AI耗电攀升，科技业碳排放怎么降？Humble给出四条路径

IT 行业贡献了全球约 2% 至 4% 的排放量。微软和谷歌的公开报告都显示，受人工智能带动，这两家公司的用电量一直在涨。Charles Humble 在 GOTO Copenhagen 大会上专门聊了绿色 AI，他的观点是：可持续性得放进顶层架构设计里去考虑。具体做法他给了几条——用预构建的模型和更小的模型，把计算放到低碳电力充足的地方跑，训练时用可再生能源。

他引用了国际能源署（IEA）的数据：2017 年到 2021 年，亚马逊、微软、谷歌和 Meta 四家的合计用电量翻了一倍多，2021 年涨到约 720 亿千瓦时。微软 2024 年的环境报告显示，其总碳排放量自 2020 年以来上升了 30%，主因是新建数据中心来满足 AI 需求。谷歌自己的报告则显示，排放量自 2019 年以来激增约 50%，仅 2023 年就同比涨了 13%，这主要是人工智能驱动的。

这些报告说的排放物主要是二氧化碳。Humble 说，工业革命以来，大气里的温室气体浓度一直在往上走。大家希望到 2100 年把升温控制在 1.5 度，但预测显示实际升温会在 2.5 到 3 度之间。

Humble 解释说，IT 行业是这个难题的重要贡献方，用电量是其中一部分原因：

按国际能源署的估算，2022 年全球数据中心用电约 240 至 340 太瓦时，占全球电力需求的 1% 至 1.3%。通信网络还要再加 260 至 360 太瓦时。两项加起来约 700 太瓦时，跟同期巴西全国 726 太瓦时的用电量差不多。

Humble 表示，IT 行业排放占全球总排放约 2% 至 4%，航空业是 3%。可航空业在积极减排，科技行业却在往反方向走。

Humble 的建议是，在业务环境里引入 AI 之前，先问自己几个问题：

你真的需要它吗？

新模型非得从头训练不可，还是用预构建的模型就行？

如果能放宽部分 SLA，是不是就能把负载部署到碳更少的区域？

需求塑形方案能不能用上？

如果确实要训练定制模型，Humble 建议先算清楚实际需要采集多少数据。在他看来，不少场景下小模型的效果反而更好。他还建议用开源数据集，条件允许的话，靠需求转移把数据收集安排在绿色能源可用的时间和地点。

Humble 提到，理论上训练全程都能用 100% 可再生能源，这样碳排放能减少 45% 至 99%。

他还认为，大部分能耗其实出在模型上线部署和后续持续运维的阶段。围绕怎么让算力更绿，他给了四项措施：

用能安全跑完作业的最小硬件配置。

把算力放在低碳电力充沛、电网又有明确清洁化改造规划的地区。

挑那些在绿色区域有数据中心、减排工具也配套齐全的云厂商。

优化作业的执行时间，进一步压低碳足迹。

总结时 Humble 提出：可持续性应该和成本、性能、安全、合规、可靠性放在同一层级，作为算力负载的顶层设计考量之一。系统怎么建得更环保，这件事得想清楚。

演讲结束后，InfoQ 采访了 Charles Humble。

InfoQ：减排这件事上，地理位置为什么重要？

Charles Humble：计算任务消耗的总电量是固定的，但同样的电，碳成本会因地点和时间差出很多，这要看数据中心用什么电。假设用的是电网电力，在主要靠水力、太阳能、核能和风能的地区（比如挪威、瑞典和法国），跑工作负载可能比靠煤炭或天然气的地区干净好几倍。碳强度在一天之内、一年之内也会跟着风能、太阳能和需求的变化而波动。

正因如此，碳感知计算里可以用需求转移。需求转移分两种做法：按时间，或者按位置。按时间的那种特别适合对延迟不敏感的场景，AI 训练就是例子。

按位置做，最简单的办法是让对延迟容忍的新增负载默认优先落到低碳区域。更进一步，可以随季节切换到不同半球，把日照和光伏电力用足。

InfoQ 问到，需求塑形具体怎么运转？

Humble 解释说，所谓需求塑形，就是看当下电力够不够干净、供电紧不紧张，来调整软件的工作量或者任务类型。一种做法是把选择权交给用户：在一个 AI 驱动的服务里，用户可以选先跟人工聊、不走 AI，也可以在对话过程中切到人工。

另一类做法是优雅降级，按更高的碳强度来降配。比如视频或图像给低一点的画质，关掉自动播放，跳过不必要的动画，降低刷新率，或者改调更小的模型。

代价是系统复杂度会上去，同时还得确认降级之后的服务水平仍然能被接受。

InfoQ 又问，想让模型训练更环保，能做些什么？

Humble 表示，除了把训练和数据收集的需求转移出去，还有一点：尽量别从零开始训练。能用预训练模型微调就用微调，需求满足得了的话，直接提示调用或者用检索增强生成（RAG）也行。

把模型体积做小，训练会更快，能效也会提升。蒸馏、量化、剪枝都属于模型压缩的手段。有些场景下，基于联邦学习的端侧训练碳排更低。但要注意：大规模广泛使用的模型，整个生命周期里推理排放往往更高，所以推理服务的能效同样关键。

这些方法在 Raghavendra Selvan 的《Sustainable AI》一书里有更深入的讲解，有兴趣的读者可以去翻。