隨著人工智慧（AI）技術的迅猛發展，它已經成爲推動經濟社會發展的重要力量。與此同時，環境可持續性問題也日益凸顯，成爲全球關注的焦點。AI作爲先進生產力，展現了其在應對環境挑戰方面的巨大潛力。然而，AI的環境可持續發展並不是自動發生的，而是需要有意識地引導和管理，以避免在解決環境可持續發展問題的同時造成更多新的問題。
AI助力環境可持續的技術基礎與潛力
隨著電力需求的成長和脫碳努力的加強，電力系統變得越來越複雜。一方面，AI技術的應用顯著提升了電力系統的效率。透過提高對供需的預測，AI技術能夠將變化的可再生能源供應與電網需求相匹配，從而最大限度地提高可再生能源的經濟價值，並使其更容易融入電網。例如，AI可以使用天氣模型和渦輪機的位置資訊來預測風力發電量。
然而，由於風流的變化，實際發電量可能會高於或低於預期，從而導致運營成本的增加。爲了解決這個問題，谷歌及其人工智慧子公司DeepMind在2019年開發了一個神經網路，以提高其700兆瓦可再生能源機組的預測準確性。基於歷史數據，這個神經網路開發了一個模型，可以提前36小時預測未來的發電量，並且其準確度遠高於之前的水準。
這種更高的可視性讓谷歌能夠提前出售其電力，而不是等到實時交易。這與其他由AI促進的效率措施一起，使其風力發電的財務價值提高了20%[ https://blog.google/technology/ai/machine-learning-can-boost-value-wind-energy/]。更高的價格改善了風力發電的商業案例，並可以推動對可再生能源的進一步投資。這也是谷歌推動24/7全天候無碳能源計劃的基礎，即到2030年，谷歌實現全部採購太陽能和風能等乾淨能源，並實現小時級匹配其在全球各地運營設備的電力需求。透過更準確地預測輸出峯值，像谷歌這樣的公司能夠調整其在計算負載高峯期的電力消耗，以與峯值消耗相吻合。這樣做的結果是可以避免從市場上購買額外電力的需求。如果這種能力得到更廣泛的擴展，不僅會對電網的脫碳產生積極影響，同時也將進一步促進乾淨能源的生產和消費。
另一方面，AI本身也在推動著自身的能源革命。隨著AI技術的發展，計算能力不斷提高，而每處理單位能量消耗卻顯著下降。這種進步對環境可持續性具有積極意義，因爲這意味著AI系統能夠在消耗較少能源的情況下完成更多的任務，從而減少了對環境的壓力。根據國際能源署（IEA）的數據，人工智慧電腦晶片能源指數正在急速下降[ https://www.iea.org/data-and-statistics/charts/efficiency-improvement-of-ai-related-computer-chips-2008-2023]。
在2024年的Computex貿易展上，Nvidia的聯合創辦人兼首席執行長黃仁勳發佈的輝達路線圖也向我們展現了這種潛力。
上圖清晰地揭示了兩個重要趨勢：一是人工智慧（AI）計算能力的顯著提升；二是每處理一個token（模型處理的基本數據單位）所需能量的顯著下降。從2016年到2024年的八年時間裏，AI計算能力經歷了約1,000倍的成長。這條左側的趨勢線展示了一個指數級成長模式，顯示出隨著技術的進步與發展，AI的計算能力正在以前所未有的速度提升。最新的Blackwell系統能夠達到20,000 TFLOPS（每秒兆次浮點運算）的計算效能[ TFLOPS作爲一個衡量電腦效能的單位，在高效能計算（HPC）和圖形處理單元（GPU）的能力評估中被廣泛採用。「FLOPS」（每秒浮點運算次數）這一術語中的「Tera-」前綴表示兆，因此，1 TFLOPS意味著每秒鐘可以執行一兆次浮點運算。
]。
圖表右側的趨勢線則展示了另一項關鍵進展：每處理一個token所需的能量消耗情況。自2016年以來，每token的能量需求呈現出明顯的下降趨勢，並且這一趨勢在隨後的幾年中持續。根據圖表中的數據，每token的能量需求在短短八年內降低了約45,000倍。這表明隨著硬體與技術的進步，我們不僅能夠實現更高效能，還能以更低的成本來達成這一目標。
這兩條趨勢線共同勾勒出一幅AI領域快速發展的生動圖景。一方面，計算能力不斷提升，爲更復雜的人工智慧任務提供了堅實的基礎；另一方面，我們在提高效能的同時，也減少了能源消耗，這對於推動環境可持續發展具有深遠意義。
從AI技術顯著提升電力系統的效率、促進可再生能源生產和消費到AI計算能力與能效的飛躍，我們可以看到AI助力環境可持續的技術基礎與潛力。
AI的雙刃劍效應
雖然我們可以看到AI的效能不斷提升，但是其自身材料和能源消耗和成長速度同樣不可小覷。隨著模型參數數量的激增，人們對能源消耗和溫室氣體排放的關注日益增加。這種成長的一個重要驅動因素是轉向AI驅動的應用和服務，例如網路搜尋。現有人工智慧演算法的確切能耗難以量化，但根據IEA的數據，對聊天機器人ChatGPT的一次典型請求消耗約10千焦耳的能量——這一數值幾乎是傳統谷歌搜尋能耗的十倍。
根據IEA的數據，2022年全球數據中心消耗了165億千兆焦耳的電力，佔全球總需求的2%-4%。然而，由於數據中心往往在地理上集中分佈，因此其對當地電力供應的影響尤爲顯著。例如，在美國至少五個州，數據中心的電力消耗已經超過了總量的10%；而在愛爾蘭，這一數字更是達到了所有電力消耗的20%以上。隨著AI技術的廣泛應用，預計數據中心的電力消耗將進一步增加。IEA預測，到2026年，數據中心的能源消耗將成長35%至128%，這相當於瑞典（按最低估計）或德國（按最高估計）一年的能源消耗總量。
儘管如此高昂的能源成本，企業似乎認爲這是值得的投資。根據谷歌2024年環境報告顯示，其碳排放量在過去五年內成長了48%。今年5月，微軟總裁布拉德•史密斯（Brad Smith）表示，自2020年以來，該公司的碳排放量增加了30%。儘管沒有人願意面對鉅額的能源賬單，但研發AI模型的企業卻專注於獲取最佳的結果。正如《自然》雜誌所指出的那樣，「當你訓練世界上最大的模型時，人們通常不會關心能源效率。」
整體來看，AI發展存在三點環境可持續性挑戰：
首先，AI應用的成長速度和方式仍然存在根本性的不確定性。初步數據顯示，AI在家用領域的採納速度甚至可能超過其他變革性的數字技術。但隨著時間推移，究竟哪些AI應用會在家庭和企業中流行，將直接影響到能源需求。比如，影片生成比文字生成或AI搜尋要耗費更多的能源。AI模型開發的未來方向同樣至關重要，因爲某些方法相較於其他方法會消耗更多的能源。此外，AI應用的財務回報也將影響數據中心的投資趨勢，因爲當前的支出與未來盈利預期密切相關。
其次，我們需要更好地理解硬體和軟體效率持續提升的可能性。目前，AI相關電腦晶片的效率大約每兩年半到三年就會翻一番，現代AI晶片執行相同計算所需的功率比2008年的模型減少了99%。與此同時，新的冷卻技術正在研發之中，AI模型本身也在變得越來越高效。然而，數據中心的運營和能源效能相對缺乏透明度，這使得準確估計需求變得困難。對此，一些司法管轄區正在採取措施提高透明度。
第三，需要進一步探討需求成長的物理限制和生態限制。當前對數據中心項目管道的瞭解十分有限，相關數據也不易獲取。此外，新材料、新工藝和全新設計在半導體行業的引入是一個漫長而充滿挑戰的過程，晶片生產可能會成爲短期內的瓶頸。如果沒有足夠的發電和電網容量來支援最需要的地區，能源行業本身也可能成爲制約AI發展的因素。此外，數據中心對水資源的消耗和對生物多樣性的潛在影響也是常被忽視的問題。
從這些數據可以看出，儘管AI技術在提高電力系統效率方面展現出巨大的潛力，但其自身在解決環境可持續問題的同時也可能製造更多的問題。因此，出於對環境可持續性的考慮，迫切需要引導AI自身的環境可持續發展，避免AI在解決問題的同時製造更多的問題。爲此，全面評估AI在多維標準下的環境績效是必要的。
全面評估多維標準下的AI環境績效
透過AI實現環境可持續發展意味著將AI活動納入生態邊界的框架內，構建「人—機器—環境」的跨時代發展工程。邁向智慧時代的可持續未來，首先要對AI解決方案的淨環境影響進行全面審視。傳統的評估往往只聚焦於AI服務的部分直接環境影響，尤其是與使用階段相關的能源流動。然而，實際上，AI服務的環境影響還包括材料流動，這一部分在現有的實踐中並未得到充分重視。
因此，從全生命週期的角度來審視AI的重要性不言而喻，這可以全面評估從生產到使用直至生命終結各個階段對環境的影響。
評估AI的全生命週期環境影響通常採用生命週期評估（LCA）的方法。LCA是一種全面評估產品或服務在其整個生命週期內環境影響的工具，涵蓋了從原材料獲取、生產、使用直至最終處理的各個階段。主流的LCA方法包括ISO標準（ISO 14040和14044），以及由歐洲電信標準協會（ETSI）和國際電信聯盟（ITU）爲資訊通信技術（ICT）部門制定的專門方法標準。這些標準爲ICT設備和服務提供了詳細的LCA指南，幫助企業和研究機構更科學地評估其產品的環境表現。
實施LCA評估的具體步驟包括定義目標和範圍、清單分析、影響評估以及解釋。然而，當前許多針對環境問題的人工智慧解決方案缺乏對其成本與效益平衡的嚴格評估。ISO標準明確規定：「影響類別的選擇應反映與所研究產品系統相關的一整套全面環境問題，並同時考慮到目標和範圍。」這意味著，在推動AI解決方案的過程中，必須綜合考慮多個環境標準。
爲了全面評估AI解決方案的環境影響，有必要從其生命週期的三個主要階段入手：生產、使用和結束生命週期（End of Life）。
一、生產階段：這一階段涉及硬體設備的製造，包括原材料的提取、加工和組裝。生產過程通常伴隨著較高的能源消耗和廢棄物產生，因此，減少這一階段的環境負擔是實現AI可持續性的關鍵之一。
二、使用階段：涵蓋了AI系統在運行期間的能耗、數據採集、處理及存儲等活動。使用階段的能源效率和碳排放問題是當前評估AI可持續性的重點。優化演算法、提高能效、採用乾淨能源供電等方式均可有效降低這一階段的環境影響。
三、結束生命週期階段：涉及設備的廢棄處理、回收或再利用。如果處理不當，電子廢物可能會對環境造成長期的危害。因此，建立完善的回收體系，促進資源循環利用，是減輕環境負擔的重要途徑。
在評估AI解決方案的環境影響時，需要至少考慮以下五種關鍵指標：
一、生物多樣性：代表對土地利用、生物多樣性等方面的影響。保護生物多樣性不僅是維護生態系統健康的基礎，也是應對氣候變化的重要組成部分。
二、ADP（大氣沉積物潛力）：衡量空氣汙染的程度。空氣汙染不僅影響人類健康，還會對生態環境造成損害。
三、Humtox（人類毒性）：衡量物質對人體健康造成的危害。化學品和其他有毒物質的使用與排放，可能對人羣健康構成威脅。
四、水：代表水的使用或水質影響。水資源的合理利用和水質保護對於維持生態平衡至關重要。
五、GWP（全球變暖潛能值）：衡量溫室氣體排放對氣候的影響。減少溫室氣體排放是應對全球變暖的核心措施之一。
從當前的影響分佈來看[ Ligozat, Anne-Laure, et al. "Unraveling the hidden environmental impacts of AI solutions for environment life cycle assessment of AI solutions." Sustainability 14.9 (2022): 5172.]，上圖展示了一個簡單的矩陣，其中橫軸表示AI解決方案生命週期的不同階段，縱軸則表示相關的環境影響指標。圖中深藍色方塊位於使用階段和GWP之間，這表明當前的關注點主要集中在AI在使用階段的能源效率和碳排放問題上，而其他環境影響指標在評估AI的低碳發展時則被相對忽視。一個常見的誤區是認爲只要使用可再生能源，環境可持續性問題就能迎刃而解。事實上，生物多樣性在數據中心可持續發展目標中可以發揮更大的作用，但儘管運營過程中通常會同時考慮能源效率和汙染防治，卻鮮有人深入探討生物多樣性保護。生物多樣性的喪失會削弱生態系統應對氣候變化的能力，因此，缺乏將生物多樣性與低碳轉型和環境治理價值相聯繫的廣泛討論是一個亟待解決的問題。
此外，隨著AI發展對於淡水資源的消耗也是巨大的，而這部分問題同樣未得到相應的重視。例如，谷歌在其《2024年環境報告》中提到，2023年該公司的水足跡相比前一年增加了17%，冷卻其數據中心所需的總水量達到了61億加侖，這一成長與用電量的增加相匹配。這一水量相當於每年灌溉美國西南部41個高爾夫球場所需的水量。這一數據反映出，即使是在積極採用乾淨能源的背景下，AI技術的發展也會對水資源造成顯著影響。
引導與管理：構建可持續AI的策略
爲了全面理解AI技術的環境足跡，可以從其生命週期的不同階段對其進行評估，包括第一級直接影響、第二級間接影響以及第三級深遠影響。透過對這些不同層面的影響進行綜合考量，可以有針對性地採取措施，促進技術發展與環境保護的和諧共生。
第一級影響（直接影響）
與AI服務相關的設備在其生命週期各階段產生的直接影響主要包括：
一、原材料提取：這一階段涉及將原材料從自然界中開採出來，如金屬和其他礦物資源的開採。爲了減少這一階段的環境負擔，可以透過使用模塊化設計來方便未來的升級和維護，減少因技術更新換代而導致的硬體淘汰頻率；並且鼓勵製造商設計易於維修和升級的產品，透過軟體升級和硬體維護延長電子設備的使用壽命。
二、製造：包括將原材料轉化爲實際設備的過程，例如製作GPU、伺服器及其他硬體組件。在生產過程中，應優先使用可再生能源供電，減少化石燃料的依賴；實施環保生產流程，使用可回收或生物降解的材料，減少對環境的影響。
三、使用：設備在運行期間的能耗，包括數據的獲取、處理和分析，以及模型訓練和推理過程中消耗的能量。爲了降低這一階段的能耗，可以透過採用高效演算法開發，減少計算所需時間和資源；透過改進AI演算法來降低計算複雜度，減少訓練和推理所需的能量消耗；以及使用更高效的神經網路架構或壓縮模型大小，以減少能耗。
四、報廢處理：設備達到其使用壽命後，如何處理和回收這些設備，包括電子廢棄物的管理和回收。爲了解決這一問題，應建立電子廢棄物回收和再利用機制，確保廢棄設備中的有用部件得到重新利用，並實施安全的電子廢物回收計劃，確保廢舊設備中的有害物質得到妥善處理。
第二級影響（間接影響）
這些影響源於AI解決方案的實際應用，包括但不限於：
一、優化現有系統：透過AI進行分佈式能源資產的綜合管理；或是檢測建築物內的佔用情況來優化能源消耗，提高整體系統的運行效率。
二、實現精細控制：當AI應用於智慧建築或其他自動化系統時，可以實現更精細的控制，從而節省能源和資源。
第三級影響（深遠影響）
這些影響是由於引入了AI解決方案而引起的更廣泛的社會或技術變化，包括但不限於：
一、反彈效應：效率提升導致成本下降，可能會促使人們增加消費，從而抵消了最初的節能效果。
二、行爲改變：AI的引入可能會影響個人的行爲模式，例如，如果智慧系統使得室內溫度更加舒適，用戶可能會選擇更高的溫度設置。
三、系統轉變：隨著時間的推移，AI可能會驅動整個行業的變革，例如，自動駕駛汽車可能會改變交通模式和個人出行習慣。
四、持續改進與模擬：採用ASI策略（避免—轉移—改進），透過AI技術預測和預防不必要的資源消耗，優化資源分配，改進現有系統和流程。
爲了構建可持續發展的AI，我們必須採取綜合的引導和管理措施,以全生命週期視角切入，更全面地從政策、企業實踐推動AI的環境可持續發展。只有在實現經濟效益的同時兼顧社會責任和環境保護，AI技術才能真正造福於人類社會。
（注：TFLOPS作爲一個衡量電腦效能的單位，在高效能計算（HPC）和圖形處理單元（GPU）的能力評估中被廣泛採用。「FLOPS」（每秒浮點運算次數）這一術語中的「Tera-」前綴表示兆，因此，1 TFLOPS意味著每秒鐘可以執行一兆次浮點運算。）
（作者陳鈺什，New Energy Nexus首席研究員，ISO可持續金融科技工作組專家，China ESG Alliance特別顧問，中國環境科學學會碳達峯碳中和專委會委員，著有《變革:元宇宙與數字經濟》。本文僅代表個人觀點。責編郵箱：yilin.yuan@ftchinese.com)