greenai.guide

首页 › 指南 › 绿色 AI:写给每个人的通俗指南

指南

绿色 AI:写给每个人的通俗指南

更新于 · 阅读约需 3 分钟

简而言之

向 AI 聊天机器人提一个文本问题,耗能很少:按企业自己的数据,大约三分之一瓦时,用水不到一毫升。图像和视频耗能多得多,而庞大的请求数量也会累积起来。 最重要的习惯是选对工具、避免没完没了地重新生成,以及要求获得如实的信息。

要点

  • Google 报告称,Gemini 文本提示词的中位数能耗为 0.24 Wh、用水 0.26 mL;OpenAI 称 ChatGPT 一次查询平均约 0.34 Wh。两者均为自行报告。
  • 生成图像的能耗远高于处理文本:在一项研究中,每次请求的能耗是文本分类的一千多倍。
  • 国际能源署预计,2024 年至 2030 年间数据中心的用电量将增加一倍以上,而 AI 是主要驱动力。
  • 单次提示词的数据之所以各不相同,是因为企业测量的内容不同;请始终问清楚其中包括了什么。
  • 您可以通过自己的选择、工作单位或学校、地方规划决定以及公众咨询来表达意见。

用通俗的话说,什么是绿色 AI?

绿色 AI 是指在获得人工智能好处的同时,使用更少的能源、水和其他资源。它包含两方面:让 AI 本身更高效,以及明智地使用它,只在有帮助的地方使用。

它并不是要告诉人们永远别用 AI。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)直接讨论了这个问题,结论是:负责任地使用 AI,比拒绝 AI 更有意义。更详细的解释见什么是绿色 AI?

使用 AI 要耗多少能源?

对于一个普通的文本问题,耗能很少:按企业自己的数据,大约三分之一瓦时。但图像和视频耗能多得多,而且全球的请求数量极其庞大。

以下是已公布的数据:

来源 测量对象 能耗
Google(2025) 向 Gemini 应用发送的文本提示词(prompt)中位数 0.24 Wh
OpenAI(2025) ChatGPT 一次查询的平均值 约 0.34 Wh
Epoch AI(2025),独立估算 ChatGPT 一次典型文本查询 约 0.3 Wh

OpenAI 将其数据比作烤箱运行一秒多一点的用电量,或一只高效灯泡亮几分钟的用电量。Epoch AI 的估算比一个流传甚广的旧数据 3 Wh 低约十倍,这说明随着硬件和软件的改进,估算数字变化得有多快。Google 报告称,其提示词中位数的能耗在一年内下降到原来的三十三分之一。

图像和视频的代价要高得多。 在 Hugging Face 和卡内基梅隆大学(Carnegie Mellon University)研究人员的测试中,生成图像平均每 1,000 张约耗电 2.9 kWh,而将 1,000 段文本分类只需 0.002 kWh。按每次请求计算,前者是后者的一千多倍。视频生成的耗能还要更高。

让能源规划者担忧的是总量。 国际能源署(IEA)估计,2024 年数据中心约耗电 415 TWh,约占全球用电量的 1.5%,并预计到 2030 年将达到约 945 TWh。它指出,AI 是这一增长最重要的驱动力。

AI 用多少水?

按每个文本提示词计算,用水很少;但从总量看,以及在某些地方,用水很多。数据中心用水主要是为了给计算机降温,而发电厂发电也要用水。

  • Google 报告称,Gemini 文本提示词的中位数用水量为 0.26 mL。
  • OpenAI 称,ChatGPT 一次查询平均用水约 0.000085 加仑,大约是一茶匙的十五分之一。
  • 法国公司 Mistral AI 发布了一份生命周期评估,计入的环节比上述两个数据都多。评估得出,一个 400 token(词元)的回答(几段文字)对应 1.14 g CO₂e(二氧化碳当量)和 45 mL 水。
  • 研究人员 Li、Yang、Islam 和 Ren 估计,在微软位于美国的数据中心训练 GPT-3 模型,可能直接蒸发了约 700,000 升清洁淡水。

这些数字之间的巨大差异,主要来自计入了什么,而不是某家公司比另一家好得多。数据中心的位置也很重要:在干旱地区、干旱时期取用的水,比在水资源丰富的地方取用同样多的水影响更大。

为什么这些数字如此不确定?

因为大多数数据来自企业自己,它们测量的内容不同,而且很少公布完整的方法。独立研究人员往往只能从外部进行估算。

会改变答案的因素:

  • 包括了什么: 只算芯片,还是也算冷却、闲置的备用容量、网络和硬件制造?
  • 哪个模型: 小模型的耗能远少于大模型,而逐步“思考”的“推理”模型会在幕后生成多得多的文字。
  • 回答有多长: 能耗随读取和写出的文本量增加而上升。
  • 在哪里、什么时候运行: 同样的电力,在一个国家或某个时段可能是低碳的,在另一个国家或时段则可能是高碳的。

因此,任何单一数字都只能作为粗略参考。诚实的来源会说明计入了什么,以及有多大把握。

哪些日常习惯重要,哪些不重要?

重要的是那些会成倍放大使用量的习惯:生成大量图像或视频、一遍又一遍地重新生成,以及在不需要时让 AI 一直运行。小小的礼貌用语和偶尔提问影响很小。

真正有影响的习惯:

  • 使用合适的工具。 普通的网页搜索、计算器、地图或词典往往更快,耗能也更少。
  • 适度生成图像和视频。 只生成您需要的,不要为了好玩而生成几十个变体。
  • 改进请求,而不是不断重新生成。 如果第一个回答不对,就说明要改什么,而不是一遍又一遍地点击“重试”。
  • 只需要简短回答时,就要求简短回答。 联合国教科文组织(UNESCO)和伦敦大学学院(University College London)发现,更短的提示词和回答可将能耗减少一半以上。
  • 选择更轻量的选项:如果应用为简单问题提供“快速”、“mini”或“轻量版”模型,就选用它。
  • 在设置允许的情况下,关闭应用和设备中不用的 AI 功能。

影响不大的习惯:

  • 说“请”和“谢谢”。与一个长篇回答相比,这几个多出来的词微不足道。
  • 偶尔向文本聊天机器人提一个问题。按 OpenAI 的数据,每次的耗能大约相当于一只高效灯泡亮几分钟。

从更大的图景看,关键不在于个人习惯,而在于 AI 如何被嵌入到数量极其庞大的人群所使用的产品和服务中。正是在这些地方,推动提高效率和公开如实信息的压力最能发挥作用。我们的高效使用 AI页面有更多建议。

我如何判断关于 AI 与环境的说法?

问清楚测量的是什么、由谁测量、与什么相比。如果缺少这些信息,无论是危言耸听的说法还是令人安心的说法,都可能产生误导。

可以问的问题:

  1. 按什么计算? 每个问题、每张图像、每年,还是每位用户?总量大可能意味着每次使用的量很小,反之亦然。
  2. 是谁说的? 是企业自己的数据、一项独立研究,还是一篇重复旧估算的新闻报道?
  3. 包括了什么? 只有计算机芯片,还是整个数据中心、电力供应和制造过程?
  4. 数据有多旧? 数据变化很快。几年前的数字可能高了十倍,也可能低了十倍。
  5. 与什么相比? 除非您知道一次搜索耗多少能,否则“比一次搜索多十倍”没有多大意义。
  6. 是否把效率和少用混为一谈? 如果 AI 每个问题的成本降低了,人们可能只会用得更多。这被称为反弹效应。

对没有数据支撑的“绿色”、“清洁”或“碳中和”之类的词要保持警惕。独立评级已经开始出现:由 Hugging Face 及其合作伙伴推出的 AI Energy Score,按能效给 AI 模型评一到五星,有点像家电的能效标签。详见AI 能效标签。

我如何表达自己的意见?

您可以通过自己的选择、在工作单位或学校提出的要求,以及关于数据中心和监管的公共决策,来影响绿色 AI 的发展。当足够多的人提出要求时,组织确实会倾听。

  • 作为用户: 选择公布清晰的能源和用水信息的服务;如果企业没有公布,就告诉它们。
  • 在工作中: 问问您的雇主是否有关于 AI 使用和供应商选择的政策。可以向他们推荐我们的企业指南。
  • 在中小学或大学: 问问学校如何讲授 AI 及其环境代价。教师可以在我们的学校栏目中找到资源,年轻人可以从写给学生开始。
  • 在本地: 在许多国家,新建数据中心需要获得规划许可。规划申请和地方咨询是询问电力、用水和余热问题的机会。
  • 在全国层面: 政府会就 AI、能源和数字政策征求公众意见。您可以回应这些咨询,或写信给您选出的代表,要求 AI 提供商报告能源和用水情况。
  • 在您的社区: 慈善机构和社区团体同样可以用好 AI;我们的慈善机构指南或许会有帮助。

AI 也能帮助环境吗?

能,在某些用途中可以,这也是全貌的一部分。AI 被用于预测天气、发现输电线路故障、规划可再生能源的使用以及加速科学模型,其中一些用途节省的能源可能多于它们消耗的能源。

问题在于,这类节省很少被测量,而日常使用 AI 的代价却分散在数量庞大的设备和服务中。绿色 AI 要求如实计算两方面:一项 AI 用途的代价是什么,以及它实际节省了什么。它还主张:如果一种简单、成熟的方法已经能完成任务,就使用这种方法,把 AI 留给它能带来新价值的问题。

研究人员正在想办法让 AI 模型变得更小、运行成本更低,而且往往是借助数学,而不是更多的算力。这项工作之所以重要,是因为它能以更少的能源、在更多设备上、为更多人提供同样的帮助。

下一步做什么

  1. 下次使用 AI 时,问问自己是否用更简单的工具就够了。
  2. 减少您并不真正需要的图像和视频生成,用改进请求代替重新生成。
  3. 只需要快速回复时,就要求简短的回答。
  4. 用上面的六个问题检验一条您看到的关于 AI 与环境的说法。
  5. 问问您的雇主、学校或地方议会,他们在 AI 和能源方面采取什么做法。
  6. 了解更多: 从什么是绿色 AI?和为什么绿色 AI 现在很重要开始,或者和一位年轻人一起浏览学校栏目。

常见问题

向 ChatGPT 提一个问题要耗多少电?

OpenAI 首席执行官曾表示,一次查询平均约耗电 0.34 Wh,大约相当于烤箱运行一秒多一点的用电量。Epoch AI 独立估算,一次典型查询约耗电 0.3 Wh。冗长或复杂的请求耗电更多。

AI 用水很多吗?

按每个文本提示词计算,用水很少:Google 报告称,Gemini 提示词的中位数用水量为 0.26 mL。总量才更重要:研究人员估计,在微软位于美国的数据中心训练 GPT-3,可能蒸发了约 700,000 升淡水。对当地的影响取决于数据中心所在的位置。

为了保护地球,我应该停止使用 AI 吗?

不一定。按 OpenAI 的数据,偶尔提一个文本问题的耗能,大约相当于一只高效灯泡亮几分钟。更合理的做法是在 AI 有帮助的地方使用它,避免一次生成几十张图像之类的浪费习惯,并推动获得更好的信息。

对聊天机器人说“请”和“谢谢”会浪费能源吗?

每多一个词都会增加一点点处理量,但与生成长篇回答、图像或视频的能耗相比微乎其微。这不是一个值得担心的习惯。

来源

  1. Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
  2. The gentle singularity, Sam Altman (OpenAI) (2025)
  3. How much energy does ChatGPT use?, Epoch AI (2025)
  4. Our contribution to a global environmental standard for AI, Mistral AI (2025)
  5. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
  6. Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2023)
  7. Energy and AI, International Energy Agency (2025)
  8. Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
  9. Announcing AI Energy Score ratings, Hugging Face (2025)

加入我们

帮助减少 AI 对地球的影响

通过电子邮件获取新指南、资助征集和名录收录信息,大约每月一次。您也可以将您的产品、课程、博士岗位或研究添加到名录中。

不做跟踪。一键退订。 其他加入方式 · 隐私