📢 转载信息
原文链接：https://news.mit.edu/2025/responding-to-generative-ai-climate-impact-0930
原文作者：Adam Zewe | MIT News
在关于生成式人工智能环境影响的两部分系列报道的第二部分中，《麻省理工学院新闻》探讨了专家们如何努力减少该技术的碳足迹。
AI爆炸式增长带来的巨大能源需求与碳排放挑战
生成式人工智能（Generative AI）的能源需求预计在未来十年将继续急剧增加。
例如，国际能源署（IEA）在2025年4月的一份报告中预测，容纳训练和部署AI模型的计算基础设施的数据中心的全球电力需求到2030年将增加一倍以上，达到约945太瓦时（TWh）。虽然数据中心并非所有操作都与AI相关，但这一总量略高于日本的能源消耗总量。
此外，高盛研究（Goldman Sachs Research）在2025年8月的一份分析中预测，数据中心不断增长的电力需求中约有60%将由燃烧化石燃料满足，这将使全球碳排放量增加约2.2亿吨。相比之下，一辆汽油动力汽车行驶5000英里大约产生1吨二氧化碳。
这些统计数据令人震惊，但与此同时，麻省理工学院和世界各地的科学家和工程师们正在研究创新和干预措施，以减轻AI不断膨胀的碳足迹，措施涵盖从提高算法效率到重新思考数据中心的设计等多个方面。
图注：麻省理工学院学者Jennifer Turliuk MBA ’25表示：“我们正走在一条气候变化的影响要等到为时已晚时才能完全了解的道路上。这是一个千载难逢的机会，可以进行创新，并使AI系统产生的碳排放强度降低。”
鸣谢：iStock
兼顾“运行碳”与“隐含碳”
谈到减少生成式AI的碳足迹时，通常集中在数据中心内强大的处理器（即GPU）所产生的“运行碳”（Operational Carbon）排放上。然而，麻省理工学院林肯实验室（MIT Lincoln Laboratory）的高级科学家、林肯实验室超级计算中心（Lincoln Laboratory Supercomputing Center）研究项目负责人Vijay Gadepally指出，这种讨论往往忽略了“隐含碳”（Embodied Carbon），即在数据中心建设之初就产生的排放。
建造和改造数据中心需要消耗大量的碳，因为它们由数吨钢铁和混凝土构成，内部充满了空调设备、计算硬件和数英里的电缆。事实上，数据中心建设带来的环境影响是Meta和Google等公司探索更可持续建筑材料（成本也是一个因素）的原因之一。
此外，数据中心是巨大的建筑——世界上最大的数据中心，中国的电信内蒙古信息园，占地面积约为1000万平方英尺——其能源密度是普通办公楼的10到50倍，Gadepally补充道。
“运行层面只是故事的一部分。我们正在研究的一些减少运行排放的方法可能也适用于减少隐含碳，但我们需要在未来在这方面做更多的工作，”他说。
降低运行碳排放的策略
在降低AI数据中心运行碳排放方面，有很多与家庭节能措施相通的地方。首先，我们可以调暗灯光。
Gadepally说：“即使你家里使用的是效率最差的灯泡，把它们关掉或调暗总会比让它们全功率运行消耗更少的能量。”
以同样的方式，超级计算中心的研究表明，将数据中心的GPU“调低”到仅消耗其三分之一的能源，对AI模型的性能影响极小，同时还能使硬件更容易冷却。
使用更节能的硬件并优化训练过程
另一种策略是使用能源密集度较低的计算硬件。
对算力要求高的生成式AI工作负载，例如训练GPT-5等新的推理模型，通常需要许多GPU同时工作。高盛的分析估计，最先进的系统可能很快就会有多达576个连接的GPU同时运行。
但工程师有时可以通过降低计算硬件的精度来实现类似的结果，例如切换到为特定AI工作负载定制的、功能较弱的处理器。
还有一些措施可以提高部署前训练高能耗深度学习模型的效率。
Gadepally的团队发现，训练一个AI模型所消耗的一半电力是用来争取最后2%到3%的准确率提升的。提前停止训练过程可以节省大量能源。
“在某些情况下，对于像电子商务推荐系统这样的特定应用，70%的准确率可能已经足够好了，”他说。
研究人员还可以利用效率提升措施。
例如，超级计算中心的一位博士后意识到，该小组可能会在训练过程中运行一千次模拟，以挑选出项目中两三个最佳的AI模型。Gadepally说，通过构建一个工具来帮助他们避免了大约80%的计算周期浪费，他们在模型准确性没有降低的情况下，大幅减少了训练所需的能源。
“负浮点运算”与算法效率的飞跃
计算硬件的持续创新，例如半导体芯片上更密集的晶体管阵列，仍在为AI模型的能效带来显著提升。
麻省理工学院计算机科学与人工智能实验室（CSAIL）未来技术研究项目主任、麻省理工学院数字经济倡议（Initiative on the Digital Economy）的首席研究员Neil Thompson表示，尽管自2005年以来大多数芯片的能效提升有所放缓，但GPU每焦耳能量可以完成的计算量仍在每年提高50%到60%。
“仍然持续的‘摩尔定律’趋势——即在芯片上集成更多晶体管——对于许多AI系统来说仍然很重要，因为并行运行操作对于提高效率仍然非常有价值，”Thompson说。
更重要的是，他团队的研究表明，新模型架构能够更快地解决复杂问题，在实现相同或更好结果的同时消耗更少能源，这种效率提升每八到九个月翻一番。
Thompson创造了“负浮点运算”（negaflop）一词来描述这种效应。就像“负瓦特”（negawatt）代表节能措施节省下来的电力一样，“负浮点运算”是指由于算法改进而无需执行的计算操作。
这些改进可能包括“剪枝”（pruning）神经网络中不必要的组件，或采用“压缩技术”，使用户能用更少的计算完成更多工作。
Thompson表示：“如果你现在需要使用一个非常强大的模型来完成任务，可能在几年后，你就能使用一个明显更小的模型来完成同样的事情，这将带来少得多的环境负担。提高这些模型的效率是减少AI环境成本最重要的事情。”
最大化能源节约：关注电网的碳强度
Gadepally补充说，虽然减少AI算法和计算硬件的整体能耗可以减少温室气体排放，但并非所有能源的碳排放强度都相同。
“1千瓦时（kWh）的碳排放量，即使在一天中，以及在整个月和年间，也会有很大差异，”他说。
工程师可以利用这些变化，利用AI工作负载和数据中心的灵活性来最大化减排效果。例如，某些生成式AI工作负载不需要同时完全执行。
麻省理工学院能源倡议（MIT Energy Initiative）的研究科学家Deepjyoti Deka表示，将计算操作分开，使一些操作推迟到电网中可再生能源（如太阳能和风能）占比更高的时段执行，可以大大减少数据中心的碳足迹。
Deka和他的团队还在研究“更智能”的数据中心，其中使用相同计算设备的多个公司的AI工作负载可以灵活调整以提高能源效率。
Deka说：“通过着眼于整个系统，我们的希望是在保持AI公司和用户可靠性标准的同时，最大限度地减少能源使用和对化石燃料的依赖。”
他和MITEI的其他研究人员正在构建数据中心的灵活性模型，该模型考虑了训练深度学习模型与部署该模型不同的能源需求。他们希望找到调度和精简计算操作以提高能源效率的最佳策略。
研究人员还在探索在数据中心使用长时储能装置，这些装置储存多余的能源以备需要时使用。
有了这些系统，数据中心可以在用电高峰期使用可再生能源在低谷期储存的能量，或者在电网出现波动时避免使用柴油备用发电机。
Deka说：“长时储能可能是一个游戏规则的改变者，因为我们可以设计操作，真正改变系统的排放结构，使其更多地依赖可再生能源。”
此外，麻省理工学院和普林斯顿大学的研究人员正在开发一个用于电力部门投资规划的软件工具，名为GenX，可用于帮助公司确定数据中心的理想位置，以最大限度地减少环境影响和成本。
位置对减少数据中心的碳足迹有很大影响。例如，Meta在瑞典北部沿海城市吕勒奥（Lulea）运营着一个数据中心，那里凉爽的温度减少了冷却计算硬件所需的电力。
更有创意的想法是，一些政府甚至在探索在月球上建造数据中心，在那里它们可以完全利用可再生能源运行。
AI驱动的解决方案：加速可再生能源部署
Jennifer Turliuk MBA ’25（短期讲师、前斯隆研究员，以及麻省理工学院特拉斯创业中心气候与能源AI实践负责人）表示，目前地球上可再生能源的扩张速度跟不上AI的快速增长，这是减少其碳足迹的一个主要障碍。
新的可再生能源项目所需的当地、州和联邦审批流程可能需要数年时间。
麻省理工学院和其他机构的研究人员正在探索利用AI来加速新可再生能源系统连接到电网的过程。
例如，一个生成式AI模型可以简化互联研究，这些研究通常需要数年时间才能完成，它们旨在确定新项目将如何影响电网。
在加速清洁能源技术的开发和实施方面，AI也可以发挥重要作用。
Turliuk补充说：“机器学习非常擅长处理复杂的情况，而电网被认为是世界上最大、最复杂的机器之一。”
例如，AI可以帮助优化太阳能和风能发电的预测，或确定新设施的理想位置。
它还可以用于对太阳能电池板或其他绿色能源基础设施进行预测性维护和故障检测，或监控输电线路的容量以实现效率最大化。
Turliuk说，通过帮助研究人员收集和分析海量数据，AI还可以为有针对性的政策干预提供信息，以确保在可再生能源等领域获得最大的“性价比”。
为了帮助政策制定者、科学家和企业考虑AI系统的多方面成本和收益，她和她的合作者开发了“净气候影响评分”（Net Climate Impact Score）。
该评分是一个框架，可用于帮助确定AI项目的净气候影响，考虑排放和其他环境成本，以及潜在的未来环境效益。
Turliuk总结道，归根结底，最有效的解决方案很可能来自于公司、监管机构和研究人员之间的协作，其中学术界起到引领作用。
“每一天都很重要。我们正走在一条气候变化的影响要等到为时已晚时才能完全了解的道路上。这是一个千载难逢的机会，可以进行创新，并使AI系统产生的碳排放强度降低，”她说。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区