# 绿色 AI：写给每个人的通俗指南

> 使用 AI 在能源和水方面的真实代价，哪些日常习惯重要、哪些无关紧要，如何判断各种说法，以及如何表达您的意见。

Source: https://greenai.guide/zh/指南/绿色-ai-写给每个人的通俗指南/  
Updated: 2026-11-19

## 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？ {#what-is-green-ai-in-plain-english}

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？](/zh/文章/什么是绿色-ai/)

## 使用 AI 要耗多少能源？ {#how-much-energy-does-using-ai-take}

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？ {#how-much-water-does-ai-use}

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？ {#why-are-the-numbers-so-uncertain}

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？ {#which-everyday-habits-matter-and-which-don-t}

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](/zh/良好实践/高效使用-ai-日常习惯/)页面有更多建议。

## 我如何判断关于 AI 与环境的说法？ {#how-can-i-judge-claims-about-ai-and-the-environment}

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](/zh/术语表/#rebound-effect)。

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](/zh/文章/ai-的能效标识与基准测试/)。

## 我如何表达自己的意见？ {#how-can-i-have-a-say}

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](/zh/指南/面向企业的绿色-ai/)。
- **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](/zh/学校/)中找到资源，年轻人可以从[写给学生](/zh/学校/写给学生的绿色-ai/)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](/zh/指南/慈善机构的绿色-ai/)或许会有帮助。

## AI 也能帮助环境吗？ {#can-ai-also-help-the-environment}

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 {#what-to-do-next}

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？](/zh/文章/什么是绿色-ai/)和[为什么绿色 AI 现在很重要](/zh/文章/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](/zh/学校/)。

## 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

- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Our contribution to a global environmental standard for AI](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai), Mistral AI (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models](https://arxiv.org/abs/2304.03271), Li, Yang, Islam and Ren (2023)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Announcing AI Energy Score ratings](https://huggingface.co/blog/sasha/announcing-ai-energy-score), Hugging Face (2025)
