简而言之
估算 AI 自身的环境足迹(训练或微调,加上在预期使用期内的运行),并与同一时间段内衡量的收益相比较。要与最简单的非 AI 方案比较,而不是与什么都不做相比。如果项目旨在节约能源或减少排放,节省的量必须明显超过 AI 自身的成本,否则就是净损失。
步骤
- 写下您期望的收益,以及您将如何衡量它。
- 估算 AI 在预期使用期内的环境足迹,包括训练、推理和重试。
- 将其与能够完成这项工作的最简单的非 AI 方法进行比较。
- 事先决定出现什么结果时您会停止或缩减规模。
- 系统运行后,用实测数据重新核查。
计算 AI 自身的环境足迹,并在同一时间段内与收益相比较。 用 AI 优化某些事物的项目,包括“AI 助力绿色”项目,很少计算 AI 本身的能耗;没有这个数字,项目可能得不偿失。
如何估算 AI 这一侧?
- 训练或微调,如果您做了的话。
- 推理:每天的请求数 × 每次请求的能耗 × 服役天数。Epoch AI 估计一次典型 ChatGPT 查询约耗电 0.3 Wh,可以作为文本任务的起点,但较长的输入会使其大幅上升,因此请使用您自己的 token(词元)数量;请参阅估算 AI API 调用的能耗。
- 重试和失败的运行,这些很容易被遗忘。
应该与什么比较?
与最简单的非 AI 方案比较,而不是与什么都不做相比。即使 AI 节省了时间,它也不是没有代价的:2025 年一项研究在 12 个编程任务上比较了手工编程和 AI 辅助编程,发现 AI 辅助方式的碳足迹平均约为手工方式的 33 倍。这并不意味着永远不要使用 AI,而是要核查它能否回本。
GreenCode 是一个 ITEA 研究项目,它公布了一份气候论证,把自身 AI 的环境足迹与其力求实现的节能量放在一起比较,这是值得借鉴的范例。
什么最能产生影响
在开始之前就确定停止条件。写下会让您缩减规模的结果,这样决定就不会被惯性左右。
常见错误
- 按十年计算收益,却只按一个月计算 AI 成本。
- 忽视工具受欢迎后使用量的增长。
- 把不确定性当作零。请给出一个范围。
如需了解更全面的情况,请阅读效率不等于充足。
来源
- Green AI and energy-aware computing, GreenCode (2026)
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
相关内容
如何判断一项任务是否真的需要用 AI?
快速检验一项任务是否需要生成式 AI,还是用搜索、计算器、模板或简单规则就能更快、更省电地完成。
如何防止 AI 的效率提升被更多的使用抵消?
如何防止 AI 节省下来的能源被不断增长的使用量吞噬:跟踪总量,为使用设定上限或预算,撤掉腾出的算力,并问一问是否真的需要。
如何估算 AI API 调用的能耗?
托管的 AI API 无法直接计量,但您可以用 EcoLogits 根据 token(词元)数量和模型假设估算每次调用的能耗,并将其与成本一起记录。
效率不等于充足:AI 中的反弹效应
为什么提高 AI 效率并不能保证总能耗下降,什么是反弹效应或杰文斯效应,以及哪些做法有助于让节省真正落地。