COP31聚焦AI能耗：土耳其发起宣言，卢乔尼称账本仍未打开

在土耳其安塔利亚举行的《联合国气候变化框架公约》第三十一次缔约方大会（COP31）上，人工智能带来的碳排放与环境成本正受到空前关注，会议同时也在讨论它在推动社会变革方面的作用。

全球数据中心能耗猛增，生成式AI的碳足迹让不少人感到担忧。本届大会主席国土耳其为此发起《安塔利亚AI宣言》（Antalya AI Pledge），希望科技行业把AI的能源消耗、水资源利用和环境影响数据摊开来讲。数字技术到底帮着减碳，还是反过来增加排放？各国代表将围绕这个问题展开激烈辩论。

就在这个当口，可持续人工智能集团（Sustainable AI Group）联合创始人兼首席科学官、Hugging Face前AI与气候负责人萨沙·卢乔尼（Sasha Luccioni）博士长期追问的那个问题，显得格外紧迫：万一人工智能本身就是气候问题的一部分呢？

卢乔尼说：“每次你使用谷歌AI搜索，你都不知道这会消耗多少能源。每次你使用人工智能生成图像，你也不知道这会消耗多少能源。”

普通用户看到的是AI几乎立刻给出回答。看不到的是屏幕背后的电力、冷却系统、芯片制造和矿物开采。AI如今深入搜索、办公、软件开发和科研流程，单次调用看着不起眼，累积起来却正变成电力基础设施扩建和资源需求增长的实际压力。

卢乔尼早在2023年就把这件事推到了公众面前。她在TED演讲中讲了生成式AI的能源代价，还参与推动“AI能源评分”（AI Energy Score）系统，想学着家电能效标签的做法，让开发者能比较不同模型完成同一任务要耗多少能源。她强调，做这些研究不是为了抵制AI，而是帮人们“选择最合适的工具来完成任务”。

COP31期间接受澎湃新闻（www.thepaper.cn）采访时，卢乔尼强调：从国际气候承诺到模型能耗测量，从供电设施建设到硬件供应链，AI能不能算得上可信的气候解决方案，越来越取决于一个前提——它自己的环境能耗账本能不能走出“黑箱”。

COP31盯上AI环境成本：双重角色之下，测量是道难题

彭博社的报道提到，全球地缘政治与气候行动都处在低谷，本周一在土耳其安塔利亚开幕的COP31，其谈判议程是自《

人工智能预计会是本届大会的重点话题之一，因为它可能创造“长期商业需求”，进而帮助加快清洁能源发展、扩大气候技术的规模。

不过，把人工智能当成应对气候危机的潜在解法，争议仍然不小。这项技术对能源、水和土地的消耗，已经在全球多地引发民众抵制数据中心的运动，气候非营利组织也对它的碳足迹表示担忧。

联合国气候变化框架公约执行秘书西蒙·斯蒂尔此前把人工智能称为一种“能源消耗型”技术，说它会加剧温室气体排放。

COP31召开前夕，渣打银行发布报告，把数据中心的发展形容为“既非环境友好，也非本质上不可持续”。报告认为，气候足迹取决于各地的选择。

德鲁是渣打银行可持续发展负责人，她表示：“数据中心运转起来效率能做得相当高。真正要紧的是设计和技术上的取舍，其中还包括大家对‘好’的标准形成一致意见，政策正是能起作用的一环，对COP而言这一点非常关键。”

卢乔尼向澎湃新闻表示：“AI对气候的整体影响，眼下还没有确切估算。精确的统计数据没人拿得出来，原因在于做前沿AI的那几家核心公司，都没有公开自己模型层面的具体能耗、查询量或硬件算力规模。”

但电力需求涨得快，这一点没有疑问。今年4月，国际能源署表示，到本十年末，专注人工智能的数据中心用电量预计会增长两倍，届时所有数据中心将占全球电力需求约3%。

谷歌报告其碳排放量比2019年基准线增加约50%，微软也报告自2020年以来增加超过20%，两家公司都把大幅增长主要归因于数据中心扩张。卢乔尼认为，外界确实没法确切掌握能耗与碳排放的规模，但有一点很清楚：现在的增长趋势，正背离全球既定的可持续发展目标和减排承诺。

争议摆在这里，测量AI环境成本的工作就显得尤为迫切。卢乔尼的研究，正是想打下这样的测量基础。

2020年，她参与开发开源工具CodeCarbon，帮开发者估算跑代码产生的碳足迹。两年后，她与合作者公开了对大型开源多语言模型BLOOM的研究，把环境成本的核算从用电延伸到设备制造等环节。

按该研究采用的核算范围，BLOOM产生了超过50吨二氧化碳排放。需要注意，这不等于模型此后持续运行、服务用户所产生的所有排放都已一次性算清。

这项研究的重要性在于，它说明核算边界一换，人们对模型环境成本的认识就会明显不同：只算训练时的用电，和把硬件制造及相关能源消耗也纳进来，得到的不是同一张账单。

眼下，卢乔尼的公司正把这套测量原则落到更具体的模型比较上。

据彭博社报道，该公司建了一个开源仪表板，用来比较不同AI模型的估算能耗与碳排放。研究把批处理规模、芯片数量与类型，以及每个Token（模型读取和生成信息的基本单位）的能源消耗都纳入了考虑。

研究设定的基准情景，是一个用专用燃气电厂供电的美国数据中心。在“典型聊天”——也就是一次简短问答加一两次追问——中，报告列出Claude Haiku 4.5估算能耗为0.08瓦时，Claude Fable 5为2.8瓦时，对应排放分别为0.05克和1.92克二氧化碳当量。同一情景下，ChatGPT 5.6 Terra估算能耗为0.55瓦时，DeepSeek V4 Flash为0.33瓦时。

任务一旦变成持续一到两小时的智能体工作会话——要读文件、改内容、核结果，耗电量就明显往上走了。Claude Fable 5 估算能耗为 76.2 瓦时，ChatGPT 5.6 Terra 是 16.7 瓦时，DeepSeek V4 Flash 为 20.1 瓦时。换句话说，模型在简单聊天里的相对表现，套不到所有复杂任务上。

卢乔尼在采访中提到，AI 科技企业今年确实在靠硬件优化、模型量化、混合专家架构和知识蒸馏等手段压低单位计算能耗。可这些方法往往不够透明，还依赖"平均"或"中位数"提示词，外界想独立验证很难。

更关键的是，单位效率变好，不等于总量会降。使用成本一低、调用数量一多，简单文本生成又换成了长思维链推理和多步骤智能体任务，局部省下来的电很可能被更大的工作量吃掉。这就是"杰文斯悖论"说的情况。

COP31 要面对的矛盾正在这里：AI 在某些应用里能提效，但其整体扩张未必与减排目标同向。

美国选举后的监管压力：数据中心会否逆转电力减排进程

AI 发展最快的美国，数据中心能源问题已经走出技术圈，进入选举、社区抗议和立法议程，这也是 COP31 的背景之一。

刚刚结束的美国中期选举中，民主党夺回国会参众两院控制权，更严的 AI 监管和更大的透明度压力可能随之而来。加州民主党联邦众议员刘云平在记者会上预告了新一届国会的 AI 监管方向。"我们将就 AI 举行公开听证，我们将通过立法，为 AI 设立合理的护栏。"刘云平表示。

民主党人内部的政策主张也不一样：有人主张数据中心建设暂停两年，有人要求数据中心承担全部能源成本。欧盟等地的披露框架同时在加码企业提供环境信息的责任。这些主张还算不上已生效的统一政策，却指向同一个关切：算力扩张的成本，该怎么分担、怎么约束？

把监管讨论推起来的，是越来越大的排放预测。

据彭博社报道，美国环保组织塞拉俱乐部（Sierra Club）的一项内部分析估算，把美国目前规划中的 AI 项目算进去，美国电力部门 2030 年的二氧化碳排放可能达到 21 亿吨，比 2025 年增加 6.18 亿吨，增幅约 42%。这一情景若兑现，美国电力部门约 15 年的减排成果可能被抵消。

美国能源追踪机构 Cleanview 的研究显示，为绕开公共电网长达数年的排队接入周期，越来越多科技巨头正在全美掀起表后自建燃气发电的热潮，总规划规模高达 100 吉瓦，大致相当于 4 到 5 个三峡大坝的装机量。

她强调，按这一装机容量、再考虑容量系数让发电厂满负荷运转，这批表后燃气发电每年产生的二氧化碳将逼近 3 亿到接近 5 亿吨，直接相当于整个英国一年的碳排放总量。"即便这批规划只落实一小部分，也足以让其成为全球实现减排目标的主要绊脚石。"她说。

AI 企业抢时间用的供电方式，还可能把问题放大。有的企业甚至从退役飞机上拆发动机，改装后拿来发电，就为满足数据中心迫切的供电需求。

卢乔尼解释，航空衍生型燃气轮机体积紧凑、部署快、响应快，对急着上线的数据中心很有吸引力。问题是这类设备以简单循环模式运行，热效率只有 35% 至 40% 左右，远低于联合循环电厂约 60% 的效率，单位发电的碳排放因此极高。

最有代表性的例子是马斯克旗下位于孟菲斯的 xAI Colossus 项目超算集群。作为全美规模最大的数据中心，该项目在尚未取得相关许可证前就私自运行了数十台移动式燃气轮机，当地社区和环保组织强烈抗议。

长期研究 AI 能耗的荷兰专家亚历克斯·德弗里斯（Alex de Vries），则从基础设施角度解释这轮扩张可能带来的长期风险。

德弗里斯告诉澎湃新闻，自建电厂并没有消除算力扩张的基础设施瓶颈，只是把等电网接入的问题，换成了采购发电设备、保障天然气供应、铺设输气管道和取得排放许可的问题。

他援引 Cleanview 的调研指出，这轮建设热潮中，开发商往往优先选能最快交付的设备，而不是效率最高的方案。短期部署速度，可能要以更高的长期燃料消耗和排放为代价。

更深层的风险是对化石燃料的长期依赖。德弗里斯担忧地警告，这种原本用来应对电网容量受限的权宜之计，极可能让科技行业长期、系统性地依赖化石燃料。一旦科技巨头在专用天然气发电资产上砸下重金，这些重型高碳基础设施未来数十年都会形成强大的资产惯性，极难轻易弃用。

说到底，这轮爆发式的表后燃气建厂热潮，印证的是开发商对电力供应近乎饥渴的争夺，而不是科技行业已经找到了能可持续突破 AI 算力扩张瓶颈的可扩展方案。

中期选举能否改变这一局面？卢乔尼保持谨慎。她认为政治变化可能给数据中心的无序扩张踩下刹车，但现在下结论还太早。决定排放轨迹的，不只是国会怎么表态，更是新增算力最终接上什么电源、建设项目如何接受审查，以及环境信息能不能由独立机构核验。

从矿山到报废芯片：运行用电之外，还有多少足迹没有被看见

就算数据中心的用电能被准确测量，AI 的环境账本仍可能远不完整。

卢乔尼指出，AI 产业供应链上游的公开数据极度匮乏。台积电等晶圆代工厂可能披露工厂层面的总排放、能耗和用水量，但这些宏观数据很难直接分配到某一款芯片或某一块 GPU 上，产品之间的环境足迹因此难以比较。

再往前追，铜、钴、镓、锗、稀土这些关键原材料的开采和精炼数据，透明度更低。矿物来源披露和环境足迹披露，其实是两码事。知道材料从哪儿来，并不等于清楚开采、加工过程中耗了多少电和水，又排了多少温室气体。

这块空白怎么补？卢乔尼等人在2026年的最新研究里用了个挺直白的办法：把多款GPU直接粉碎，再用精密仪器测出里面各种金属的种类和含量，靠这个去填数字产业缺的那块信息。

不过卢乔尼也强调，这终究是间接测算，替代不了供应商给出的可追溯、可比较的产品级数据。在她看来，一套完整的核算体系，除了相对有据可查的“运行用电量”，还得把硬件制造与原材料采矿、冷却和晶圆厂用水、数据中心与发电厂的土建工程，以及硬件快速迭代报废带来的电子垃圾都算进去。她呼吁行业尽快建立更严谨的测量体系和披露标准，而这恰恰是眼下严重缺位的东西。

彭博社的报道援引环保组织RMI的估算：仅美国AI设施建设到2030年用掉的水泥，其温室气体排放就可能相当于41.5万辆汽车跑一年。

企业如果只讲运行阶段的效率改善，那些发生在芯片上岗前、设施建成前、设备报废后的成本，就很容易被留在账本外面。

所以一张靠得住的AI环境分析表，不能只写单次调用耗多少电。它还得交代清楚：核算覆盖了哪些环节、用的什么测量方法、哪些成本压根没算进去。

卢乔尼在接受采访时回忆，早先有段时间，AI公司压根不觉得排放量能算得出来。“如今员工和股东都在向他们施压……我觉得，AI的使用想再遮住，眼下已经很难了。”

这恰好说明AI环境治理眼下正在起变化：争的不再只是技术有没有气候价值，而是这份价值在完整、透明的成本核算之后还站不站得住。

数据不完美，不代表只能干等。挑能耗更低又能干完活的模型，用低碳电力，改设施效率，再建一套可核验的披露机制，这些都是现在就能动手的方向。

真正要回答的，不是“AI必然绿色”，也不是“AI必然不可持续”，而是几个更具体的问题：哪些任务值得上AI，哪些模型够用，新增的电力从哪来，供应链背了什么成本，以及谁有权去核实这些答案。只有这些问题能被测量、被披露、被追责，AI作为气候解决方案的承诺，才谈得上可信的基础。