简而言之
利用提供商公布的区域数据或 Electricity Maps 等数据源,按电网碳强度和无碳能源比例比较各个区域,再权衡延迟、数据驻留规定和成本。训练、微调和夜间处理等批量工作最容易迁移;面向用户的推理通常需要靠近用户。
步骤
- 列出哪些工作负载可以在任何地方运行,从训练、微调和批处理作业开始。
- 按电网碳强度和无碳能源比例比较候选区域。
- 检查每个候选区域在数据驻留、延迟和成本方面的限制。
- 把数据迁移到新区域的能耗和成本考虑在内。
- 每年重新核查一次选择,因为电网和提供商数据都会变化。
选择不同的区域,可以让同一项作业的碳排放相差好几倍,而代码无需任何改动。 不同电网每千瓦时电力背后的碳排放差异很大。
在哪里可以找到区域数据?
- Google Cloud 为每个区域公布逐小时平均的无碳能源比例,以及以 gCO₂e/kWh 计的电网碳强度。在其控制台中,无碳能源比例至少为 75% 的区域,或者在没有该数据时电网碳强度不超过 200 gCO₂e/kWh 的区域,会被标为“Low CO2”。
- Electricity Maps 提供 350 多个区域的实时、预测和历史碳强度数据,适用于任何提供商。
- 其他提供商的可持续发展页面和碳排放仪表板;参见您的云提供商的碳数据。
哪些工作负载应该迁移?
绿色软件基金会(Green Software Foundation)针对 AI 工作负载的模式建议,把对延迟不太敏感的训练、微调和批量工作放在低碳区域运行。微软的 Azure Well-Architected 指引建议,在选择区域时综合权衡碳强度、延迟和韧性。
常见错误
- 把对延迟敏感的推理迁移到远离用户的地方,这会影响体验,还会增加网络流量。
- 忽略数据迁移。 在区域之间复制大型数据集本身也有成本。
- 依赖证书。 提供商购买可再生能源证书,并不会让高碳电网变成低碳电网;参见核实您的 AI 是否使用可再生能源。
- 把区域选择当作提高效率的替代品。 它减少的是碳排放,而不是能耗。
更多内容请参阅托管与数据中心。
来源
- Carbon free energy for Google Cloud regions, Google Cloud (2025)
- Electricity Maps data, Electricity Maps (2026)
- Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
- Reliability recommendations for sustainable workloads on Azure, Microsoft Azure Well-Architected Framework (2026)
相关内容
我该如何……?
如何在电网更清洁的时候安排模型训练?
在电网碳强度低时运行训练和批量 AI 作业:使用预测数据,用检查点让作业可以暂停,并把截止时间作为硬性限制。
我该如何……?
如何查到所在电网的碳强度?
计算 AI 碳足迹时,到哪里获取电网碳强度数据:英国 Carbon Intensity API 和 Electricity Maps 等分地区、按小时的数据来源。
我该如何……?
如何确认我的 AI 是否使用可再生能源?
弄清您的 AI 在哪里运行,查看当地电网碳强度和逐小时清洁电力占比,并区分“100% 可再生”声明与电网实际供电。
良好实践
绿色 AI 的托管与数据中心
如何选择 AI 的运行地点:电网碳强度、PUE 与 WUE、可再生能源声明、用水和选址,并附上可向托管服务商提出的问题。