简而言之
AI 的碳足迹是指制造 AI 运行所需的硬件和建筑时排放的温室气体(隐含碳),以及为训练和运行模型发电时排放的温室气体(运营碳)。按每条文本提示词计算,它很小:谷歌报告称,Gemini 中位提示词的排放为 0.03 克二氧化碳当量。但 AI 排放会不断累积:训练 GPT-3 的排放估计为 552 吨;随着微软扩建 AI 设施,其总排放量在 2020 至 2025 年间从约 1290 万吨增至 2030 万吨。电力从哪里来,与用了多少电同样重要。
要点
- 谷歌报告称,2025 年 5 月 Gemini 中位文本提示词的排放为 0.03 g CO₂e(基于市场法),一年内降至原来的 1/44;其中约三分之一来自硬件和其他非电力排放。
- Mistral AI 的生命周期评估得出,Le Chat 一条 400 个 token 的回答排放 1.14 g CO₂e;Mistral Large 2 的训练加上 18 个月的使用共排放 20,400 吨。
- 训练 GPT-3 的排放估计为 552 吨 CO₂e;Meta 报告 Llama 3.1 系列按基于位置法计算为 11,390 吨,按基于市场法计算为零。
- 微软的排放量从 2020 财年的约 1290 万吨增至 2025 财年的约 2030 万吨。
- Patterson 及其同事指出,选择不同的模型、数据中心和处理器,可使训练的碳排放降低约 100 至 1,000 倍。
- 劳伦斯伯克利国家实验室指出,美国数据中心 2023 年的用电对应约 7400 万吨 CO₂e,平均每千瓦时 0.34 千克。
AI 的碳足迹是多少?它是指为建造 AI 运行所需的硬件和建筑、为训练和运行模型发电而释放的温室气体。按每条提示词计算,AI 的碳足迹很小;从总量看,AI 排放增长很快,因为数据中心的用电和建设都在快速增长。本文列出已公布的数据,说明它们为何不同,并介绍如何估算您自己的碳足迹。
AI 每条提示词的碳足迹有多大?
按服务提供商自己的核算,一条简短的文本提示词的排放不到 1 克二氧化碳当量;如果计算整个生命周期,则会更多。二氧化碳当量(CO₂e)是把其他温室气体按其增温效应折算后加到二氧化碳上。
| 数据 | 涵盖范围 | 来源 |
|---|---|---|
| Gemini 中位文本提示词 0.03 g CO₂e | 电力(基于市场法),加上硬件和其他排放;2025 年 5 月 | 谷歌,2025 年 |
| Le Chat 一条 400 个 token 的回答 1.14 g CO₂e | 推理的生命周期评估,不含用户设备 | Mistral AI,2025 年 |
| ChatGPT 平均每次查询约 0.34 Wh | 仅能耗;未公布碳排放数据 | OpenAI 首席执行官,2025 年 |
ChatGPT 每次查询没有官方的碳足迹数据:OpenAI 给出了能耗数据,但没有给出碳排放数据,而碳排放取决于其数据中心所用的电网。
谷歌的数据可分解为来自电力的 0.023 g,以及来自其范围一和范围三排放(包括硬件制造)的 0.010 g。它还报告称,一年内中位提示词的碳排放降至原来的 1/44。Mistral 的数据更大,部分原因是它计算了更多的生命周期环节,并采用了不同的方法;两者不能直接比较。
重度使用会改变情况。Zeke Hausfather 估算,他本人高强度使用 AI 编程智能体,每年耗电约 1.1 MWh,每年将排放约 370 kg CO₂e。参见AI 耗电量有多大?
运营碳和隐含碳有什么区别?
运营碳来自运行 AI 所用的电力;隐含碳来自硬件和建筑的制造、运输和处置。诚实的足迹核算应同时包括两者。
- 运营碳取决于工作耗能多少以及电力有多清洁。
- 隐含碳来自芯片制造、服务器生产、数据中心建设和报废处置。它由硬件在整个寿命期内完成的每项任务分摊。
隐含碳占比很大。Meta 的 Wu 及其同事在 2022 年报告称,它约占 Meta 大规模机器学习足迹的 30%。Luccioni、Viguier 和 Ligozat 估算,只计算训练期间使用的动态功率,BLOOM 的训练排放约为 24.7 吨 CO₂e;把从设备制造到运营能耗的一切都计算在内后,约为 50.5 吨。随着电力越来越清洁,隐含碳的占比会上升,这使得延长硬件的使用寿命、并让它保持忙碌变得更加重要。参见核算 AI 硬件的隐含碳。
训练一个 AI 模型会排放多少碳?
迄今已公布的大模型训练排放,从几十吨到几万吨 CO₂e 不等。模型卡(随模型发布的说明文档)是查找这些数据的主要地方,但许多前沿模型什么都没有公布。
| 模型 | 训练排放 | 依据 | 来源 |
|---|---|---|---|
| BLOOM(1760 亿参数,2022 年) | 约 24.7 t CO₂e;包括制造和全部运营能耗为 50.5 t | 独立的生命周期估算 | Luccioni、Viguier 和 Ligozat,2022 年 |
| GPT-3(1750 亿参数,2020 年) | 552 t CO₂e;1,287 MWh | 谷歌研究人员的估算 | Patterson 等,2021 年 |
| Llama 3.1 系列(8B、70B、405B,2024 年) | 基于位置法 11,390 t CO₂e;基于市场法 0 t | 模型卡,3930 万 GPU 小时 | Meta,2024 年 |
| 仅 Llama 3.1 405B | 基于位置法 8,930 t CO₂e | 模型卡 | Meta,2024 年 |
| Mistral Large 2(训练加 18 个月的使用) | 20,400 t CO₂e;281,000 m³ 水 | 生命周期评估 | Mistral AI,2025 年 |
这些是一次性成本,但并不是全部。Patterson 及其同事引用的行业估算认为,机器学习工作负载的 80–90% 是推理,因此对于热门模型来说,在其整个寿命期内运行它的排放可能超过训练它的排放。欧盟《人工智能法》现在要求通用 AI 模型的提供者向监管机构记录已知或估算的能耗。参见测量训练一个模型的碳足迹。
电网如何改变 AI 的排放?
同样的一千瓦时电,因使用地点和时间不同,所带的碳可能相差很大。碳强度是每发一千瓦时电所排放的 CO₂e。主要依靠水电、核电、风电或太阳能的电网碳强度低;依靠煤电或燃气发电的电网碳强度高。
- 劳伦斯伯克利国家实验室估算,考虑到美国数据中心所在地的电网,其 2023 年的用电对应约 7400 万吨 CO₂e,平均每千瓦时 0.34 kg CO₂e。
- Patterson 及其同事发现,选择不同的模型、数据中心和处理器,可使训练的碳足迹降低约 100 至 1,000 倍。地点是其中最大的杠杆之一。
这就是为什么在哪里、在什么时候运行 AI 很重要。可以等待的训练任务,可以安排在电网更清洁的时段运行。参见选择低碳云区域、在电网更绿色时安排训练和查找电网碳强度数据。
基于位置法还是基于市场法:哪个数字是对的?
两者都是正当的,但它们回答的是不同的问题,而且差距可能非常大。根据《温室气体核算体系》(Greenhouse Gas Protocol),公司用两种方式报告来自电力的范围二排放:
- 基于位置法使用公司实际取电的电网的平均碳强度。
- 基于市场法反映公司购买的清洁能源合同和证书。
Meta 报告 Llama 3.1 的训练排放按基于位置法计算为 11,390 吨,按基于市场法计算为零。微软 2025 财年的范围二排放按基于位置法计算约为 1200 万吨,按基于市场法计算为 270 万吨。Alphabet 报告其 2025 年按基于位置法计算为 1510 万吨,按基于市场法计算为 280 万吨。当一家公司称其 AI “碳中和”或“100% 可再生”时,请核实它采用的是哪种方法。参见核实我的 AI 是否使用可再生能源运行和诚实的环保声明。
科技公司的排放是否因 AI 而上升?
是的:最大的 AI 服务提供商报告其总排放在上升,主要来自建设数据中心并为其供电。它们的年度可持续发展报告显示了这一趋势。
- 微软报告其 2020 财年的总排放约为 1290 万吨 CO₂e(这是其 2030 年实现碳负排放目标的基准),2025 财年约为 2030 万吨(按其管理口径计算)。同期其用电量增加了两倍多,从约 10.8 TWh 增至 37.0 TWh。
- 谷歌报告称,2025 年其运营排放(范围一和基于市场法的范围二)下降了 2%,而电力需求上升了 37%,供应链排放上升了 25%。Alphabet 经鉴证的 2025 年数据显示,其范围三(供应链)排放约为 1590 万吨,是其 290 万吨运营排放的五倍多。
两家公司的模式相同:购买清洁电力压住了运营排放,但新增 AI 算力背后的制造和建设正在推高供应链排放。
在国家层面,英国《算力路线图》(UK Compute Roadmap)的证据附件估算,2025 至 2035 年间 AI 算力的排放可能为 3400 万至 1.23 亿吨 CO₂,约占这一时期英国预计排放量的 0.9–3.4%。范围之所以这么宽,是因为将建设多少算力、电网会有多清洁都存在不确定性。
为什么 AI 碳排放估算会有分歧?
因为它们统计的内容不同,所用的电网数据不同,而且过时很快。差异的主要来源:
- 边界。只算芯片,还是包括整台服务器、冷却和闲置算力?是否包括硬件制造?训练成本是否在各次使用之间分摊?
- 核算方法。如上所述,电力排放是基于位置法还是基于市场法。
- 电网和时间。同一个模型在不同地区运行,或一年后再运行,足迹可能大不相同。
- 工作负载。一条简短提示词、一个长篇推理回答和一次智能体会话,能耗相差一千倍。
一个数据只有在说明其边界、方法、地点和日期时才有意义。参见测量是绿色 AI 的瓶颈。
如何估算我自己使用 AI 的碳足迹?
用能耗乘以电网碳强度,再加上分摊的隐含排放。这正是软件碳强度(SCI)标准 ISO/IEC 21031:2024 的结构,该标准按每单位有用工作(例如每次请求或每位用户)表示结果。
- 估算 AI 工作的能耗(千瓦时):如果您自己运行,可以用电表或工具测量;如果使用托管服务,可以用每项任务的数据估算。
- 查找工作运行地电网的碳强度(每千瓦时千克 CO₂e),最好是运行时那个小时的数据。
- 将两者相乘,得出运营排放。
- 加上隐含排放:硬件的制造足迹按其工作寿命分摊。
- 说明边界、方法(基于位置法还是基于市场法),并给出一个范围而不是单一数字。
工具可以帮忙。CodeCarbon 和 Green Algorithms 可以估算您运行的代码的排放;EcoLogits 可以估算调用托管 AI 模型的影响。它们是估算工具,不是计量仪表。分步指南:算出我个人的 AI 碳足迹、为 AI 功能计算 SCI 分数和查找我的云服务提供商的碳数据。
下一步
- 先减少能耗:参见高效使用 AI和选择合适的模型。
- 在电网清洁的地方运行 AI:参见托管与数据中心。
- 向供应商索取每项任务的能耗和碳排放数据,并要求说明方法:参见可持续的 AI 采购。
- 诚实报告,说明边界和方法:参见诚实的环保声明。
- 抵消之前先想一想:参见抵消我使用 AI 的碳排放。
- 阅读AI 用多少水?,了解足迹的另一半。
常见问题
ChatGPT 的碳足迹是多少?
OpenAI 没有公布每次查询的碳排放数据。其首席执行官给出的平均每次查询能耗约为 0.34 Wh;碳排放取决于为数据中心供电的电网。按谷歌自己基于市场法的核算,Gemini 中位文本提示词的排放为 0.03 g CO₂e。
训练一个 AI 模型会产生多少二氧化碳?
从几十吨到几千吨不等。训练 BLOOM 的排放估计约为 24.7 吨 CO₂e(包括制造和全部运营能耗为 50.5 吨),GPT-3 为 552 吨;Meta 报告三个 Llama 3.1 模型按基于位置法计算为 11,390 吨。
AI 排放在上升吗?
对最大的服务提供商来说,是的。微软的总排放量从 2020 财年的约 1290 万吨增至 2025 财年的 2030 万吨。谷歌报告称,其 2025 年运营排放下降了 2%,但由于建设数据中心,其供应链排放上升了 25%。
AI 的隐含碳是什么?
指制造、运输和处置芯片、服务器和数据中心建筑所产生的排放。Meta 的 Wu 及其同事估计,隐含碳约占 Meta 大规模机器学习足迹的 30%;当电力变得清洁时,它所占的比例会上升。
用可再生能源运行的 AI 是零排放吗?
实际上不是。基于市场法的核算允许公司在购买可再生能源证书后报告很低甚至为零的电力排放,而它所用的电网可能仍在燃烧化石燃料。Meta 报告 Llama 3.1 的训练排放按基于位置法计算为 11,390 吨,按基于市场法计算则为零。
如何计算我使用 AI 的碳足迹?
用所耗电能(千瓦时)乘以供电电网的碳强度(每千瓦时千克 CO₂e),再加上硬件隐含排放中分摊的一部分。CodeCarbon、Green Algorithms 和 EcoLogits 等工具可以帮助估算每一部分。
AI 对气候有害吗?
它会增加排放,主要是因为数据中心的用电和建设迅速增长。影响有多大,取决于如何使用 AI、运行效率多高,以及电网有多清洁。AI 也能帮助其他领域减排,但这些好处不会自动实现,也更难测量。
来源
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- Our contribution to a global environmental standard for AI, Mistral AI (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- Carbon emissions and large neural network training, Patterson et al. (arXiv 2104.10350) (2021)
- Llama 3.1 8B model card, Meta (2024)
- Estimating the carbon footprint of BLOOM, a 176B parameter language model, Luccioni, Viguier and Ligozat (arXiv 2211.02001) (2022)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- 2026 environmental data fact sheet, Microsoft (2026)
- Read our 11th annual Environmental Report, Google (2026)
- Alphabet FY2025 environmental indicators assurance letter (Schedule of select environmental metrics), Alphabet (2026)
- 2024 United States Data Center Energy Usage Report, Lawrence Berkeley National Laboratory (2024)
- Scope 2 guidance, Greenhouse Gas Protocol (2015)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
- UK Compute Roadmap: evidence annex, Department for Science, Innovation and Technology (2025)
- The real energy use of agentic AI, Zeke Hausfather, The Climate Brink (2026)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
- CodeCarbon, CodeCarbon project (2020)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- EcoLogits, GenAI Impact (2025)