# 如何计算 AI 硬件的隐含碳排放？

> 把制造 AI 芯片和服务器产生的排放也算进去：按使用时间分摊份额，向供应商索取数据，并让硬件服役更久。

Source: https://greenai.guide/zh/如何/如何计算-ai-硬件的隐含碳排放/  
Updated: 2026-11-19

## 简而言之

隐含碳是指硬件在制造、运输和处置过程中产生的排放。要计算它，先取硬件的隐含排放总量，再按您的 AI 工作占用这些设备的时间和比例分摊，然后把这一份额加到运行排放上，这正是 SCI 规范中 M 项的做法。由于数据往往不足，请说明您的假设；还要记住，硬件用得越久，同样的排放就分摊到越多的工作上。

## Steps

1. 向硬件或云服务供应商索取您所用设备的隐含排放数据。
2. 按 AI 工作占用硬件的时间和比例，为其分摊一份排放。
3. 把这一份额加到运行排放上，并说明您计入了哪些部分。
4. 说明各项假设，包括硬件的预期寿命。
5. 在您能控制的范围内延长硬件寿命，让隐含排放覆盖更多有用的工作。

**既要计算电力，也要计算硬件，因为电网越清洁，制造环节所占的份额就越大。** Meta 的 Wu 及其同事在 2022 年报告称，隐含碳约占 Meta
大规模机器学习碳足迹的 30%，并认为随着运行能源变得更清洁，它正在成为最主要的来源。

## 如何分摊？ {#how-do-i-allocate-it}

绿色软件基金会（Green Software Foundation）的 SCI 规范把隐含排放列为 M 项。一种简单的做法是：

1. 从制造商或供应商处获取设备的隐含排放总量。
2. 除以设备的预期寿命，得到每年或每小时的排放。
3. 乘以您的工作占用设备的时间，再乘以您使用的那部分机器所占的比例。

使用云服务时，您看不到硬件，因此请询问服务商：其碳排放报告是否包含制造环节（范围 3），以及是如何分摊的。请参阅[您的云服务商的碳数据](/zh/如何/如何找到我的云服务提供商的碳排放数据/)。

## 电子垃圾怎么办？ {#what-about-e-waste}

Wang 及其同事在 2024 年估计，2020 年至 2030 年间，大语言模型总共可能产生 120 万至 500 万吨电子垃圾，具体取决于其使用增长的速度；而再利用和回收可以大幅减少这一数量。

## 常见错误 {#common-mistakes}

- **不计隐含碳，却不加说明。** 无论是否计入，都要在边界说明中写明。
- **默认假设硬件寿命很短。** 过早更换设备会提高每年分摊的份额。
- **为了一点效率提升就购买新硬件**，却不核查由此增加的制造成本。

关于边界的设定，请参阅[如何测量 AI 能耗](/zh/良好实践/如何测量-ai-的能耗和碳排放/)。

## 来源

- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [E-waste challenges of generative artificial intelligence](https://doi.org/10.1038/s43588-024-00712-6), Wang et al., Nature Computational Science (2024)
- [Software Carbon Intensity (SCI) specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
