简而言之
大多数 AI 能耗数据要么由企业自己发布,所用方法并未完整公开;要么是根据假设估算出来的,而不是在真实硬件上测得的。不同研究对“系统”边界的划定也各不相同。在测量方法统一之前,绿色 AI 的说法难以核实,对不同模型或服务商的比较也可能产生误导。
要点
- 最广为人知的单次提示词能耗数据来自服务商自己,且方法各不相同,因此无法直接比较。
- 改变测量边界可使结果相差一倍以上:谷歌自己给出的 Gemini 单次提示词能耗为 0.24 Wh,若只计算 AI 芯片,则降至 0.10 Wh。
- 许多工具是根据硬件规格和电网平均值来估算能耗,而不是实际计量。
- 据 2025 年的一项分析,有关 AI 环境成本的透明度不升反降。
- 一个好的数据应说明测量了什么、怎么测、边界在哪里、用的什么硬件、针对什么任务。
无法测量的东西就无法管理,而 AI 的能耗至今仍测量得很差。这不是细枝末节:它决定了绿色 AI 的说法能否被核实、买家能否比较产品、政策能否瞄准正确的目标。没有可信的数据,每一条“绿色”声明都只是一份新闻稿。
为什么 AI 能耗数据难以信任?
因为大多数数据来自销售 AI 的企业本身,所用方法没有完全公开,也无法独立核实。这并不意味着数据有误,但会让它们难以比较。
被引用最多的两个文本提示词能耗数据都是自报的:
| 数据 | 来源 | 我们对方法的了解 |
|---|---|---|
| Gemini Apps 文本提示词中位数为 0.24 Wh | 谷歌,2025 年 | 一篇已发表的论文描述了方法,包括数据中心额外开销和闲置容量。数据来自 2025 年 5 月,未经独立核实。 |
| ChatGPT 平均每次查询约 0.34 Wh | OpenAI 首席执行官,2025 年 | 一篇博客文章;未公布方法。 |
| GPT-4o 典型查询约 0.3 Wh | Epoch AI,2025 年 | 根据硬件和模型规模的公开信息做出的独立估算。 |
这些数字看起来相近,但并不是同类比较:中位数不等于平均数,边界也不同。而且它们只涵盖简短的文本提示词,不包括图像或视频生成、长时间推理或智能体(agent)。
边界有多重要?
非常重要。谷歌的论文自己就说明了这一点。只计算正在工作的 AI 加速器(TPU 和 GPU),每个中位数提示词为 0.10 Wh。再加上主机服务器、为应对需求而随时待命的闲置容量,以及冷却等数据中心额外开销,则为 0.24 Wh,是前者的两倍多。
界线画在哪里,决定了答案是多少。一项 AI 服务的完整边界可能包括:
- 执行工作的 AI 芯片。
- 服务器的其余部分:处理器、内存、存储。
- 为高峰预留的闲置和备用容量。
- 数据中心的冷却和电力转换。
- 传输请求和回答的网络。
- 用户的设备。
- 模型训练,分摊到每次使用中。
- 硬件制造(隐含碳排放)。
那些大胆的比较也是同样道理。说 AI 完成同一任务比人多用或少用许多倍能源,取决于双方各计入了什么:人的电脑和时间、模型的训练、核查和纠正 AI 输出所需的工作。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)强调,必须先说明系统边界,任何此类比较才有意义。
估算与计量有什么区别?
计量是在工作运行时从硬件读取实际功率;估算则是根据假设计算出来的。两者各有用处,但常常被混为一谈。
- 计量使用硬件计数器(例如现代处理器和 GPU 内置的计数器)、服务器上的功率计或数据中心的电表。对它所覆盖的范围而言是准确的,但需要能接触到硬件。
- 估算用假定的额定功率乘以运行时间和利用率,再乘以电网平均碳强度。CodeCarbon 等工具会估算处理器、GPU 和内存的功率,并套用所在地区的电网碳强度。这些工具简单易用,但它们是估算器,不是电表。
估算可能偏差很大,尤其是在共享云硬件上,您看不到上面还在运行什么。简单的经验法则也有风险:Mytton、Lundén 和 Malmodin 在 2024 年指出,网络能耗主要是固定的基础负荷,因此“每千兆字节多少千瓦时”这类系数会错误反映多传或少传数据的影响。
国际电信联盟 2025 年关于测量 AI 环境影响的报告指出,过度依赖间接估算、缺乏实证测量是一个紧迫的问题。
透明度在改善吗?
从大多数指标看,没有。Luccioni、Gamazaychikov、Alves da Costa 和 Strubell 在 2025 年分析了 AI 模型的环境信息披露,结论是:尽管这些模型的使用在增长,有关其成本和影响的透明度却在下降。
监管开始朝另一个方向推动。根据欧盟《人工智能法案》(AI Act),通用 AI 模型的提供者必须记录其模型已知或估算的能耗(附件 XI)。这些文件提交给监管机构和下游提供者,而不是向公众公开;在无法测量时,也允许使用估算值。
好的测量应当是什么样子?
一个可以复现的数据:测量了什么、怎么测、边界在哪里、用的什么硬件、针对什么任务。一些有用的基础工具已经存在:
- 开放基准测试,例如 ML.ENERGY Leaderboard,它在已知硬件上测量开放模型的推理能耗;还有正在出现的能效标签和基准测试。
- 标准,例如 ISO/IEC 21031:2024《软件碳强度(SCI)规范》,它根据能耗、电网碳强度和隐含排放,定义每个功能单位的碳排放率。
- 能耗与准确性一并报告。便宜但错误的答案并不高效。能耗数据应与结果质量一起报告,并说明需要多少返工。
测量还需要深入到比“数据中心”更细的层级:一次请求、一个模型,或一行代码。正是这种归因,让工程师能找到并修正成本高昂的部分。
下一步怎么做
- 看到 AI 能耗数据时,问一问:谁测的、边界在哪里、是计量还是估算?
- 在您使用的硬件上测量自己的工作负载;请参阅测量 AI 能耗。
- 发布任何数据时都说明边界和方法;请参阅做出诚实的绿色声明。
- 要求供应商提供每项任务的实测能耗,而不是营销比率;请参阅可持续的 AI 采购。
- 在产品目录中寻找有用的工具,在顾问目录中寻找专家帮助。
常见问题
为什么我无法比较 ChatGPT 和 Gemini 的能耗?
因为已公布的数据是自报的,涵盖的范围不同,所用方法也未完全公开。其中一个可能计入了数据中心的额外开销和闲置容量,另一个可能没有。在两者以相同方式测量之前,直接比较并不可靠。
估算 AI 能耗与测量 AI 能耗有什么区别?
测量是在工作运行时从硬件传感器或电表读取功率。估算则根据芯片额定功率、利用率和运行时间等假设来计算能耗。在无法测量时,估算很有用,但可能偏差很大。
什么是系统边界?
决定哪些部分被计入的那条界线。窄边界只计算 AI 芯片;宽边界还会加上服务器、冷却、闲置容量、网络、用户的设备以及硬件的制造。
来源
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Misinformation by omission: the need for more environmental transparency in AI, Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- Measuring what matters: how to assess AI's environmental impact, International Telecommunication Union (2025)
- CodeCarbon, CodeCarbon project (2020)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
- Network energy use not directly proportional to data volume, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
相关内容
如何测量 AI 的能耗和碳排放
实用指南:如何计量或估算 AI 工作的能耗和碳排放,涵盖工具、系统边界、按任务计算的指标以及如实说明不确定性。
AI 的能效标识与基准测试
2026 年 AI 能效评级的现状:AI Energy Score、MLPerf Power、欧盟《人工智能法》的文档要求和数据中心评级,以及标识能说明什么。
关于 AI 的诚实环保声明
如何避免在 AI 上“洗绿”:哪些可以声明、哪些不能,反弹效应,诚实报告,以及英国、欧盟和美国的环保声明规则。
为什么绿色 AI 现在很重要
AI 正推动数据中心用电快速增长,给电网带来压力、推高成本。本文汇总 2026 年关于规模、能源、成本和政策的证据。