简而言之
在跟踪每项任务能耗的同时跟踪 AI 的总能耗,让增长一目了然,并事先决定节省下来的部分如何处理:撤掉腾出的算力,保留预算或上限,或者有意识地再投入。把效率与“适度”结合起来,问一问每一项新用途是否值得。如果不这样做,更便宜的 AI 往往只会被用得更多。
步骤
- 每次审查时,在报告每项任务能耗的同时报告 AI 的总能耗或总排放。
- 在开展效率项目之前,决定它腾出的算力或预算将如何处理。
- 为每个团队或服务设定总算力、token(词元)或花费的预算或上限。
- 撤掉因效率提升而不再需要的服务器、许可证或预留算力。
- 在批准每一项新的 AI 用途之前,先问它是否真的需要。
只有当有人决定如何处理效率腾出的算力时,效率才会变成节省。 否则,更便宜的 AI 会被用于更多事情、用得更频繁,总量也会不断上升。
为什么会这样?
经济学家威廉·斯坦利·杰文斯(William Stanley Jevons)在 1865 年观察到,更高效的蒸汽机导致烧掉的煤更多,而不是更少。Luccioni、Strubell 和 Crawford 认为,同样的回弹机制也适用于 AI:效率提升降低了成本,而这可能推动更多的使用。国际能源署(International Energy Agency)预计,2024 年至 2030 年间,数据中心用电量将增加一倍以上,而 AI 是最重要的推动因素,尽管每次请求都变得更便宜。
组织能做些什么?
- 让总量可见。 如果只看每项任务的数字,看上去总是在稳步进步。
- 做预算。 像对待其他资源一样,给团队设定算力、token 或花费预算。
- 把节省落袋。 当一个模型或工作流程变得更高效时,关闭或退还它不再需要的算力。
- 有意识地再投入。 把节省用在新用途上可能是正确的选择,但要让它成为一个决定,而不是随波逐流。
- 践行适度。 问一问一项任务是否真的需要 AI,或者是否需要这么大的模型;请参阅判断您是否需要 AI。
常见错误
- 把以百分比表示的效率提升宣布为减排。
- 让腾出来的服务器“以防万一”继续运行。
- 因为每一项新 AI 功能都很便宜,就全部批准。
2026 年英国一场由数学家、计算机科学家和业界人士参加的绿色 AI sandpit(研讨工作坊)把避免回弹效应列为绿色 AI 的主要悬而未决的问题之一。更多内容请阅读效率不等于适度。
来源
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- Energy and AI, International Energy Agency (2025)