How to Make Artificial Intelligence More Environmentally Sustainable

如何使人工智能更具环境可持续性 - InfoQ

InfoQ 首页 News 如何使人工智能更具环境可持续性

文化与方法

从标记到功能：为AI辅助工程构建成本归属（网络研讨会，10月29日）

如何使人工智能更具环境可持续性

2026年10月29日 5分钟阅读

作者：

• Ben Linders

#### 关注我们

YouTube

232K 粉丝

LinkedIn

26K 粉丝

Instagram

新

RSS

19K 读者

X

57.1k 粉丝

Facebook

21K 喜欢

Bluesky

收听本文 -

0:00

音频准备播放

您的浏览器不支持音频元素。

正常

1.25x

1.5x

喜欢

新下拉阅读列表

• 阅读列表

据微软和谷歌的报告，信息技术行业负责全球约2-4%的碳排放，由于人工智能的使用，这两家公司的电力消耗大幅增加。Charles Humble在哥本哈根GOTO大会上讨论了绿色人工智能（Green AI），他主张可持续性应成为最高级别的架构关注点。他的建议包括：使用预构建的较小模型，在低碳电力丰富的地区运行计算，并使用可再生能源进行训练。

Humble引用了国际能源署（IEA）的数据，该机构指出，亚马逊、微软、谷歌和Meta这四家公司的总电力消耗在2017年至2021年间翻了一番多，到2021年达到约72太瓦时。微软2024年环境报告指出，其总碳排放量自2020年以来增长了30%，主要原因是为满足人工智能需求而建设数据中心。根据谷歌自己的报告，其碳排放量自2019年以来增长了约50%，并在2023年单年增长了13%，这些增长主要由人工智能驱动。

这些报告中提到的排放主要是二氧化碳，一种温室气体。Humble表示，自工业革命以来，我们一直在增加大气中温室气体的浓度，从而捕获更多热量。我们希望到2100年将全球变暖控制在1.5摄氏度以内，但预测显示，届时温度可能在2.5至3摄氏度之间。

正如Humble所解释的，信息技术行业在很大程度上加剧了这一问题，部分原因是电力使用：

国际能源署估计，2022年全球数据中心的电力消耗约为240至340太瓦时，占全球电力需求的1至1.3%。网络增加了另外260至360太瓦时。总计700太瓦时，与巴西同期的726太瓦时相当。

Humble表示，信息技术行业负责全球约2-4%的碳排放，而航空业为3%。但尽管航空业正在努力减少排放，我们行业却在反其道而行之。

Humble建议在将人工智能应用于商业场景时，可以提出以下几个问题：

你真的需要它吗？你是否需要从头训练一个新模型，还是可以使用预构建的模型？如果你可以放宽部分SLA（服务等级协议），是否允许你在更环保的地点运行工作负载？是否可以使用需求塑造（demand shaping）？

如果需要训练自定义模型，Humble建议思考我们实际上需要收集多少数据。他指出，有时较小的模型效果更好。他还建议使用开源数据集，并尽可能在绿色能源可用的时间和地点收集数据。

Humble 表示，理论上训练可以始终使用 100% 的可再生能源，这可以将碳排放减少 45% 到 99% 之间。

他指出，大部分能源可能实际上是在将模型部署到生产环境并进行维护时消耗的，并提出了四个步骤来使所有计算更加环保：

使用能够安全执行任务的最小硬件配置。在低碳电力资源丰富且电网清洁计划可信的地区运行计算任务。使用那些在绿色地区设有数据中心并提供良好工具以帮助减少碳足迹的云服务提供商的云服务。优化任务的执行时间以进一步减少碳足迹。

Humble 总结道，可持续性应与成本、性能、安全性、监管问题和可靠性一起，成为计算工作负载的首要考虑因素之一。我们应该思考如何以更环保的方式构建系统。

InfoQ 在他的演讲后采访了 Charles Humble。

InfoQ：在减少碳排放方面，地理位置有何重要性？

Charles Humble：计算工作负载会消耗固定量的能源，但能源的碳成本会根据数据中心所使用的电力来源在不同地点和时间产生巨大差异。假设数据中心使用的是主要依赖水电、太阳能、核能和风能的地区电网（例如挪威、瑞典和法国），在此运行工作负载可能比依赖煤炭或天然气的地区清洁许多倍。碳强度还会随着一天中和一年中风能、太阳能和需求的变化而波动。在碳感知计算中，我们可以基于这种变化应用一种称为需求转移的技术。需求转移可以通过两种方式实现，一种是基于时间，另一种是基于地理位置。基于时间的方式特别适用于对延迟不敏感的用例，例如 AI 训练。对于地理位置而言，该技术最简单的变体是默认为新的、可容忍延迟的工作负载选择低碳地区。更高级的变体可能涉及根据季节变化迁移到不同半球以最大化对阳光和太阳能的暴露。

InfoQ：需求塑造是如何运作的？

Humble：需求塑造是指根据电力供应的清洁程度或限制程度，调整软件执行的工作量或工作类型。其中一种方式是为用户提供选择。对于 AI 驱动的服务，可以允许用户在一开始就选择与真人对话而不是 AI，或在流程的任何阶段选择。还可以应用基于更高碳强度的优雅降级技术，例如提供较低质量的视频或图像、关闭自动播放、跳过非必要的动画或降低刷新率。你也可以使用更小的模型。权衡包括增加复杂性，当然你还需要确定降低后的服务质量是否仍然可接受。

InfoQ：我们能做些什么来使模型训练更加环保？

谦逊：在进行训练和数据收集的需求转移时，尽可能避免从头开始训练。使用预训练模型并进行微调，或在满足需求的情况下仅通过提示和/或检索增强生成（RAG）来使用。减小模型规模可以加快训练速度并提高效率。蒸馏、量化和剪枝都可以用于压缩。在某些情况下，通过联邦学习进行设备端训练可能更加环保。请注意，对于广泛使用的模型，模型生命周期内的推理可能会导致更大的总排放量，因此服务效率也很重要。Raghavendra Selvan 的书籍《Sustainable AI》对这些方法进行了更深入的探讨，如果读者想了解更多，这是一份宝贵的资源。

作者部分主容器

关于作者

章节标题

每位作者的主容器

#### Ben Linders

显示更多

显示更少

#### 本内容属于“文化与方法”主题

##### 相关主题：

• 开发
• 文化与方法
• 人工智能、机器学习与数据工程
• 可持续计算
• 数据
• 大型语言模型
• IT
• 绿色软件
• GOTO 会议
• 云计算
• 相关编辑内容
• 相关赞助商
• 相关赞助商 2026年10月29日，东部时间下午1点 从 Token 到 Features：为 AI 辅助工程构建成本归因架构 主讲人：Martin Reynolds - Harness 的现场首席技术官，以及 Barani Mohandoss - Trimble 的云治理、FinOps 与 E-工具总监

InfoQ 电子报

每周五汇总 InfoQ 上一周的内容，每星期二发送。加入超过 25 万名高级开发者的社区。查看示例

我们保护您的隐私。