greenai.guide

首页 › 文章 › 杰文斯悖论与 AI:为什么只提高效率还不够

文章

杰文斯悖论与 AI:为什么只提高效率还不够

更新于 · 阅读约需 3 分钟

简而言之

杰文斯悖论是威廉·斯坦利·杰文斯在 1865 年首先提出的发现:更高效地使用煤炭,反而让英国烧掉了更多的煤,而不是更少。在 AI 领域,每次查询正变得更便宜、更高效,但数据中心的总用电量却在快速上升。研究数字技术气候影响的学者认为,只有在总排放量设有上限时,提高效率才能带来真正的减排。

要点

  • 杰文斯悖论:让一种资源的使用成本更低,反而可能提高其总用量。杰文斯在 1865 年就煤炭证明了这一点。
  • 反弹可以是直接的(同一任务做得更多)、间接的(省下的钱花在别处)或全经济范围的;当反弹超过节省量时,称为“回火效应”(backfire)。
  • Google 报告称,其 Gemini 文本提示词(中位数)的能耗在一年内降至原来的三十三分之一,而 IEA 预计到 2030 年数据中心用电量将增加一倍以上。
  • Freitag、Berners-Lee 等人发现,信息通信技术(ICT)的气候足迹被低估了,并认为关于 ICT 带来减排的说法证据薄弱。
  • Widdicks 等人的结论是:只有在排放约束下提高效率,才能把效率转化为真正的减排。
  • 在实践中:测量总量,设定预算或上限,让腾出的容量退役,只在能增加价值的地方使用 AI。

AI 的效率正在快速提高,而它的总能耗也在快速增长。这两个事实并不矛盾,而是一个已有 160 年历史的规律,称为杰文斯悖论。本文解释这一悖论、它适用于 AI 的证据、研究人员对把数字技术当作气候解决方案所提出的担忧,以及究竟是什么能把效率转化为更低的排放。关于效率和充足的基础知识,请先阅读效率不等于充足。

什么是杰文斯悖论?

杰文斯悖论是指更高效地使用一种资源,反而导致这种资源被用得更多,而不是更少。经济学家威廉·斯坦利·杰文斯于 1865 年在《The Coal Question》(煤炭问题)中提出了这一观点,这本书讨论的是英国的煤矿是否会被采尽。

杰文斯持不同看法。他写道:“以为节约使用燃料就等于减少消耗,这完全是概念上的混淆。事实恰恰相反。”他的理由是,更便宜的蒸汽动力使煤炭值得用于多得多的工作,因此总需求增长的速度超过了每台机器用煤量下降的速度。

这一洞见并不是说效率不好,而是说效率改变了做一件事的价格,而个人、企业乃至整个经济都会对价格作出反应。

什么是反弹效应?

反弹效应是指效率提升所引发的额外使用,它会蚕食节省下来的部分。杰文斯悖论是它最极端的形式。Widdicks 等人在 2023 年发表于《Patterns》期刊的论文中,描述了几种主要类型:

类型 发生了什么 AI 中的例子
直接反弹 同一项服务变得更便宜,因此被用得更多 提示词更便宜,导致提示词更多、回答更长、智能体调用更多
间接反弹 省下的钱或时间被花在其他同样耗能的事情上(“收入效应”和“时间反弹”) AI 助手节省下来的时间被用于能耗更高的活动
全经济范围反弹 整个经济作出调整:新产品、新市场和新产业依托更便宜的投入而增长 AI 被默认内置到搜索、手机和办公软件中

当反弹大于节省量,导致总用量或总排放上升时,称为回火效应(backfire)。同一批作者指出,在全球经济中,大多数产品和服务的能效提升,与 1850 年以来全球碳排放平均每年 1.8% 的增长相伴而行。他们审慎地说明,这并不证明效率导致了更高的排放;它只表明,如果效率没有导致更高的排放,那么在没有效率提升的情况下,排放必须增长得快得多。

参见术语表中的反弹效应和杰文斯悖论。

杰文斯悖论正在 AI 中发生吗?

证据指向这一点:每次查询的能耗在快速下降,而数据中心总用电量在攀升。两个被广泛引用、来源不同的数字显示了这一规律:

  • 单次查询。Google 在 2025 年报告称,其 Gemini 应用文本提示词(中位数)耗电 0.24 Wh,并且在 12 个月内,每次提示词(中位数)的能耗降至原来的三十三分之一,碳足迹降至原来的四十四分之一。
  • 总量。国际能源署(IEA)估计,2024 年数据中心用电约 415 TWh,约占全球用电量的 1.5%,且自 2017 年以来每年增长约 12%。它预计到 2030 年用电量将增加一倍以上,达到约 945 TWh,而 AI 是“这一增长最重要的推动力”。

这些数字本身并不能证明因果关系,因为 AI 需求的增长也有价格以外的原因。但它们表明,单次查询的大幅改进并没有阻止总用量上升。IEA 自己也把能效提升的速度视为其展望中的主要不确定因素之一:在其各情景中,2035 年数据中心的需求在 700 至 1,700 TWh 之间。

AI 有一些特点,使反弹尤其可能发生。更便宜的推理让服务商可以把 AI 设为人们已在使用的工具中的默认功能,也让智能体在每项任务中调用模型许多次(参见智能体 AI 与 token 浪费)。节省下来的部分也常常被花在提升能力上,例如更大的模型或更长的上下文,而不是存下来。

Mike Berners-Lee 等人提出了哪些担忧?

他们认为,数字技术的气候影响被低估了,其效率提升常常被需求抵消,而关于气候效益的说法需要好得多的证据。Mike Berners-Lee 是设在兰卡斯特大学的 Small World Consulting 的创始人,也是碳足迹专家,并就这一问题在《Patterns》上与人合著了两篇论文。

足迹比报告的更大

Freitag、Berners-Lee、Widdicks、Knowles、Blair 和 Friday 在 2021 年回顾了关于信息通信技术(ICT)气候影响的各项估算。他们发现,同行评审研究认为 ICT 占全球温室气体排放的 1.8–2.8%,但如果计入标准生命周期研究所遗漏的供应链部分(即“截断误差”),这一比例可能达到 2.1–3.9%。

效率没有减少总量

同一篇综述发现,人均计算需求和设备需求的增长超过了能效的提升,因此 ICT 的能耗和足迹逐年增长。综述所考察的所有分析人士都认为,ICT 排放“如果没有涉及广泛政治和产业行动的重大协同努力,就不会减少”。作者给出了理由,说明如果不加干预,排放预计会上升,并认为因需求饱和而自然达峰的可能性不大。公平起见,他们也报告了研究人员 Jens Malmodin 通过私人交流向他们表达的不同观点:ICT 排放目前已趋于稳定,到 2030 年可能减半。

“AI 助力气候”的说法缺乏净效益证据

行业报告声称,ICT 在其他行业节省的排放可能是其自身排放的数倍。Freitag 等人认为,这些估算对反弹的考虑非常有限,而且 ICT 推动增长(包括在碳密集型产业中)的可能性,与其减少排放的可能性不相上下。他们写道,“尽管关于 ICT 增长趋势所节省的碳排放将多于其新增排放的证据值得怀疑”,区块链、物联网和 AI 的投资和应用仍在增加。他们认为,ICT 只有在取代碳密集型活动,而不是叠加在其之上时,才能减少其他领域的排放。

这并不意味着 AI 无法帮助应对气候变化,而是意味着每一项说法都需要证明存在净效益,并计入 AI 自身的足迹和反弹。参见绿色 AI 与“AI 助力绿色”。

效率需要上限

Widdicks 等人 2023 年的论文基于一场有 19 位专家参加的研讨会,得出结论:“在温室气体排放约束下实现的效率,是让效率带来真正减排的唯一途径。”2021 年的综述则认为,在没有全球碳约束的情况下,需要新的监管来使 ICT 的足迹符合《巴黎协定》。两篇论文都指出,上限对这个行业本身也有好处:在约束之下,效率会变得更有价值,而不是更没有价值。

他本人的说法

据 THINK Digital Partners 的报道,Berners-Lee 于 2026 年 2 月在伦敦对政府数字部门负责人发表讲话时,把反弹问题概括为“效率越高,我们做得越多”,并警告说“很多人正拿 AI 和机器学习这把大锤去砸每一个问题”。

什么能把效率转化为真正的节约?

让每一项效率提升都配上总量限制,并测量总量。上述研究指向五个实用的手段。

在预算或上限之内工作

为某个产品、团队或项目设定能源、排放、算力或 token 的绝对预算,并在效率提高后继续保持。这样,效率让您在预算内做更多的事,而不是推高总量。

测量绝对影响,而不只是单位指标

说一个模型“效率提高了十倍”,并不能说明总排放是否下降。在报告每项任务能耗的同时,也要报告一段时间内的总能耗和总排放。参见如何测量 AI 能耗。

践行充足

只在能带来真正价值的地方使用 AI;使用时,选择够用的最小模型。一个公式、一次搜索或一次数据库查询,往往只需一小部分能耗就能完成任务。参见充足。

把节省存下来

当一个效率项目腾出容量时,要事先决定如何处理。让服务器退役、退掉预留的云容量或许可证,就能锁定节省;让它们继续运行,就会招来新的使用把它们填满。参见如何防止效率提升被抵消。

使用作用于总量的政策手段

碳定价、排放上限、电网接入限制以及绝对能耗的报告,都作用于总需求,这是单靠能效标准做不到的。参见绿色 AI 政策。

下一步怎么做

  • 在常规报告中加入 AI 的总能耗或总排放,与每项任务的数据并列。
  • 为 AI 算力或排放设定预算或上限,并在效率提高后继续保持。
  • 在每个效率项目开始前,决定腾出的容量是退役还是再利用。
  • 问一问每项新的 AI 功能是否必要,以及是否应该默认开启。
  • 把任何关于 AI 将减少其他领域排放的说法当作有待检验的假设,并计入反弹。
  • 阅读效率不等于充足和绿色 AI 与“AI 助力绿色”,了解更全面的情况。

常见问题

什么是杰文斯悖论?

这是经济学家威廉·斯坦利·杰文斯在 1865 年出版的《煤炭问题》(The Coal Question)一书中提出的观察:更高效地使用煤炭导致煤炭用量增加,因为效率提高使以煤为动力的工作更便宜,因而更加普及。

更高效的 AI 能减少排放吗?

就单次查询而言,能。就总量而言,不一定:更便宜的查询会刺激多得多的使用。即使每次提示词的能耗在下降,数据中心总用电量仍在快速上升;因此,只有同时限制总用量或总排放量,提高效率才能减少整体排放。

AI 中的反弹效应是什么?

指 AI 变得更便宜或更容易使用后带来的额外使用,它会蚕食节省下来的能源。它可以是直接的(更多提示词)、间接的(省下的钱或时间花在其他耗能的事情上),也可以是全经济范围的(建立在廉价 AI 之上的新产品和新产业)。

什么是回火效应(backfire)?

回火效应是指反弹效应大到使总消耗或总排放比效率提升之前还要高。杰文斯悖论就是回火效应的一个例子。

Mike Berners-Lee 及其合著者对 AI 与气候有何看法?

他们在同行评审论文中认为:ICT 的足迹被低估了;效率提升往往被不断增长的需求抵消;ICT(包括 AI)带来净气候效益的证据值得怀疑;要让提高效率带来真正的减排,就需要设定排放上限。

如何防止效率提升被抵消?

除了每项任务的能耗,还要测量总能耗或总排放;设定预算或上限;事先决定腾出的容量如何处理;只在 AI 能带来足够价值的地方使用它。

来源

  1. The Coal Question, W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
  2. Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy, Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
  3. The real climate and transformative impact of ICT: A critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
  4. Energy and AI, International Energy Agency (2025)
  5. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
  6. "We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate, THINK Digital Partners (2026)

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