# 如何判断一个 AI 项目是否值得它带来的环境足迹？

> 估算 AI 自身的环境足迹，在同一时间段内与其收益比较，并与最简单的非 AI 方案对照，判断项目是否净收益为正。

Source: https://greenai.guide/zh/如何/如何判断一个-ai-项目是否值得它带来的环境足迹/  
Updated: 2026-11-19

## 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。

## Steps

1. 写下您期望的收益，以及您将如何衡量它。
2. 估算 AI 在预期使用期内的环境足迹，包括训练、推理和重试。
3. 将其与能够完成这项工作的最简单的非 AI 方法进行比较。
4. 事先决定出现什么结果时您会停止或缩减规模。
5. 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？ {#how-do-i-estimate-the-ai-s-side}

- **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](/zh/如何/如何估算-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？ {#what-should-i-compare-it-with}

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 {#what-makes-the-biggest-difference}

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 {#common-mistakes}

- 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](/zh/文章/效率不等于充足-ai-中的反弹效应/)。

## 来源

- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (2026)
- [Comparative analysis of carbon footprint in manual vs. LLM-assisted code development](https://doi.org/10.1145/3711919.3728678), Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
