# 绿色 AI 与“AI 助力绿色”：有什么区别

> 绿色 AI 减少 AI 本身的足迹；“AI 助力绿色”用 AI 应对气候与自然问题。两者有何不同、为何相辅相成，以及如何判断净效益。

Source: https://greenai.guide/zh/文章/绿色-ai-与-ai-助力绿色-有什么区别/  
Updated: 2026-11-20

## 简而言之

狭义的绿色 AI 是指减少 AI 本身的环境足迹，包括能源、碳、水和硬件。“AI 助力绿色”是指用 AI 支持气候和环境行动，从预测可再生能源发电、发现甲烷泄漏，到洪水预警和天气预报。两者密不可分，因为一个应对气候问题的 AI 项目，只有节省的多于消耗的，才真正有益。

## 要点

- 绿色 AI 减少 AI 本身的足迹；“AI 助力绿色”用 AI 减少其他领域的排放，或帮助人们适应气候变化。
- “AI 助力绿色”涵盖减缓（减少排放）以及适应与韧性（应对气候变化带来的影响）。
- 国际能源署估计，广泛采用现有的 AI 解决方案，到 2035 年可减少相当于能源相关排放约 5% 的排放量，但它也指出这并无保证。
- “AI 助力绿色”项目应计算自身的足迹，并与其避免的排放或损害相比较，同时如实给出不确定性范围。
- 好的“AI 助力绿色”项目会践行绿色 AI：使用够用的最小模型、测量能耗，并留意反弹效应。

两个听起来几乎一样的说法，描述的却是相当不同的工作。“绿色 AI”关乎 AI 给地球带来的成本，“AI 助力绿色”关乎 AI 能为地球做什么。本文解释两者的区别，分别给出真实的例子，并说明为什么最好的项目两者都需要。

## 绿色 AI 和“AI 助力绿色”有什么区别？ {#what-is-the-difference-between-green-ai-and-ai-for-green}

**绿色 AI 减少 AI 本身的环境足迹；“AI 助力绿色”用 AI 支持气候和环境行动。**前者向内看 AI 系统，后者向外看 AI 所应用的问题。

- **绿色 AI**，按大多数人所指的狭义理解，关注 AI 使用的能源、碳、水和硬件。它包括更高效的模型和代码、测量能耗、使用更清洁的电力、延长硬件的使用寿命，以及充足性：只在值得的地方使用 AI 或大模型。
- **AI 助力绿色**把 AI 应用于环境问题。它既包括减少排放，也包括帮助人类和自然应对不断变化的气候。

在本网站，[什么是绿色 AI？](/zh/文章/什么是绿色-ai/)把“绿色 AI”作为涵盖这两种含义的总称，并把狭义的含义称为“更绿色的 AI”。区别是一样的：无论用什么词，最好都说明指的是哪一种。

## “AI 助力绿色”包括哪些内容？ {#what-does-ai-for-green-include}

**大致有两类气候工作：减缓，即减少排放；适应与韧性，即减轻气候变化造成的损害。**Rolnick 等人 2019 年的论文《*Tackling climate change with machine learning*》（用机器学习应对气候变化）梳理了这两方面，从智能电网到灾害管理。该论文由 Climate Change AI 发布。这是一个 2019 年成立、由志愿者运营的非营利组织，如今在这一领域举办研讨会、暑期学校并提供创新资助。

### 减缓：减少排放 {#mitigation-cutting-emissions}

- **电网：**预测风电、光伏出力和用电需求，使电网能以更少的化石能源备用来平衡供需。
- **甲烷与排放探测：**联合国环境规划署于 2023 年推出的甲烷预警与响应系统（MARS）利用卫星数据，结合科学专业知识和 AI，免费发送大规模甲烷排放警报。IEA 报告称，2025 年只有约 12% 的通知得到了回应，这提醒我们，探测只有在有人采取行动时才有用。
- **材料发现：**Google DeepMind 的 GNoME 项目于 2023 年在《*Nature*》上报告，图网络识别出 220 万种晶体结构，其中 38.1 万种是新发现的稳定材料，可作为开发更好的电池和太阳能电池的起点。每一种候选材料仍需实际制备和测试。
- **建筑与工业：**DeepMind 于 2016 年报告，机器学习可以持续将 Google 数据中心的冷却能耗降低 40%。
- **农业与土地利用：**通过卫星图像监测作物、土壤和森林砍伐。

### 适应与韧性：应对气候变化 {#adaptation-and-resilience-coping-with-climate-change}

- **天气与气候预报：**机器学习天气模型 GraphCast 在 1,380 个检验指标中的 90% 上优于最准确的业务确定性预报系统，不到一分钟就能生成一份 10 天的全球预报。2025 年 2 月 25 日，欧洲中期天气预报中心（ECMWF）将其基于机器学习的人工智能预报系统（AIFS）投入业务运行。ECMWF 表示，它在许多指标上优于基于物理的模型，而每次预报的能耗约为其千分之一。
- **洪水预警：**Nearing 等人于 2024 年在《*Nature*》上发表研究表明，在没有水文站的流域，AI 洪水预报提前五天的可靠性，与一个领先的全球系统当天预报的可靠性相当或更高。他们的模型为一个预警系统提供数据，在 80 多个国家发布免费的公共预报。
- **野火和热浪预警、灾害响应、水资源管理以及生物多样性监测**，例如通过红外相机和录音识别物种。

## 两者如何比较？ {#how-do-they-compare}

**两者在目标、参与者和成功标准上各不相同，但有一个共同风险：声称有效益，却从未测量。**

| | 绿色 AI | AI 助力绿色 |
|---|---|---|
| **目标** | 减少 AI 使用的能源、碳、水和材料 | 用 AI 减少其他领域的排放或减轻气候损害 |
| **谁来做** | AI 开发者、数据中心和芯片设计者、IT 和采购团队、日常用户 | 气候和地球科学家、能源公司、预报人员、自然保护组织、政府，以及与之合作的 AI 专家 |
| **成功是什么样** | 每个有用结果的能耗和碳排放更少，总用量更低 | 经测量的避免排放量、更早的预警、挽救的生命和节省的资金 |
| **方法举例** | 更小的模型或蒸馏模型、量化、能耗测量、碳感知调度、延长硬件寿命 | 预报、卫星图像分析、电网和建筑优化、材料筛选 |
| **主要风险** | 节省下来的被更多使用消耗掉（[反弹效应](/zh/术语表/#rebound-effect)）；只讲能效、不讲总量 | 足迹大于效益；效益是假设的而非测量的；探测结果无人采取行动 |

## AI 对气候是好是坏？ {#is-ai-good-or-bad-for-the-climate}

**两者都有，结果取决于怎么用。**国际能源署 2025 年的《*Energy and AI*》报告预计，在基准情景中，数据中心用电产生的排放将从目前的 1.8 亿吨增长到 2035 年的 3 亿吨。它还估计，广泛采用现有的 AI 解决方案，到 2035 年可减少相当于能源相关排放约 5% 的排放量：远多于数据中心的排放，但远少于应对气候变化所需的减排量。

IEA 对第二个数字持审慎态度。它指出，需要克服采用方面的障碍；反弹效应，例如人们从公共交通转向自动驾驶汽车，可能削弱这些效益；而且 AI“并不是灵丹妙药”。Kaack 等人 2022 年在《*Nature Climate Change*》上发表的文章，提供了一个有用的思考框架。他们把 AI 对排放的影响分为三类：

1. **与计算相关的影响：**AI 使用的能源和硬件。
2. **直接应用影响：**使用本身的直接效果，例如少烧的燃料。
3. **系统层面影响：**行为和需求的更广泛变化，包括反弹。

绿色 AI 作用于第一类，“AI 助力绿色”作用于第二类。第三类对两者都可能有利，也可能有害。

## 为什么绿色 AI 和“AI 助力绿色”密不可分？ {#why-do-green-ai-and-ai-for-green-belong-together}

**因为“AI 助力绿色”项目只有节省的多于消耗的才真正有益，而绿色 AI 正是压低消耗的办法。**出于气候目的，并不会让足迹消失。

许多“AI 助力绿色”的任务很适合践行绿色 AI。天气、洪水和电网预报都是为单一任务构建的专用系统；ECMWF 报告称，其 AIFS 每次预报的能耗约为原来的千分之一。这个数字只针对生成预报；完整的核算还应计入模型训练。风险出现在项目动用大型通用模型、不必要地频繁重新训练，或运行规模超出其效益所能证明的程度时。Luccioni、Strubell 和 Crawford 认为，能效提升可能带来更多使用，因此项目应关注其总足迹，而不仅仅是每项任务的能效（参见[效率不等于充足](/zh/文章/效率不等于充足-ai-中的反弹效应/)）。

因此，好的“AI 助力绿色”项目会践行绿色 AI：

- 选择能解决问题的最简单方法，有时是经典统计方法或物理模型；
- [测量训练和运行系统的能耗](/zh/良好实践/如何测量-ai-的能耗和碳排放/)；
- 在电力更清洁的地点和时段运行；
- 复用现有的模型和数据，而不是从头训练。

## 如何评估“AI 助力绿色”项目的净效益？ {#how-do-you-assess-the-net-benefit-of-an-ai-for-green-project}

**把 AI 自身的足迹与它相比没有它的情况所避免的排放或损害相比较，并给出不确定性范围。**Kaack 等人呼吁把这类影响评估列为优先事项。

1. **计算 AI 的足迹。**包括训练、重新训练、日常使用、数据存储，并尽可能计入硬件的隐含碳。能测量的就测量，不要猜测。
2. **确定反事实情景。**没有 AI 会怎样：沿用现有预报、人工检查，还是什么都不做？效益只是两者之间的差值。
3. **估算避免的排放或损害。**在有测量结果的地方使用测量结果，例如实际修复的泄漏或实际节省的能源，而不只是探测或预测的次数。
4. **计入反弹和系统效应。**问一问：某项活动变得更便宜或更容易之后，是否会导致这项活动增多。
5. **说明不确定性。**给出范围，列明假设，并在系统投入使用后重新审视估算。

如果即使在范围的悲观一端，效益仍是足迹的许多倍，那么理由就很充分。如果两者接近，或者效益未经测量，就要谨慎对待这一说法。参见[测量是瓶颈](/zh/文章/测量是绿色-ai-的瓶颈/)和[诚实的绿色声明](/zh/良好实践/关于-ai-的诚实环保声明/)。

## 下一步怎么做 {#what-to-do-next}

- 阅读[什么是绿色 AI？](/zh/文章/什么是绿色-ai/)了解核心定义。
- 在启动“AI 助力绿色”项目之前，写下它的反事实情景，以及您将如何[测量其能耗](/zh/良好实践/如何测量-ai-的能耗和碳排放/)。
- 寻找[绿色 AI 和“AI 助力绿色”项目的资助](/zh/资助/)，包括气候和自然基金。
- 在[研究机构名录](/zh/研究/)中查找这一领域的团体。
- 阅读[效率不等于充足](/zh/文章/效率不等于充足-ai-中的反弹效应/)，了解为什么总用量很重要。
- 在[术语表](/zh/术语表/)中查找不熟悉的术语。

## 常见问题

### 什么是“AI 助力绿色”？

“AI 助力绿色”是指用人工智能支持气候和环境行动：一方面减少排放，例如预测可再生能源发电或发现甲烷泄漏；另一方面帮助人们适应，例如通过洪水预警和更好的天气预报。

### 绿色 AI 和“AI 助力绿色”有什么区别？

绿色 AI 关注的是 AI 本身的足迹：让模型、硬件和数据中心消耗更少的能源、碳、水和材料。“AI 助力绿色”关注的是 AI 的用途：把它用于环境问题。一个项目可以属于其中之一、两者兼有，或两者都不是。

### AI 对气候是好是坏？

两者都有，取决于怎么用。国际能源署发现，更广泛地使用现有 AI 应用所能减少的排放，可能远远多于数据中心增加的排放；但它也警告说，这并无保证，反弹效应可能抵消这些收益。

### 绿色 AI 和可持续 AI 有什么区别？

两个说法有重叠，常常互换使用。绿色 AI 通常侧重 AI 的环境足迹；可持续 AI 的含义往往更广，还包括社会和经济方面的影响。

### 如何判断一个 AI 气候项目是否值得它的足迹？

估算构建和运行该 AI 的能耗和碳排放，估算它相比没有它的情况所避免的排放或损害，然后在给出不确定性范围的前提下比较两者。如果效益没有经过测量，这一说法就没有得到证明。

### 有没有 AI 帮助应对气候变化的例子？

有。ECMWF 的 AIFS 等机器学习天气模型已投入业务运行；基于 AI 的洪水预报在 80 多个国家提供免费的公共预警；联合国环境规划署的甲烷预警系统利用卫星数据和 AI 标记大规模甲烷排放。

## 来源

- [Tackling climate change with machine learning](https://arxiv.org/abs/1906.05433), Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
- [About Climate Change AI](https://www.climatechange.ai/about), Climate Change AI (2026)
- [Aligning artificial intelligence with climate change mitigation](https://www.nature.com/articles/s41558-022-01377-7), Kaack et al., Nature Climate Change (2022)
- [Energy and AI: executive summary](https://www.iea.org/reports/energy-and-ai/executive-summary), International Energy Agency (2025)
- [ECMWF's AI forecasts become operational](https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ai-forecasts-become-operational), European Centre for Medium-Range Weather Forecasts (2025)
- [Learning skillful medium-range global weather forecasting (GraphCast)](https://arxiv.org/abs/2212.12794), Lam et al., Science (arXiv:2212.12794) (2023)
- [Global prediction of extreme floods in ungauged watersheds](https://www.nature.com/articles/s41586-024-07145-1), Nearing et al., Nature (2024)
- [Responding to satellite notifications from the Methane Alert and Response System](https://www.iea.org/reports/responding-to-satellite-notifications-from-the-methane-alert-and-response-system), International Energy Agency (2026)
- [Scaling deep learning for materials discovery](https://www.nature.com/articles/s41586-023-06735-9), Merchant et al., Nature (2023)
- [DeepMind AI reduces Google data centre cooling bill by 40%](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/), Google DeepMind (2016)
- [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)
