# 测量是绿色 AI 的瓶颈

> 为什么 AI 能耗数据难以信任、难以比较：企业自报、估算而非实测、边界各不相同，以及好的测量应当是什么样子。

Source: https://greenai.guide/zh/文章/测量是绿色-ai-的瓶颈/  
Updated: 2026-11-19

## 简而言之

大多数 AI 能耗数据要么由企业自己发布，所用方法并未完整公开；要么是根据假设估算出来的，而不是在真实硬件上测得的。不同研究对“系统”边界的划定也各不相同。在测量方法统一之前，绿色 AI 的说法难以核实，对不同模型或服务商的比较也可能产生误导。

## 要点

- 最广为人知的单次提示词能耗数据来自服务商自己，且方法各不相同，因此无法直接比较。
- 改变测量边界可使结果相差一倍以上：谷歌自己给出的 Gemini 单次提示词能耗为 0.24 Wh，若只计算 AI 芯片，则降至 0.10 Wh。
- 许多工具是根据硬件规格和电网平均值来估算能耗，而不是实际计量。
- 据 2025 年的一项分析，有关 AI 环境成本的透明度不升反降。
- 一个好的数据应说明测量了什么、怎么测、边界在哪里、用的什么硬件、针对什么任务。

无法测量的东西就无法管理，而 AI 的能耗至今仍测量得很差。这不是细枝末节：它决定了绿色 AI 的说法能否被核实、买家能否比较产品、政策能否瞄准正确的目标。没有可信的数据，每一条“绿色”声明都只是一份新闻稿。

## 为什么 AI 能耗数据难以信任？ {#why-are-ai-energy-figures-hard-to-trust}

**因为大多数数据来自销售 AI 的企业本身，所用方法没有完全公开，也无法独立核实。**这并不意味着数据有误，但会让它们难以比较。

被引用最多的两个文本提示词能耗数据都是自报的：

| 数据 | 来源 | 我们对方法的了解 |
|---|---|---|
| Gemini Apps 文本提示词中位数为 0.24 Wh | 谷歌，2025 年 | 一篇已发表的论文描述了方法，包括数据中心额外开销和闲置容量。数据来自 2025 年 5 月，未经独立核实。 |
| ChatGPT 平均每次查询约 0.34 Wh | OpenAI 首席执行官，2025 年 | 一篇博客文章；未公布方法。 |
| GPT-4o 典型查询约 0.3 Wh | Epoch AI，2025 年 | 根据硬件和模型规模的公开信息做出的独立估算。 |

这些数字看起来相近，但并不是同类比较：中位数不等于平均数，边界也不同。而且它们只涵盖简短的文本提示词，不包括图像或视频生成、长时间推理或智能体（agent）。

## 边界有多重要？ {#how-much-does-the-boundary-matter}

**非常重要。**谷歌的论文自己就说明了这一点。只计算正在工作的 AI 加速器（TPU 和 GPU），每个中位数提示词为 0.10 Wh。再加上主机服务器、为应对需求而随时待命的闲置容量，以及冷却等数据中心额外开销，则为 0.24 Wh，是前者的两倍多。

界线画在哪里，决定了答案是多少。一项 AI 服务的完整边界可能包括：

1. 执行工作的 AI 芯片。
2. 服务器的其余部分：处理器、内存、存储。
3. 为高峰预留的闲置和备用容量。
4. 数据中心的冷却和电力转换。
5. 传输请求和回答的网络。
6. 用户的设备。
7. 模型训练，分摊到每次使用中。
8. 硬件制造（隐含碳排放）。

那些大胆的比较也是同样道理。说 AI 完成同一任务比人多用或少用许多倍能源，取决于双方各计入了什么：人的电脑和时间、模型的训练、核查和纠正 AI 输出所需的工作。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）强调，必须先说明系统边界，任何此类比较才有意义。

## 估算与计量有什么区别？ {#what-is-the-difference-between-estimating-and-metering}

**计量是在工作运行时从硬件读取实际功率；估算则是根据假设计算出来的。**两者各有用处，但常常被混为一谈。

- **计量**使用硬件计数器（例如现代处理器和 GPU 内置的计数器）、服务器上的功率计或数据中心的电表。对它所覆盖的范围而言是准确的，但需要能接触到硬件。
- **估算**用假定的额定功率乘以运行时间和利用率，再乘以电网平均碳强度。CodeCarbon 等工具会估算处理器、GPU 和内存的功率，并套用所在地区的电网碳强度。这些工具简单易用，但它们是估算器，不是电表。

估算可能偏差很大，尤其是在共享云硬件上，您看不到上面还在运行什么。简单的经验法则也有风险：Mytton、Lundén 和 Malmodin 在 2024 年指出，网络能耗主要是固定的基础负荷，因此“每千兆字节多少千瓦时”这类系数会错误反映多传或少传数据的影响。

国际电信联盟 2025 年关于测量 AI 环境影响的报告指出，过度依赖间接估算、缺乏实证测量是一个紧迫的问题。

## 透明度在改善吗？ {#is-transparency-getting-better}

**从大多数指标看，没有。**Luccioni、Gamazaychikov、Alves da Costa 和 Strubell 在 2025 年分析了 AI 模型的环境信息披露，结论是：尽管这些模型的使用在增长，有关其成本和影响的透明度却在下降。

监管开始朝另一个方向推动。根据欧盟《人工智能法案》（AI Act），通用 AI 模型的提供者必须记录其模型已知或估算的能耗（附件 XI）。这些文件提交给监管机构和下游提供者，而不是向公众公开；在无法测量时，也允许使用估算值。

## 好的测量应当是什么样子？ {#what-would-good-measurement-look-like}

**一个可以复现的数据：测量了什么、怎么测、边界在哪里、用的什么硬件、针对什么任务。**一些有用的基础工具已经存在：

- **开放基准测试**，例如 ML.ENERGY Leaderboard，它在已知硬件上测量开放模型的推理能耗；还有正在出现的[能效标签和基准测试](/zh/文章/ai-的能效标识与基准测试/)。
- **标准**，例如 ISO/IEC 21031:2024《软件碳强度（SCI）规范》，它根据能耗、电网碳强度和隐含排放，定义每个功能单位的碳排放率。
- **能耗与准确性一并报告。**便宜但错误的答案并不高效。能耗数据应与结果质量一起报告，并说明需要多少返工。

测量还需要深入到比“数据中心”更细的层级：一次请求、一个模型，或一行代码。正是这种归因，让工程师能找到并修正成本高昂的部分。

## 下一步怎么做 {#what-to-do-next}

- 看到 AI 能耗数据时，问一问：谁测的、边界在哪里、是计量还是估算？
- 在您使用的硬件上测量自己的工作负载；请参阅[测量 AI 能耗](/zh/良好实践/如何测量-ai-的能耗和碳排放/)。
- 发布任何数据时都说明边界和方法；请参阅[做出诚实的绿色声明](/zh/良好实践/关于-ai-的诚实环保声明/)。
- 要求供应商提供每项任务的实测能耗，而不是营销比率；请参阅[可持续的 AI 采购](/zh/良好实践/可持续的-ai-采购/)。
- 在[产品目录](/zh/产品/)中寻找有用的工具，在[顾问目录](/zh/顾问/)中寻找专家帮助。

## 常见问题

### 为什么我无法比较 ChatGPT 和 Gemini 的能耗？

因为已公布的数据是自报的，涵盖的范围不同，所用方法也未完全公开。其中一个可能计入了数据中心的额外开销和闲置容量，另一个可能没有。在两者以相同方式测量之前，直接比较并不可靠。

### 估算 AI 能耗与测量 AI 能耗有什么区别？

测量是在工作运行时从硬件传感器或电表读取功率。估算则根据芯片额定功率、利用率和运行时间等假设来计算能耗。在无法测量时，估算很有用，但可能偏差很大。

### 什么是系统边界？

决定哪些部分被计入的那条界线。窄边界只计算 AI 芯片；宽边界还会加上服务器、冷却、闲置容量、网络、用户的设备以及硬件的制造。

## 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)
- [Misinformation by omission: the need for more environmental transparency in AI](https://arxiv.org/abs/2506.15572), Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- [Measuring what matters: how to assess AI's environmental impact](https://www.itu.int/hub/publication/s-gen-gda-001-2025/), International Telecommunication Union (2025)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon project (2020)
- [The ML.ENERGY benchmark: toward automated inference energy measurement and optimization](https://arxiv.org/abs/2505.06371), Chung et al., NeurIPS Datasets and Benchmarks (2025)
- [ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification](https://www.iso.org/standard/86612.html), ISO/IEC and Green Software Foundation (2024)
- [Network energy use not directly proportional to data volume](https://doi.org/10.1111/jiec.13512), Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- [Regulation (EU) 2024/1689 (AI Act), Annex XI](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Union (2024)
