简而言之
AI(人工智能)运行在数据中心的计算机上,这些计算机要消耗电、水和硬件,因此每次请求都有一点环境成本,在数十亿用户中累积起来就相当可观。 教师不需要技术专长也能把这个话题讲好:掌握几条可靠的事实,理解效率与充足性的区别,并在课堂上示范好习惯,就能起到很大作用。
要点
- 训练只需一次就能建成一个模型;推理则是每次有人使用它。对于热门工具,只要模型还在服役,使用带来的能耗就会不断累积。
- Google 报告其 Gemini 文本提问的能耗中位数为 0.24 Wh,OpenAI 报告 ChatGPT 平均每次查询约 0.34 Wh;两者都是公司数据,测量方法不同。
- 生成图片的能耗远高于生成短文本,通用模型的能耗也高于专用模型。
- 根据联合国教科文组织和伦敦大学学院 2025 年的一份报告,更短的提问、更短的回答和更小的模型可以大幅降低能耗。
- 学校的 AI 政策除了数据保护、年龄限制和评估之外,也可以涵盖效率和充足性。
教师首先需要了解什么?
这个话题的大部分内容可以归结为三个观念:AI 运行在消耗电、水和材料的实体计算机上;每次请求的小成本会在数十亿次请求中累积起来;把事情做得更高效,以及少做不必要的事,都有帮助。其余都是细节,可以在术语表中查到。
AI 是如何消耗能源的?
AI 两次消耗能源:一次是构建模型,另一次是每次有人使用它。两者都发生在数据中心,也就是装满专用计算机的建筑。
- 训练是一次性构建模型的过程,需要向模型展示海量数据。对于大模型,这需要数月的计算。例如,Meta 在其 Llama 3.1 系列的模型卡中报告,训练用了 3,930 万 GPU(图形处理器)小时,按基于地点的方法计算,排放了 11,390 吨 CO₂ 当量(二氧化碳当量)。
- 推理是使用训练好的模型:每一个问题、回答或图片。每次使用的耗能都很小,但热门工具会被使用数十亿次,因此只要模型还在服役,使用带来的能耗就会不断增长。
- 计算机所在的建筑也会消耗能源,主要用于冷却。业界用 PUE(电能使用效率)来衡量这一点。
语言模型以 token(词元)为单位读写,token 是文本的小块,往往是单词的一部分。OpenAI 的经验法则是,在英语中一个 token 约为四个字符,或大约四分之三个单词。输入和输出的 token 越多,需要的计算就越多,这就是为什么长回答比短回答成本更高。
哪些事实可以放心地在课堂上使用?
这些数据来自有名有姓的公开来源。引用时请注明来源和年份,因为这些数字变化很快。
| 事实 | 来源 |
|---|---|
| 2024 年数据中心用电约 415 TWh,约占全球用电量的 1.5% | IEA,Energy and AI,2025 |
| 预计到 2030 年将增长一倍以上,达到约 945 TWh,略高于日本目前的用电量 | IEA,2025 |
| 自 2017 年以来,数据中心用电量每年增长约 12% | IEA,2025 |
| Google 的 Gemini 文本提问中位数耗电 0.24 Wh,用水约 0.26 mL(大约五滴) | Google,2025 |
| Google 报告,一年内每次提问的能耗中位数降低到原来的三十三分之一 | Google,2025 |
| OpenAI 称 ChatGPT 平均每次查询耗电约 0.34 Wh,相当于烤箱运行一秒多一点 | OpenAI,2025 |
| 2024 年,爱尔兰数据中心用电占全部计量电力的 22%,而 2015 年为 5%,超过所有城市家庭的用电量 | 爱尔兰中央统计局,2025 |
| 用所测试的效率最低的模型生成 1,000 张图片耗电 11.49 kWh,相当于给智能手机充电 522 次 | Luccioni、Jernite 和 Strubell,2024 |
| 更短的提问和回答可使能耗降低一半以上;在测试中,更小的专用模型最多可降低 90% | 联合国教科文组织和伦敦大学学院,2025 |
使用这些数据时有两点需要注意。Google 和 OpenAI 的数据是公司自行报告的,测量方法不同,因此不能直接对比。此外,单次提问的数据针对的是文本;图片、视频以及要经过许多步骤思考的“推理”模式耗能更多。
如何在学校负责任、高效地使用 AI?
在确实能节省时间或带来实际价值的地方使用 AI,并尽量减少浪费。节能的习惯大多也正是能带来更好结果的习惯。
- 先问 AI 是否是合适的工具。已有的练习卷、一次搜索或一个计算器也许就够了。这就是充足性。
- 写一个清晰的 prompt(提示词),而不是五个含糊的。说明输出内容面向谁、应该多长、需要什么格式。
- 在简短就足够时要求简短的回答。联合国教科文组织和伦敦大学学院的报告发现,更短的提问和回答可使能耗降低一半以上。
- 简单任务选择更小或更简单的工具,除非对课程有帮助,否则避免生成图片或视频。参见选择合适的模型。
- 重复利用好的输出。保存有效的提示词和资源并与同事分享,而不是重新生成。
- 在设置允许的情况下,关闭办公和学习软件中不用的 AI 功能。
高效使用 AI页面为成年人提供了更多细节。
学校 AI 政策应该如何谈及绿色 AI?
学校的 AI 政策通常涵盖安全保护、数据保护和评估。加上几条关于效率和充足性的内容几乎没有成本,还能示范您希望学生学到的思考方式。
大多数学校政策本来就需要的要点(英格兰教育部 2025 年更新的指导意见涵盖了这些;请查阅您所在国家的相应文件):
- 除非工具及其使用方式已获批准并受到保护,否则不要把学生或教职工的个人数据输入生成式 AI 工具。
- 遵守 AI 工具设定的年龄限制。联合国教科文组织 2023 年的指导意见也讨论了课堂使用的最低年龄。
- 教职工仍有责任检查 AI 生成内容的准确性和适用性。
- 依照考试机构的要求,为家庭作业、课程作业和考试中使用 AI 制定明确规则。
- 未经许可,不得让学生的原创作品被用于训练 AI 模型。
应补充的绿色 AI 要点:
- 在 AI 明显有助于学习或能节省教职工时间时才使用,而不是默认使用。
- 优先选择公开能耗、排放和数据中心所在地信息的工具和供应商。可持续 AI 采购页面列出了可以提出的问题。
- 避免在全校开启没人要求的 AI 功能。
- 把 AI 的环境成本纳入教职工培训和学生的数字素养课程。
- 每年审查一次政策,因为工具和证据都变化得很快。
学生常有哪些误解?
学生和成年人往往在“AI 不耗能,它只是在我手机上”和“一次提问就能把海洋煮沸”这两种看法之间摇摆。真相介于两者之间,而这个落差正是很好的教学机会。
| 误解 | 更好的解释 |
|---|---|
| “AI 是在我手机上运行的,所以几乎不耗电。” | 大多数聊天机器人在遥远的数据中心运行。您的手机只是发送请求并显示回答。 |
| “一次提问要耗费大量能源。” | 一次典型的文本提问耗能不到 1 瓦时。问题在于规模:每天数十亿次,再加上图片和视频。 |
| “只要效率提高了,问题就解决了。” | 更便宜、更快的 AI 往往会被用得更多,这可能抵消节省下来的能源。这就是反弹效应。 |
| “AI 就是聊天机器人。” | AI 还包括垃圾邮件过滤、推荐系统、天气预报和医学影像,其中许多都规模小、效率高。 |
| “绿色 AI 就是不用 AI。” | 绿色 AI 是指用好 AI:高效地用,并在能带来价值的地方用。 |
| “数据中心用的是电,所以不用水。” | 许多数据中心用水来冷却,而有些地区本身就缺水。 |
| “云很干净,因为它在天上。” | “云”其实是地面上的建筑、电缆和计算机,消耗着真实的电力和土地。 |
研究人员还表明,计算领域的效率提升之后,往往跟着的是总用量增加而不是减少(Freitag 等人,2021)。这就是为什么充足性与效率同样重要,也是为什么效率不等于充足性一文值得一读。
下一步做什么
- 从课程创意中试一项活动:纸片 token 活动不需要任何技术设备。
- 把写给学生的绿色 AI分享给一个班级。
- 收藏术语表和常见问题,以便快速回答学生的问题。
- 在下一次政策审查时提出上述绿色 AI 政策要点。
- 浏览课程目录,了解教师专业发展机会,也供考虑升学的学生参考。
常见问题
一次 AI 提问要用多少能源?
公司公布的典型文本提问能耗不到 1 瓦时:Google 报告其 Gemini 文本提问的能耗中位数为 0.24 Wh,OpenAI 报告 ChatGPT 平均每次查询约 0.34 Wh。更长的回答、图片、视频和侧重推理的模型能耗更高。
学生应该在学校使用 AI 聊天机器人吗?
这由各校在国家指导意见和工具本身设定的年龄限制范围内自行决定。英格兰教育部要求学校遵守这些年龄限制、保护个人数据,并监督学生的使用。
讲授绿色 AI 需要是计算机专业教师吗?
不需要。核心观念涉及能源、规模和选择,任何教师都能讲清楚。本网站的术语表用通俗语言解释了技术术语。
AI 真的用很多水吗?
数据中心会用水,主要用于冷却,用水量在很大程度上取决于选址和冷却方式。Google 报告其 Gemini 文本提问的用水中位数约为 0.26 mL,大约五滴,但所有用户和所有设施的总量要大得多,而且报告也不够充分。
来源
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv:2508.15734) (2025)
- The Gentle Singularity, Sam Altman (OpenAI) (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (arXiv:2311.16863) (2024)
- AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO (2025)
- Llama 3.1 8B model card, Meta (Hugging Face) (2024)
- What are tokens and how to count them?, OpenAI Help Center (2025)
- Data centres metered electricity consumption 2024, Central Statistics Office, Ireland (2025)
- Generative artificial intelligence (AI) in education, Department for Education (2025)
- Guidance for generative AI in education and research, UNESCO (2023)
- The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations, Freitag et al., Patterns (2021)