简而言之
绿色 AI 是指以一种使环境成本与其带来的价值相称的方式使用人工智能(AI)。它包含两层含义:用 AI 帮助环境(“AI 助力绿色”),以及减少 AI 本身的足迹(“更绿色的 AI”);也包含两条实现途径:效率(用更少的资源完成每项任务)和充足(只做值得做的任务)。
要点
- “AI 助力绿色”是用 AI 帮助实现环境目标;“更绿色的 AI”是减少 AI 本身的足迹。绿色 AI 两者都需要。
- AI 的足迹不只是电力,还包括碳排放、用于冷却和发电的水,以及硬件所用的材料和产生的废弃物。
- 效率降低每项任务的成本;充足则追问这项任务是否需要 AI,或者是否需要这么大的模型。
- 绿色 AI 不等于“不用 AI”。它关乎用好 AI、测量其成本,以及为任务选择合适的工具。
- 由于“AI”涵盖从小型分类器到前沿聊天机器人的一切,任何绿色 AI 的说法都应说明指的是哪一类 AI。
“绿色 AI”被用来指好几种不同的东西,这让相关讨论容易混乱。本文梳理其中的主要概念,以及本网站通用的术语,以便后续页面在此基础上展开。
绿色 AI 是什么意思?
绿色 AI 是指以一种使环境成本与其带来的价值相称的方式使用人工智能。它关乎用好 AI,而不是拒绝使用 AI。
这一说法由 Schwartz、Dodge、Smith 和 Etzioni 在 2020 年发表于《Communications of the ACM》的论文中推广开来。他们把“红色 AI”,即用越来越多的计算换取准确率小幅提升的研究,与“绿色 AI”,即在报告和奖励准确率的同时也报告和奖励效率的研究,作了对比。这篇论文的背景是 Strubell、Ganesh 和 McCallum 2019 年的研究,该研究揭示了开发一个大语言模型(LLM)可能消耗多少能源、排放多少碳。
此后,这一概念的含义不断扩展。如今,绿色 AI 通常涵盖 AI 系统的整个生命周期:它运行的硬件、数据中心、模型、配套软件,以及人们如何使用它。
“AI 助力绿色”和“更绿色的 AI”有什么区别?
“AI 助力绿色”是用 AI 帮助实现环境目标;“更绿色的 AI”是减少 AI 本身的足迹。绿色 AI 两者都需要,而两者可能相互拉扯。
| AI 助力绿色 | 更绿色的 AI | |
|---|---|---|
| 目标 | 用 AI 在其他领域减排或保护自然 | 减少 AI 所用的能源、碳、水和材料 |
| 例子 | 预测可再生能源发电量、管理电网、检测泄漏、气候建模 | 更小的模型、高效的代码、更清洁的电力、更长的硬件寿命 |
| 风险 | 声称的效益从未被测量 | 节省下来的资源被更多的使用抵消(反弹效应) |
国际能源署(IEA)2025 年的《Energy and AI》报告涵盖了这两方面:报告发现,更广泛地应用现有 AI 应用可以减少能源和工业领域的排放,同时警告 AI 自身的电力需求正在快速增长,净效果取决于 AI 如何部署。
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)也以同样的两面视角来界定绿色 AI,并认为数学可以在两方面都作出贡献:为环境问题提供更好的方法,为 AI 提供更精简的方法。
什么是效率和充足?
效率是用更少的资源完成每项任务;充足是只做值得做的任务。
- 效率追问的是:这个模型、提示词或数据中心怎样才能用更少的能源得到同样的结果?例子包括对模型进行剪枝和量化、使用更好的芯片和更高效的冷却。
- 充足追问的是:这项任务到底需不需要 AI,或者需不需要这么大的模型?计算器、数据库查询或经典的数值方法,往往比大语言模型更便宜、更可靠。
单靠效率可能适得其反,因为 AI 越便宜,往往用得越多。这就是反弹效应,详见效率不等于充足。
AI 的环境足迹包括什么?
四个方面:能源、碳、水和材料。大多数公共讨论只涉及前两个。
能源
AI 靠电力运行,主要在数据中心里。国际能源署估计,2024 年数据中心用电约 415 TWh(太瓦时),约占全球用电量的 1.5%,并预计到 2030 年将增加一倍以上,达到约 945 TWh,而 AI 是最重要的推动因素。请参阅为什么绿色 AI 现在很重要。
能源消耗分两个阶段:
- 训练:构建模型时一次性的巨大成本。
- 推理:每次使用模型时的成本。对于被广泛使用的模型,这些成本会不断累积:谷歌在 2022 年报告称,推理约占其机器学习能耗的五分之三,训练约占五分之二。
碳
碳足迹既取决于用了多少能源,也取决于电力有多清洁。同一项工作,在以煤电为主的电网上排放的碳,可能是在以风电、水电或核电为主的电网上的许多倍。碳足迹还包括隐含碳:制造芯片、服务器和建筑物所产生的排放。Meta 的 Wu 等人在 2022 年报告称,隐含碳约占 Meta 大规模机器学习足迹的 30%,并认为随着运行用电越来越清洁,隐含碳正在成为主要来源。
水
数据中心用水来冷却,发电厂用水来发电。Li、Yang、Islam 和 Ren 在 2023 年指出,AI 的这种“隐秘水足迹”相当可观,并且随地点和一天中的时段而有很大差异。谷歌 2025 年对其 Gemini 助手的测量显示,文本提示词的中位数耗水约 0.26 毫升,耗能 0.24 瓦时。
材料
AI 硬件需要金属和矿物,而且更新换代很快。Wang 等人在 2024 年估计,视使用增长的速度而定,2020 年至 2030 年间大语言模型总共可能产生 120 万至 500 万吨电子废弃物,而再利用和回收可以大幅减少这一数量。让硬件服役更长时间,并开发在旧设备上也能良好运行的软件,可以减少电子废弃物。
为什么要说清楚指的是哪种“AI”?
因为“AI”涵盖的各种系统,其足迹相差许多个数量级。给电子邮件分类的小模型、天气预报系统和前沿聊天机器人,都叫“AI”。
在日常用语中,“AI”现在主要指生成式 AI:聊天机器人以及图像和视频生成工具。人们对 AI 能耗的担忧,很多都是针对这些大模型的。但工业和科学领域的大多数机器学习规模更小、更专门化。一个好的绿色 AI 说法会说明它针对的是哪一类 AI,以及其成本是在什么边界内计算的。请参阅测量是绿色 AI 的瓶颈。
绿色 AI 就是“不用 AI”吗?
不是。不用 AI 有时是最绿色的选择,绿色 AI 也包括这个选项。但绿色 AI 主要关乎负责任地使用 AI:测量其成本,为任务选择合适的模型,并让它更高效。
有些人更喜欢别的说法。“可持续 AI”常常除了环境可持续性之外,还包括社会和经济方面的可持续性。另一些人主张把目标描述为避免浪费性计算,这样的说法更难被视为空泛的口号而被轻易忽略。本网站用“绿色 AI”指环境方面,并会具体说明一项说法涉及的是哪种资源(能源、碳、水或材料)。
下一步怎么做
- 阅读为什么绿色 AI 现在很重要,了解 AI 能源需求的规模。
- 在术语表中了解关键术语。
- 找到适合您的指南:企业、研究人员、慈善机构或公众。
- 从高效使用 AI 这份实用指南开始。
- 您是教师?请参阅面向学校栏目。
常见问题
简单来说,什么是绿色 AI?
绿色 AI 是指在设计、构建和使用人工智能时,使其在能源、碳、水和材料方面的环境成本,相对于它带来的价值而言,尽可能合理地降到最低。
“绿色 AI”这个说法是谁提出的?
这一说法由 Schwartz、Dodge、Smith 和 Etzioni 在 2020 年发表于《Communications of the ACM》的论文中推广开来。论文把“红色 AI”(用越来越多的计算换取准确率的研究)与“绿色 AI”(把效率与准确率一起作为评价标准)作了对比。
绿色 AI 和可持续 AI 是一回事吗?
两个说法有重叠,常常互换使用。“可持续 AI”有时含义更广,除环境影响外,还包括社会和经济方面的可持续性。
绿色 AI 是否意味着少用 AI?
有时是。只在 AI 能增加价值的地方使用它,是绿色 AI 的一部分;但让所用的 AI 更高效,以及用 AI 在其他领域减排,同样是绿色 AI 的一部分。
来源
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- Making AI less thirsty: uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2023)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Good news about the carbon footprint of machine learning training, Google Research (Patterson) (2022)