# 效率不等于充足：AI 中的反弹效应

> 为什么提高 AI 效率并不能保证总能耗下降，什么是反弹效应或杰文斯效应，以及哪些做法有助于让节省真正落地。

Source: https://greenai.guide/zh/文章/效率不等于充足-ai-中的反弹效应/  
Updated: 2026-11-19

## 简而言之

让每项 AI 任务更便宜，并不意味着 AI 整体上会少用能源，因为任务越便宜，往往就会做得越多。这就是反弹效应，又称杰文斯效应。绿色 AI 既需要效率（用更少的资源完成每项任务），也需要充足（只做值得做的任务），并且要在整个系统层面衡量节省。

## 要点

- 效率降低的是每项任务的能耗；总能耗取决于运行了多少任务。
- 当效率让某样东西变得更便宜时，需求往往会增长，有时增长到足以抵消节省。这就是反弹效应或杰文斯效应。
- 几十年来，计算的效率已大幅提高，但其总用电量仍在持续增长。
- 充足原则追问的是：一项任务到底是否需要 AI，或者是否需要这么大的模型。
- 只有当总用量受到上限约束、被测量或被定价时，效率提升才能算作节省。

绿色 AI 常被当作一个效率问题：把模型做小、把芯片做好、让数据中心更清洁，足迹就会下降。效率很重要，但仅靠效率并不能保证 AI 少用能源。本文解释其中的原因，以及还需要哪些配套措施。

## 效率和充足有什么区别？ {#what-is-the-difference-between-efficiency-and-sufficiency}

**效率是用更少的资源完成一项任务；充足是只做值得做的任务。** 两者都能减少对环境的影响，但回答的是不同的问题。

| | 效率 | 充足 |
|---|---|---|
| 问题 | 我们怎样用更少的能源做这件事？ | 我们需要以这样的规模做这件事吗？ |
| 例子 | 剪枝、量化、更好的芯片、冷却 | 在搜索或公式就能解决的地方不用 AI；用小模型代替前沿模型 |
| 衡量方式 | 每项任务的能耗 | 总能耗，以及单位能源产生的价值 |
| 由谁行动 | 工程师、硬件制造商、数据中心运营方 | 用户、产品负责人、采购方、政策制定者 |

两者并非对立。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）就绿色 AI 应侧重效率还是只在需要时使用 AI 进行了投票；最多人选择的答案是“两者同等重要”。更宽泛的定义参见[什么是绿色 AI？](/zh/文章/什么是绿色-ai/)。

## 什么是反弹效应？ {#what-is-the-rebound-effect}

**反弹效应是指某样东西变得更便宜或更容易之后随之而来的额外使用。** 如果额外使用多到足以抵消节省，总消耗就会上升。这种极端情形被称为杰文斯悖论（其较温和的形式也称为[反弹效应](/zh/术语表/#rebound-effect)）。

经济学家威廉·斯坦利·杰文斯在 1865 年的《煤炭问题》（*The Coal Question*）中描述了这一现象。他认为，更高效的蒸汽机不会减少英国的煤炭用量，因为更便宜的蒸汽动力会被投入到更多用途中。他说对了：煤炭消耗量持续上升。

反弹有不同程度：

- **直接反弹：** 更便宜的任务被更频繁地执行。更快、更便宜的聊天机器人会被问更多问题。
- **间接反弹：** 节省下来的金钱或时间被花在其他同样耗能的事情上。
- **全经济范围的反弹：** 更便宜的能力催生出全新的产品和产业。

## 计算领域发生过这种情况吗？ {#has-this-happened-in-computing}

**发生过。** Koomey 等人在 2011 年发现，自 20 世纪 40 年代第一批电子计算机问世以来，单位能源可完成的计算次数大约每 1.57 年翻一番。而在同样的几十年里，计算的总用电量却在增长，因为更便宜的计算被投入到了多得多的用途中。

Freitag 等人 2021 年对信息通信技术（ICT）气候影响的综述认为，该行业占全球温室气体排放的 1.8–2.8%，若完整计入供应链，则为 2.1–3.9%。他们认为，尽管效率大幅提升，ICT 的足迹仍在增长；在把效率计为气候方面的节省之前，必须先考虑反弹效应。

## AI 是否在走同样的路？ {#is-ai-following-the-same-pattern}

**早期迹象表明是的。** 每项 AI 任务的能耗在迅速下降，而总需求在上升。

- Google 在 2025 年报告说，通过改进模型、软件和硬件，其 Gemini 文本提示的能耗中位数在十二个月内下降到原来的三十三分之一。
- 在大致相同的时期，国际能源署预测，到 2030 年数据中心用电量将增加一倍以上，从 2024 年的约 415 TWh 增至约 945 TWh，而 AI 是这一增长最重要的驱动因素。

两者可以同时成立。更便宜的提示让人们在经济上可以默认把 AI 放进搜索结果、文档、手机和软件工具中，也可以运行每项任务要调用许多次模型的智能体（参见[智能体 AI 与 token 浪费](/zh/文章/智能体-ai-与-token-浪费/)）。

Luccioni、Strubell 和 Crawford 在 2025 年一篇关于 AI 环境争论两极分化的论文中研究了这一问题。他们认为，提高 AI 效率本身并不能保证减少环境危害，因为效率提升可能增加总用量，而相关争论忽视了这些间接影响。他们呼吁把生命周期评估与对商业激励、市场、治理和社会规范的分析结合起来。

## 为什么效率不会自动变成节省？ {#why-doesn-t-efficiency-automatically-become-a-saving}

**因为从效率中获益的人通常会把这部分收益花掉。** AI 领域常见三种机制：

- **价格。** 服务提供商把更低的成本让利给用户，于是用量增长。
- **能力。** 在某一规模上省下的资源被花在更大的模型或更长的上下文上，因为质量好卖。
- **默认设置。** 当 AI 便宜到可以为所有人开启时，它就会为所有人开启，包括那些并没有要求使用它的人。

这些都不是停止提高效率的理由。没有效率提升，总需求会更高。但这是一个理由：在测量总用量之前，不要把效率提升计为气候方面的节省。

## 充足原则在实践中是什么样的？ {#what-does-sufficiency-look-like-in-practice}

**它意味着让工具与任务相匹配，有时甚至选择完全不用 AI。** 实际做法包括：

- **有确定性方法时就用确定性方法。** 计算器、数据库查询或经典数值方法通常比语言模型更便宜、更可靠。
- **选择规模合适的模型。** 把简单请求交给小模型。参见[选择合适的模型](/zh/良好实践/为任务选择合适的模型/)。
- **让重度 AI 功能由用户主动开启，而不是默认开启。** 每次浏览页面都生成内容的功能，会成倍增加能耗。
- **减少反复尝试。** 反复重新生成图像或视频直到满意，会让每次尝试的成本成倍增加。更好的提示方法和编辑工具可以减少尝试次数。
- **复用而不是重新生成。** 参见[编排优于生成](/zh/文章/编排优先于生成/)。

研讨工作坊上的一个主题是：只要有可能，就应由系统而不是每个用户来做这些选择，例如自动路由到足以胜任的最小模型，因为要求每个用户去判断每个请求的能耗成本是行不通的。

## 怎样遏制反弹？ {#how-can-rebound-be-kept-in-check}

**测量、限制或定价总用量，而不只是每项任务的用量。** 可选的做法包括：

- **预算。** 为项目或产品设定能源、token（词元）或碳预算，让效率提升腾出余量，而不是自动扩大用量。
- **全系统测量。** 在报告每项任务能耗的同时，报告一段时间内的总能耗。参见[测量是瓶颈](/zh/文章/测量是绿色-ai-的瓶颈/)。
- **诚实的声明。** 声称某产品“效率提高了 X 倍”，并不能说明其总影响。参见[做出诚实的绿色声明](/zh/良好实践/关于-ai-的诚实环保声明/)。
- **政策。** 碳定价和电网约束作用于总需求，这是单靠能效标准做不到的。参见[绿色 AI 政策](/zh/良好实践/如何制定绿色-ai-政策/)。

## 下一步怎么做 {#what-to-do-next}

- 跟踪一段时间内 AI 的总能耗或总支出，而不仅仅是每次请求的数字。
- 在添加 AI 功能之前，先问问非 AI 的方法能否胜任，以及该功能是否应默认开启。
- 把请求交给能完成工作的最小模型：参见[高效使用 AI](/zh/良好实践/高效使用-ai-日常习惯/)。
- 取得效率提升时，事先决定它是用来减少总用量，还是用来支持新的用途。
- 阅读[企业指南](/zh/指南/面向企业的绿色-ai/)，了解如何把这些选择纳入采购和产品设计。

## 常见问题

### 什么是杰文斯悖论？

这一观察最早由威廉·斯坦利·杰文斯（William Stanley Jevons）于 1865 年就煤炭问题提出：更高效地利用一种资源，反而可能增加该资源的总消耗量，因为效率让它更便宜，从而用途更广。

### 反弹效应是否意味着提高效率毫无意义？

不是。效率仍然必不可少，没有它，总用量会更高。关键在于，仅靠效率并不能保证总用量下降，因此必须与充足原则和测量相结合。

### 绿色 AI 中的“充足”是什么意思？

只在 AI 能带来足够价值的地方使用它，并使用能把工作做好的最小模型和最少计算。它既问“我们该不该做？”，也问“我们怎样做得更便宜？”

## 来源

- [The Coal Question](https://oll.libertyfund.org/titles/317), W. Stanley Jevons, Macmillan (1865)
- [From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate](https://arxiv.org/abs/2501.16548), Luccioni, Strubell and Crawford, ACM FAccT (2025)
- [The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations](https://doi.org/10.1016/j.patter.2021.100340), Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- [Implications of historical trends in the electrical efficiency of computing](https://doi.org/10.1109/MAHC.2010.28), Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
