人工智能的碳排放是多少？

人工智能的碳排放主要由两部分组成：制造IT设备和建设数据中心产生的“隐含”排放，以及计算机芯片在执行人工智能相关计算时消耗的电力产生的“运营”排放。随着越来越多的数据中心建成，以及现有数据中心在高耗电人工智能应用（例如生成式法学硕士搜索和人工智能图像生成）中的占比不断增加，这两方面的排放都在增长。

了解数据中心的电力需求 

目前，人工智能特定应用的电力需求估计不到全球用电量的 1%，甚至可能更低。要理解这个数字，首先要了解全球1.1 万个数据中心的用电量，这些数据中心的用电量约占2022 年全球用电量的 1.0% 至 1.3%。（这还不包括加密货币挖矿带来的 0.4% 的用电量。）

然而，这些数据中心的大部分计算并非人工智能，而是更传统的应用，例如电子商务、视频流媒体、社交媒体和在线游戏。

由于缺乏完善的全球数据集，数据中心的人工智能计算量难以确定。根据已售出的人工智能专用计算机芯片数量（主要是图形处理器，简称 GPU），人工智能应用很可能仅消耗全球约 0.04% 的电力。这些电力消耗产生的温室气体排放量约占全球排放量的0.01% 。

尽管如此，人工智能应用的需求仍在快速增长，这可能会推高数据中心的用电量和相关的温室气体排放。这一趋势对美国的影响最为显著，因为美国拥有全球约一半的数据中心。

目前，数据中心的用电量约占美国电力的4%，但预计到2030年，这一比例将从4.6%的低点到9.1%的高点不等。 

电源如何影响数据中心的排放

用电量大幅增加并不一定会导致温室气体排放大幅增加。目前，数据中心所需的电力很大一部分来自风能和太阳能等零碳能源。这是因为领先的数据中心运营商，尤其是亚马逊、Meta 和谷歌，签署了大型企业购电协议 (PPA)。

虽然人们的注意力主要集中在清洁能源交易上，例如微软与 Brookfield Renewables达成协议，从 2026 年开始购买 10 吉瓦的可再生能源，以及与 Constellation Energy 达成单独协议，从 2028 年开始购买 0.8 吉瓦的核电，但美国科技公司多年来一直在购买可再生能源，并且已经签约到 2022 年底购买超过 35 吉瓦的清洁电力 。

使用低碳电力意味着这些数据中心的净排放量低于电力消耗数字所显示的水平。当然，一个关键的考虑因素是，这些低碳电力是否真正“额外”？

这意味着它是新增到电网中，而不是简单地从其他用途中抽取。数据中心运营商正在扩展其传统的风能和太阳能购电协议，并探索新的方法来达到这一标准，包括美国和肯尼亚的地热项目。

然而，至少在短期内，数据中心人工智能应用的预计电力需求难以完全依靠低碳电力满足。尽管2023年风能、太阳能和电池项目的装机容量将超过30吉瓦，但在美国许多地区，这些发电厂面临着越来越长的并网审批等待时间。

地热能和水力发电虽然能够提供稳定的（“基载”）低碳电力，但在短期内仍将受到限制。此外，从重启全尺寸反应堆到新型小型模块化反应堆（SMR），扩大核电规模的意愿面临着巨大的监管、成本和供应链障碍。 

一种尚未得到足够重视的重要低碳电力来源是配备碳捕获和储存（CCS）的天然气发电。这项技术有可能显著减少现有发电厂的排放，并使新项目实现接近零排放。 

隐含排放在数据中心建设中的作用

隐含排放包括与建筑材料的提取、生产、运输、建造和处置相关的所有排放。 

建造数据中心会产生大量的隐含排放，包括混凝土、钢材和IT 硬件。数据中心的范围 3 温室气体排放（包括隐含排放）约占其整个生命周期排放量的三分之一到三分之二。2020 年至 2023 年间，微软的碳排放增长了 30%，这主要是由于与钢材、混凝土和芯片制造相关的排放。

为此，微软已开始在一些数据中心建设中使用木材来减少这种影响。虽然使用木材可以部分解决问题，但它无法完全抵消哪怕一个设施的排放，而且木材供应链仍然有限。 

主要的数据中心运营商正在努力应对这一挑战，包括强调对关键建筑材料进行标准化排放测量和披露的必要性。最终，实现更深层次的脱碳需要采取进一步行动，以解决运营排放和隐含排放问题。

减少人工智能碳排放的八种策略

适应技术架构

效率是任何清洁能源方案的基础战略。因此，芯片制造商正在开发从一开始就降低能耗的方法，例如将更多内存直接集成到计算机芯片中，或将基本计算功能硬连线化。这些创新已经大幅降低了新型计算机芯片的能耗，在某些情况下甚至降低了 96%。同样，服务器的设计也采用了新的架构，以最大限度地减少内部数据传输，从而提高效率。

优化训练地理位置 

直接管理人工智能的能源使用也存在重大机遇。例如，法学硕士 (LLM) 的大部分能源消耗发生在模型发布之前的训练阶段。由于这些训练任务不受地点限制，因此可以在电力充足、低成本、低碳的地区进行，这体现了动态迁移计算任务以减少排放的更广泛努力（“碳感知计算”）。

此外，生成性人工智能任务（例如 ChatGPT 搜索）的服务器请求可以通过由低碳电力驱动的系统进行路由。虽然这可能只会增加几毫秒的延迟，但却可以显著减少潜在的排放。

选择合适尺寸的模型

并非所有生成式人工智能任务（例如 ChatGPT 查询）的能耗都相同。领先的人工智能公司越来越注重使用更小、更高效的人工智能模型来执行这些任务，以更低的能耗实现几乎同等的质量。

同样，许多人工智能应用，例如数字孪生和基于卫星的模式识别，其耗电量远低于大型语言模型等生成式人工智能系统。例如，一些最先进的人工智能驱动的天气预报模型所需的能耗远低于传统的天气模拟，而且这些模型是在笔记本电脑而非超级计算机上运行的。

解决甲烷逸散排放问题

随着数据中心运营商考虑使用天然气作为新的电力供应，减少天然气生产和输送过程中的上游排放将至关重要。在美国，美国环保署的甲烷规则可以将这些非二氧化碳温室气体排放量减少约 80%（尽管该规则的未来前景尚不确定）。

此外，Kayrros 等公司和Carbon Mapper等组织开发的人工智能工具有助于检测甲烷泄漏并将其归因于特定的运营商。业内最优秀的企业甲烷排放量极低——不到产量的 0.5%。几乎所有天然气生产商都能达到这一标准。

在发电厂使用碳捕获技术

对于新建和现有的天然气发电厂而言，碳捕获和封存技术有望实现高可用性的低碳发电。尽管目前许多在运电厂的排放仍未得到控制，但情况并非如此。它们的排放可以被捕获和封存。超大规模企业和项目开发商应寻求新的投资和商业模式，以减少95%或更多的现有排放量。

对于新一代项目，NetPower、Arbor和CES等方案将很快实现100%的减排目标，如果与生物能源相结合，还能去除二氧化碳，甚至更高。要实现这一目标，需要开发二氧化碳管道、驳船和封存设施，而这些设施本身也面临着诸多挑战，例如许可和社区审批，必须立即予以解决。

为电网添加更多零碳能源

美国有超过12,000个太阳能、风能和电池项目面临并网延迟。这些问题亟待解决。诸如《曼钦-巴拉索法案》之类的许可改革措施或许有助于加快这一进程。一项潜在的创新是利用人工智能加速电力潮流模型的开发，并简化完成监管流程所需的文书工作。

投资低碳建筑材料

虽然木材是一种很有前景的低碳建筑材料，但我们也需要隐含碳排放量极低的玻璃、混凝土、钢材、铝和计算机芯片。超大规模数据中心运营商目前在获取这些材料的低碳版本方面面临重大挑战，这些材料的最终生产将利用低碳氢能、碳捕获与储存以及低碳电力。

然而，这些系统的建设需要大量的投资、劳动力开发和许可。如果没有这些进步，美国、欧洲乃至全球数据中心的隐含碳排放量将迅速大幅增加。

增加二氧化碳去除量

显而易见的是，数据中心的人工智能应用将产生电力使用和隐含碳排放，这些排放在短期内是无法避免的。目前，温室气体排放量估计每年超过3亿吨，并且在未来十年内可能还会增长。这些排放应该通过全生命周期分析进行测量，然后通过高质量的碳去除项目（最好是具有高持久性的项目）进行抵消。

为了有效减少人工智能对环境的影响，所有讨论的八种策略都必须优先考虑受影响最严重的社区：靠近新基础设施的一线社区、面临价格上涨的消费者以及法律保护有限的部落当局。规划应从了解这些社区的需求开始，确保工作重点是最大限度地减少损害，同时最大限度地提高效益。所有策略的规划、生产和许可的每个阶段都必须体现 公平和正义。

结论

人工智能只是电力需求快速增长这一更广泛趋势的一部分，其他趋势还包括电动汽车、热泵、工业电气化、绿色氢能以及各种电子燃料。人工智能给超大规模企业、社区、监管机构和投资者带来的挑战，预示着其他行业正在出现的复杂而深远的影响。

实现净零排放并非要放慢速度或强迫企业遵守规定；而是要促进创新，构建新的解决方案，并尝试不同的方法。人工智能的碳排放凸显了清洁电力、电网管理、脱碳和碳去除方面专业知识的迫切需求——随着越来越多的公司意识到未来道路的复杂性和成本，这些专业知识将变得越来越重要。

幸运的是，人工智能本身可以成为解决方案的一部分。凭借在电网管理、材料科学和先进制造领域的应用，人工智能有潜力在气候应对中发挥强大作用。