诚实地谈 AI 的环境成本

AI 的环境成本已成为讨论中的常客，通常以一个骇人的对比形式出现：多少次搜索等于一瓶水，或训练一个模型的排放相当于多少辆汽车。其中一些说法大致正确，许多被夸大，而几乎所有这些说法，都把一个直说会更有趣的故事压平了。AI 确实消耗真实的能源和真实的水，而这份消耗正在增长。但理解成本藏在何处、又取决于什么，比背下一个吓人的数字更要紧。这是脚踏实地的版本。

两种截然不同的成本：训练与推理

首先要区分的，是训练与推理，因为它们的行为方式毫不相像。

训练是构建一个模型那一次性的、巨大的投入。它让海量处理器运转一段不短的时间，产生一个单一而戏剧化的能耗数字——正是那种上头条的数字。就每个模型而言，它很少发生。

推理则是每当有人使用那个已建好的模型时所发生的事。一次查询很便宜。但推理持续不断地发生，遍及海量用户，无限期地进行。在一个热门模型的整个生命周期里，为它提供服务所累积的能源，能与训练它的成本相当、甚至超过。

标题盯着训练，因为那个数字又大又单一。而那个更安静、持续不断的故事是推理，随着 AI 嵌入日常产品，运行成本正是趋势线所指向的地方。

能源究竟去了哪里

在一座数据中心内部，电力主要干两件事。第一件是计算本身——处理器在做运算。第二件是散热，因为所有那些计算都会产生热量，而硬件一旦过热就会失效。散热可以占一座设施总能耗中相当可观的一部分。

这就是为什么效率不只关乎更快的芯片。一座数据中心的整体效率——有多少能源抵达了有用的计算，相对于有多少花在了维持冷却与供电上——在不同设施之间差异极大。一座位于凉爽气候、配备现代散热的精心设计的中心，浪费的远少于一座位于炎热地区的老旧中心。同样的工作负载，会因它在何处、以何种方式运行，而有着大不相同的足迹。

水的问题

水从两个方面进入这幅图景，而它们很容易被混为一谈。一些数据中心直接用水来散热，蒸发水以散去热量。另外，发电本身往往也消耗水，这取决于那份电力是如何生产的。所以一座设施的水足迹，既取决于它的散热方式，也取决于它所取用的能源构成。

这就是为什么笼统的"每次查询耗多少水"的数字站不住脚。真实的数字取决于具体设施的散热设计和当地的电网。一座使用闭环散热和低耗水电力的中心，与一座在易旱地区蒸发水的中心，有着截然不同的特征。对"AI 用多少水"的诚实回答是：视情况而定，而且强烈地取决于在哪里。

为什么能源来源主导了最终结论

如果有一个因素比任何其他因素都更决定 AI 的气候影响，那就是发电的方式。同样的计算，由低碳能源驱动与由化石燃料驱动，产生的排放天差地别。AI 的碳成本，粗略地说，就是它电力来源的碳成本。

这把问题富有成效地重构了。最要紧的杠杆不是计算是否发生，而是它背后的电网有多干净。这也解释了为什么工作负载的地点与时机很重要：在更清洁能源可用的地点与时刻去运行计算，能在不改变工作的情况下改变足迹。基础设施的对话与气候的对话，归根结底是关于能源来源的同一场对话。

把规模放在恰当的视角里

有必要同时把住两件都为真的事。AI 的能源使用是真实的、上升迅速的、值得认真对待的——集中的需求会在特定地点对当地电网和水供应造成压力。与此同时，AI 是总能源与数字基础设施使用中的一个切片，与许多其他大型消费者并列，而相对于大规模训练和服务模型的系统性足迹，个体的使用是微小的。

两种框架都会被扭曲。"你那个聊天机器人问题正在毁灭地球"夸大了个体情形；"AI 的足迹微不足道"则低估了总体趋势。准确的立场在两者之间：单次使用的成本不大，总量和增长是显著的，而影响在不同地区高度不均。要抵制任何被当作全部真相端出来的单一数字。

什么才真正见效

那些有意义的杠杆，大多是结构性的，而非个体性的：

• 更清洁的电力，供给那些在干活的设施——这是单一最大的因素。
• 高效的硬件与软件，因为一个更高效的模型或芯片，会为未来每一次查询都降低成本。
• 选址更佳、散热更好的数据中心，其选址与设计旨在把能源与水的浪费降到最低。
• 大小适配的模型，在够用时使用更小的模型，而非每个任务都用最大的那个。
• 透明，让能源与水的报告使真实成本能被测量，而非被猜测。

个体的克制并非毫无意义，但最大的收益来自系统如何被构建与供电，而非任何一个人少查询一些。

总结

AI 的环境成本是真实的，但它比标题所暗示的更具体。那个戏剧化的训练数字是一次性事件；更安静、持续不断的成本是大规模的推理。能源既流向计算也流向散热，水的使用完全取决于当地的散热与电力选择，而气候上的最终结论，被一个变量主导——电力有多干净。诚实的总结既非警报也非轻视：单次使用的成本很小，总体趋势是严峻且不均的，而真正的进步来自更清洁的电力、更高效的系统和建造得更好的基础设施。认真对待这份成本，但要坚持要那些具体的细节。