AI用电激增，科技业减排为何反着走？

IT 行业贡献了全球约 2% 至 4% 的排放。微软和谷歌的公开报告都显示，受人工智能影响，两家公司的用电量在持续上涨。Charles Humble 在 GOTO Copenhagen 大会上专门谈了绿色 AI 这个话题，他的看法是：可持续性应当被当成顶层架构设计的一环来看待。他给出的做法有这几条——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去跑，训练时用可再生能源。

他引用了国际能源署（IEA）的数据：亚马逊、微软、谷歌和 Meta 四家合起来的用电量，2017 年到 2021 年间翻了一倍多，2021 年约为 720 亿千瓦时。微软 2024 年的环境报告写道，其总碳排放量自 2020 年以来涨了 30%，新建数据中心以满足 AI 需求是主因。谷歌自己的报告也显示，排放量从 2019 年以来激增约 50%，光 2023 年就比上年多了 13%，人工智能是主要推手。

这些报告讲的排放物，主要是二氧化碳。Humble 说，工业革命以来，大气中的温室气体浓度一直在被我们推高。目标是到 2100 年把升温控制在 1.5 度，可预测显示实际升温会落在 2.5 到 3 度之间。

在 Humble 看来，IT 行业是这个难题的重要贡献方，用电量是原因之一。他这样解释：

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。两项合起来约 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 行业排放约占全球总排放的 2% 至 4%，航空业是 3%。可航空业在积极减排，科技行业却在朝反方向走。

Humble 的建议是，把 AI 引进业务环境之前，不妨先问自己几个问题：

你真的需要它吗？

你是要自己从头训练一个新模型，还是用现成的预构建模型就够了？

如果部分 SLA 可以放宽，负载是不是就能部署到碳更少的区域？

需求塑形方案，你能不能用起来？

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。他的判断是，很多场景里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，借助需求转移，把数据收集安排在绿色能源可用的时间和地点。

Humble 提到，理论上训练全程都用 100% 可再生能源的话，碳排放能减少 45% 至 99%。

他还认为，能耗的大头其实出现在模型上线部署和持续运维这一段。围绕怎么让算力更绿，他给出四项措施：

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。

挑那种在绿色区域有数据中心、减排工具也配套齐全的云厂商。

作业的执行时间也优化一下，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，这件事需要我们去想。

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：计算任务耗掉的总电量是固定的，但同样的电，碳成本会因地点和时间差出很多，这取决于数据中心用什么电。假设数据中心接的是电网电力，在主要靠水力、太阳能、核能和风能的地方（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方清洁好几倍。碳强度在一天之内、一年之内也会随风能、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。需求转移有两种做法：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合，AI 训练就是一例。

按位置来做，最简单的办法是给对延迟容忍的新增负载默认优先选低碳区域。再进一步，可以随季节切换到不同半球，把日照和光伏电力用到最多。

InfoQ 提问：需求塑形具体怎么落地？

Humble 解释，需求塑形就是看当下电力够不够干净、供电紧不紧张，据此调整软件的工作量或任务类型。落到实现上，可以给用户一个选择：AI 驱动的服务里，让用户挑前期先跟人工聊、而不是直接上 AI，或者在对话进行到一半时切给人工。

另一条路是优雅降级，按更高的碳强度来触发。比如视频或图像给低一档的质量，自动播放关掉，非必要的动画跳过，刷新率调低，或者换成更小的模型来调用。

代价在于系统复杂度会往上走，而且降级之后的服务水平是否仍能接受，必须自己确认。

InfoQ 提问：想让模型训练更环保，能做点什么？

Humble 回答，除了针对训练和数据收集做需求转移，还应尽量避免从零开始训练。能用预训练模型微调就优先微调；需求能满足的话，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、剪枝这几种手段都能用于模型压缩。某些场景下，基于联邦学习的端侧训练碳排放更低。不过有一点要留意：大规模广泛使用的模型，其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 所著的《Sustainable AI》一书里有更深入的讲解，想了解的读者可以找来看看。