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)