简而言之
本术语表用通俗易懂的语言,解释人们开始了解 AI 环境成本时会遇到的各种术语。条目按英文名称的字母顺序排列。每个术语都有自己的链接,方便网站其他页面直接指向它。
要点
- 训练只需一次,用来构建模型;推理是此后每一次使用模型。
- 效率是用更少的资源做同样的事;充分性是先问这项任务究竟是否需要用 AI 来做。
- PUE 比较数据中心的总能耗与其计算机设备的能耗;1.0 为理想值。
- 反弹效应是指效率提高使某样东西更便宜,从而导致总使用量上升。
绿色 AI 横跨计算机科学、数学、工程、能源和政策等领域,每个领域都有自己的术语。“模型”、“效率”甚至“AI”这样的词,对不同的人意味着不同的东西。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)发现,人们最希望厘清的恰恰是最基本的术语,因此本术语表从零讲起。条目按英文名称的字母顺序排列(与各条目链接保持一致)。如果缺少您需要的术语,请告诉我们。
智能体 AI(Agentic AI)
能够自行分多个步骤完成任务的 AI,例如搜索、编写代码、运行代码并修复错误,而不是只给出一个回答。由于每一步都要再次调用模型,智能体 AI 消耗的 token(词元)可能比聊天多得多,而陷入循环的智能体会造成大量浪费。参见智能体 AI 与 token 浪费。
AI
人工智能(artificial intelligence)的缩写:能够完成我们通常与人类智能联系在一起的任务的计算机系统,例如识别图像、理解语言或做出预测。在 2026 年的日常用语中,“AI”通常指聊天机器人等大型生成式模型,但这个词也涵盖小得多的系统,比如垃圾邮件过滤器和天气模型,所以最好说明您指的是哪一种。
AI 素养(AI literacy)
明智地理解、使用和评判 AI 所需的知识与技能:了解它能做什么、不能做什么,如何核查它的输出,以及它的成本,包括环境成本。
自动微分(Automatic differentiation)
一种让计算机精确算出计算结果如何随每个输入变化的技术。神经网络正是靠它来学习的(这时称为反向传播),它也用于优化科学模拟。
基准测试(Benchmark)
用于公平比较不同系统的标准测试,例如比较各模型在同一组问题上的准确度,或在同一任务上的能耗。基准测试的价值取决于其中包含的任务和测量方法。
碳感知计算(Carbon-aware computing)
在电力更清洁的时间或地点运行计算任务,例如把一次大型训练推迟到风力充足的时候。它适合不需要即时结果的工作。
碳强度(Carbon intensity)
每单位电力所排放的二氧化碳(或等效温室气体)的量,通常以每千瓦时多少克 CO₂e(二氧化碳当量)表示。它因国家和时段而异,取决于电力有多少来自化石燃料、有多少来自可再生能源。
数据中心(Data centre)
一座装满计算机、存储和网络设备的建筑,配有维持其运行的供电和冷却设施。大多数 AI 聊天机器人都在数据中心运行,而不是在用户的设备上。
扩散模型(Diffusion model)
一种生成式 AI,广泛用于生成图像和视频,它学习如何把随机噪声一步一步变成一幅图像。步骤众多,这也是生成图像比生成短文本耗能多得多的原因之一。
蒸馏(Distillation)
训练一个小型“学生”模型去模仿一个大型“教师”模型,使小模型能以一小部分计算成本,把任务完成得几乎一样好。
边缘 AI(Edge AI)
在数据所在的设备上或其附近运行的 AI,例如手机、摄像头或工厂传感器,而不是在遥远的数据中心运行。它可以节省网络能耗并保护隐私,但小设备乘以数百万台,加起来也很可观。参见边缘还是云端。
效率(Efficiency)
以更少的投入获得同样有用的结果:每项任务消耗更少的能源、时间、水或硬件。效率是绿色 AI 的关键,但由于存在反弹效应,仅靠效率还不够。
隐含碳(Embodied carbon)
制造、运输以及最终处置设备所产生的排放,区别于运行设备产生的排放。对 AI 而言,这包括制造芯片、服务器和数据中心建筑的排放。
能效标签(Energy label)
显示产品耗电多少的简单评级,就像欧洲冰箱上从 A 到 G 的标签。多个团体正在为 AI 模型开发类似的标签,例如 Hugging Face 的 AI Energy Score;欧盟《人工智能法》(EU AI Act)要求通用 AI 模型的提供者记录其已知或估算的能耗。参见AI 能效标签。
微调(Fine-tuning)
在已经训练好的模型基础上,用专业数据再做少量训练,使它在特定任务上表现更好。其成本远低于从零开始训练。
FLOPs
浮点运算(floating-point operations):计算机执行的基本算术步骤(小数的加法和乘法)。统计浮点运算次数是估算模型所需计算量的常用方法。S 大写的 FLOPS 通常指每秒运算次数。
FPGA
现场可编程门阵列(field-programmable gate array):一种出厂后仍可重新配置电路的芯片。FPGA 在特定任务上可以非常高效,并可随模型变化重新编程,但比 GPU 更难编程。
生成式 AI(Generative AI)
根据请求创造新内容的 AI,例如文本、图像、音频、视频或代码。聊天机器人和图像生成器都属于生成式 AI。
GPU
图形处理器(graphics processing unit):一种最初为计算机图形设计、能同时进行大量计算的芯片。GPU 是训练和运行现代 AI 的主要硬件。
绿色 AI(Green AI)
以尽可能低的能源、碳、水和材料足迹来开发和使用的 AI,并且只在能带来真正价值的地方使用。它既包括让 AI 更高效,也包括只在 AI 是合适工具的场合才使用它。参见什么是绿色 AI?。
漂绿(Greenwashing)
做出误导性声明,宣称某产品或机构比实际情况更环保。在欧盟,第 (EU) 2024/825 号指令禁止向消费者做出无法证实的笼统环保声明。参见诚实的环保声明。
推理(Inference)
使用训练好的模型产生输出,例如回答问题或生成图像。每一个 prompt(提示词)都是一次推理,因此对于热门工具来说,只要模型还在使用,推理能耗就会不断累积。
杰文斯悖论(Jevons paradox)
经济学家威廉·斯坦利·杰文斯(William Stanley Jevons)在 1865 年的著作《煤炭问题》(The Coal Question)中指出,更高效的蒸汽机反而使英国烧掉了更多而不是更少的煤。这是反弹效应的极端情形,即效率提高导致总使用量增加。
KV 缓存(KV cache)
键值缓存(key–value cache)的简称。语言模型逐个 token 生成回答时,会保存中间结果(其注意力计算中的“键”和“值”),这样就不必在每一步重新计算。它能节省大量计算,但会占用内存。
大语言模型(Large language model)
在海量文本上训练、用于预测和生成语言的生成式 AI 模型,常简称为 LLM。大多数聊天机器人都建立在大语言模型之上。
延迟(Latency)
从发出请求到得到答复之间的时间。一些绿色 AI 技术会用略高的延迟换取更低的能耗,例如批量处理请求,或等待更清洁的电力。
麦克纳马拉谬误(McNamara fallacy)
把容易测量的东西当成唯一重要的东西,而忽视无法测量之物的错误。在绿色 AI 中,它提醒人们不要只凭方便获得的数字来评判系统,而忽略用水或社会影响等较难计算的危害。
混合精度(Mixed precision)
在不影响结果的前提下,让部分计算使用比其他计算更少的精度位数。较低的精度占用更少的内存和能源。
混合专家(Mixture of experts)
一种由许多专门子网络(“专家”)组成的模型设计,由路由器把每个输入只发送给其中少数几个专家。每次回答只用到模型的一部分,因此能节省计算,不过整个模型都需要载入内存,训练时也要用到全部。
模型(Model)
在 AI 中,模型是把输入转化为输出的已训练系统:即学到的一组数字(参数)以及使用这些数字的结构。在科学和工程中,“模型”也可以指对某个系统的数学描述,例如气候模型,所以最好说明您指的是哪一种。
模型合并(模型“汤”)(Model merging (souping))
把两个或多个模型组合起来,通常是对它们的参数取平均,从而得到一个兼具各自优点的模型,而无需从零训练新模型。“模型汤”(model soups)是 Wortsman 及其同事在 2022 年使用的名称。
多智能体系统(Multi-agent system)
一组相互协作或彼此传递任务的 AI 智能体。它们可以很强大,但如果陷入彼此对话的循环,就可能消耗大量 token 却毫无有用结果。
开放权重模型(Open-weight model)
公开发布其训练参数(权重)、任何人都可以下载和运行的模型,即使其训练数据和代码并未公开。开放权重模型可以在本地运行和调整,其能耗也可以被独立测量。
编排(Orchestration)
协调多个模型、工具或预先构建的组件来完成任务,而不是让一个大模型生成所有内容。参见编排优于生成。
参数(Parameters)
模型内部在训练中不断调整的数字,它们共同储存了模型学到的东西。大语言模型拥有数十亿个参数;例如 Meta 的 Llama 3.1 系列有 80 亿、700 亿和 4050 亿参数三种规模。参数越多,通常每次回答所需的计算就越多。
物理信息神经网络(Physics-informed neural network)
一种在拟合数据的同时被训练为遵守已知物理定律(例如能量守恒)的神经网络。把这些知识内置进去,可以减少所需的数据、参数和训练。
提示词(Prompt)
人们给生成式 AI 模型的指令或问题。清晰、具体的 prompt 通常第一次就能得到好的回答,从而节省时间和能源。
剪枝(Pruning)
删除已训练模型中对输出贡献很小的部分,例如单个权重或整条连接。剪枝后的模型更小、运行成本更低,而准确度往往损失不大。
PUE
电能使用效率(power usage effectiveness):数据中心的总能耗除以其计算设备的能耗。PUE 为 1.0 意味着没有任何能源花在冷却或电力损耗上;数值越低越好。典型数值及其来源请参见托管与数据中心。
量化(Quantisation)
用更少的位数存储模型中的数字,例如用 8 位或 4 位数字代替 16 位或 32 位数字。这样可以缩小模型、降低运行能耗,而质量通常只有少许下降。
反弹效应(Rebound effect)
效率提升使某样东西更便宜或更方便,于是人们用得更多,部分或全部节省被抵消。如果使用量增长到总消耗反而上升,就是杰文斯悖论。参见效率不等于充分。
路由(Routing)
把每个请求发送给最合适的模型,例如简单问题交给小而便宜的模型,只有难题才交给大模型。阈值设得是否恰当很重要:模型太小可能失败,反而需要再用更大的模型尝试一次。
范围一、二、三排放(Scope 1, 2 and 3 emissions)
《温室气体核算体系》(Greenhouse Gas Protocol)的三个类别。范围一是机构拥有或控制的排放源产生的直接排放;范围二是其购买的电力、热力或冷却所产生的排放;范围三是其价值链中的所有其他间接排放,例如所购硬件的制造排放。
小语言模型(Small language model)
参数相对较少、运行成本低廉的语言模型,有时可以在笔记本电脑或手机上运行。对于范围较窄的任务,选得好的小模型可以与大得多的模型相媲美。参见选择合适的模型。
软件碳强度(Software carbon intensity)
绿色软件基金会(Green Software Foundation)提出的一种方法,也已作为 ISO 标准发布,用于计算一款软件每单位工作量(例如每位用户或每次请求)所排放的碳。
主权 AI(Sovereign AI)
由一个国家或地区自己掌控、而不依赖外国提供者的 AI 能力,例如模型、数据和计算基础设施。它也带来自身的可持续性问题;参见主权 AI 与可持续性。
稀疏性(Sparsity)
指模型中的许多数字,或模型对某一输入的许多激活值为零。计算时可以跳过这些零,因此只要硬件和软件支持,稀疏模型的运行成本可以低得多。
脉冲神经网络(Spiking neural network)
一种像大脑一样以短促脉冲(spike)传递信息、在脉冲之间大部分时间处于空闲状态的神经网络。在合适的硬件上,它有望实现极低的能耗,尤其是在边缘端。
充分性(Sufficiency)
只使用真正满足需求所需的资源,包括先问是否根本需要 AI。它与效率相辅相成:效率问的是“怎样用更少的资源做这件事?”,充分性问的是“我们需要做这件事吗?”。
代理模型(Surrogate model)
一种快速的近似模型,经过训练用来替代缓慢而昂贵的计算,例如气候或工程模拟中的某一部分。好的代理模型可以节省大量能源,前提是要核查其准确度。
可持续 AI(Sustainable AI)
一个宽泛的术语,指开发和使用时不会耗尽其所依赖资源的 AI,通常除了环境影响之外,还包括社会和经济影响。它与绿色 AI 有重叠,两个词常被互换使用。
token(词元)
语言模型读取和输出的文本片段,通常是一个词的一部分。OpenAI 给出的英文经验法则是:一个 token 大约相当于四个字符,或约四分之三个单词;其他语言表达同样的意思往往需要更多 token。token 越多,计算就越多。
TPU
张量处理器(tensor processing unit):谷歌专门为机器学习中的计算而设计的芯片。
训练(Training)
通过向模型展示大量数据并反复调整其参数以减少误差,从而构建模型的过程。训练一个大模型可能需要在数千块芯片上运行数月;Meta 报告称,训练其 Llama 3.1 系列共用了 3930 万 GPU 小时。
不确定性量化(Uncertainty quantification)
弄清我们对模型输出能有多大把握,例如给出一个范围而不是单一数字。它有助于判断何时用更便宜的模型就足够、何时需要核查结果。
WUE
水资源使用效率(water usage effectiveness):数据中心现场用水量(以升计)除以其计算设备的能耗(以千瓦时计)。数值越低越好,不过节水的冷却设计可能耗电更多,反之亦然。
常见问题
绿色 AI 和可持续 AI 有什么区别?
这两个词的用法常有重叠。绿色 AI 通常侧重于减少 AI 消耗的能源、碳排放、水和材料;可持续 AI 的范围往往更广,还涵盖社会和经济影响,以及资源能否以被消耗的速度得到再生。
AI 中的 token 是什么?
token(词元)是语言模型读取或输出的文本片段,通常是一个词的一部分。OpenAI 给出的英文经验法则是:每个 token 大约相当于四个字符,或四分之三个单词。
训练和推理有什么区别?
训练是让模型从数据中学习、从而构建模型的过程,通常只做一次,但成本很高。推理是使用训练好的模型来回答问题或生成图像,每当有人使用它时都会发生。
来源
- What are tokens and how to count them?, OpenAI Help Center (2025)
- Uptime Institute global data center survey 2025, Uptime Institute (2025)
- Data center metering and resource guide, Lawrence Berkeley National Laboratory (2017)
- GHG Protocol corporate standard, Greenhouse Gas Protocol (2004)
- W. Stanley Jevons, The Coal Question, 1865, Yale University, Energy History (1865)
- Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al. (arXiv:2203.05482) (2022)
- Annex XI: technical documentation for providers of general-purpose AI models, European Commission, AI Act Service Desk (2024)
- Directive (EU) 2024/825 on empowering consumers for the green transition, European Union (2024)
- Software Carbon Intensity specification, Green Software Foundation (2024)
- ISO/IEC 21031:2024 Software carbon intensity (SCI) specification, International Organization for Standardization (2024)
- Llama 3.1 8B model card, Meta (Hugging Face) (2024)