AI正在透支地球的未来

AI的碳排放代价：为了智能搜索，我们正在透支地球

每当你请求ChatGPT润色邮件、编写代码，甚至只是随口闲聊，地球某处的数据中心便在默默消耗能源。这并非环保人士的危言耸听，而是一笔明明白白的账目——只是大多数人从未想过要去计算。

让我们先看一个具体的数字。训练一次GPT-4级别的大型模型，大约会产生500吨至1000吨的二氧化碳当量。这个数字本身或许缺乏实感，直到你将其转化为其他参照物：一辆普通燃油车行驶一生（按15万公里计算）大约排放30吨。这意味着，训练一次GPT-4，等同于15到30辆车耗尽其一生的碳排放配额。

500~1000吨

训练一次GPT-4级别模型的碳排放当量（吨CO₂e）

然而这并非全貌。训练仅是一次性投入，推理才是持续的消耗。每一次对话、每一次生成，都在调用算力，都在消耗电力。据研究估算，ChatGPT每日处理约1000万次查询，单次查询的能耗约为谷歌搜索的10倍。谷歌搜索已是人类历史上规模最大的计算基础设施之一，而AI推理的单次能耗竟是其十倍。

我们低估了「使用」的分量

大多数探讨AI碳足迹的文章，都将焦点置于训练之上。训练的数据确实惊人，适合作为标题。但真正的长尾成本在于推理端。试想一下：全球数亿用户每日使用各类AI工具，每次调用都在产生碳排放，且这一规模正呈指数级增长。训练是一颗炸弹，推理则是一条永不停歇的漏水管道。

「

训练是一次性的冲击，推理是慢性的失血。

」

更令人警惕的是，AI能耗的增长速度，已开始令电网规划者感到棘手。微软、谷歌、亚马逊等科技巨头，均在过去两年宣布重启或新建核电合作计划。微软甚至签署协议，计划重启三里岛核电站的一个机组，专门为AI数据中心供电。这件事本身就说明了问题的量级——当你的用电需求大到需要一座核电站来支撑时，「节能」一词已显得苍白无力。

效率提升是解药，还是催化剂？

1模型变小了：从GPT-4到各类小模型、端侧模型，参数量在压缩，单次推理能耗在降低

2但用量激增了：更廉价、更快速的AI让更多人使用、更频繁地使用，总能耗反而攀升

3这便是经济学中的「杰文斯悖论」：效率提升并未减少消耗，反而刺激了更多使用

杰文斯悖论在工业革命时期便已被发现。蒸汽机变得更高效，但英国的煤炭消耗量反而增加了，因为更廉价的蒸汽动力催生了更多工厂、更多需求。AI正在重演这一剧本。每一次效率的飞跃，都在为下一轮消耗的扩张铺路。

但也不要陷入另一种误区

说了这么多「AI很耗能」，有必要补充一个反向的视角。AI的碳足迹是真实的，但它所替代的那些事务同样具有碳足迹。一次AI辅助的药物分子筛选，可能减少了数年的实验室物理实验；一个AI优化的物流路径，可能每年节省数百万升燃油；数据中心的AI调度系统，已协助谷歌将冷却能耗降低了约40%。问题从来不是「AI耗能」这一孤立的事实，而是：它消耗的能量，换来了什么。

●真正的问题不在于AI是否耗能，而在于这些能耗是否花在了值得之处——用AI调整邮件语气，与用AI加速癌症研究，碳足迹或许相近，但价值截然不同。

一笔无人愿认真计算的账

目前全球AI行业的碳排放，尚无统一的披露标准。OpenAI未公开训练能耗，谷歌的报告中AI部分语焉不详，各家数据中心的PUE（电能使用效率）数字也各执一词。这并非技术上无法计算，而是无人有动力将这笔账算清楚、公之于众。碳排放数字一旦清晰，便会成为监管的抓手、公众的压力、竞争的劣势。因此，它便这样模糊不清。

10×

AI单次查询能耗约为谷歌搜索的倍数

这才是最值得警惕的结构性问题：不在于技术本身，而在于整个行业对核算透明度的系统性回避。当我们无法准确衡量一件事的代价，便无法做出真正理性的选择。我们不知该不该用AI、用多少、用在哪里，因为那张账单从未完整地摆在我们面前。

✦ 小结

AI的能耗问题，本质上是一个计量与激励问题，而非仅仅是技术问题。训练一次大模型的碳排放相当于几十辆车的终身排放，这一数字虽震撼却非重点；真正的问题在于：推理端的长尾消耗、效率提升引发的反弹效应，以及整个行业对透明核算的集体回避。在这张账单被认真算清之前，我们每个人都在使用一张不知余额的信用卡进行消费。