# 边缘 AI：更环保，还是只是更不显眼？

> 端侧和边缘 AI 可以节省网络和数据中心的能耗，却把计算分散到无人测量的数十亿台设备上。我们知道什么，又不知道什么。

Source: https://greenai.guide/zh/文章/边缘-ai-更环保-还是只是更不显眼/  
Updated: 2026-11-19

## 简而言之

在手机、传感器和本地服务器上运行 AI，而不是在遥远的数据中心运行，可以减少传输数据的能耗并保护隐私。但这会把计算分散到数十亿台设备上，而这些设备的能耗和制造足迹很少有人测量。边缘 AI 是否更环保，取决于模型、设备、运行频率以及它替代的是什么，而相关证据仍然很少。

## 要点

- 边缘 AI 在采集数据的设备上或其附近运行模型，而不是在中心化的数据中心运行。
- 它避免了通过网络传输数据（网络传输要耗能），并能保护数据隐私，但放弃了共享、满负荷运行的服务器所具有的效率。
- 比较边缘推理与云端推理的研究结论不一；结果在很大程度上取决于模型、硬件和比较基准。
- 制造设备的碳成本很高，因此缩短设备寿命或要求购买新硬件的 AI 功能，其代价可能超过节省的能源。
- 边缘 AI 难以测量和监管，因为没有数据中心电表，没有 PUE，也没有报告义务。

关于 AI 能耗的讨论大多集中在数据中心，因为大电表都装在那里。但越来越多的 AI 运行在别处：手机、笔记本电脑、汽车、摄像头、门铃和工厂传感器上。这就是“边缘 AI”。它可能是解决 AI 环境足迹问题的办法之一，也可能只是把足迹转移到了没人统计的地方。

## 什么是边缘 AI？ {#what-is-edge-ai}

**边缘 AI 在采集数据的设备上或其附近运行模型，而不是把数据发送到遥远的数据中心。** “端侧”（on-device）AI 是其中的极端情形：模型直接在手机或传感器上运行。

边缘 AI 已经很常见：

- Apple 2025 年的技术报告介绍了一个约 30 亿参数的端侧语言模型，它采用 2 位量化感知训练进行压缩，从而能够装进手机和笔记本电脑并在其上运行。
- Google 的 Android AICore 服务让应用可以在受支持的 Pixel 和三星手机上使用 Gemini Nano，这是一个在设备上运行的模型。
- 工业摄像头、无人机、汽车和医疗设备在本地运行视觉和控制模型，因为它们不能等待网络连接，也不能依赖网络连接。

设备数量庞大且仍在增长。据 IoT Analytics 统计，截至 2024 年底，联网的物联网设备约有 185 亿台（不含手机、个人电脑和平板电脑），预计到 2030 年将达到约 390 亿台。

## 为什么边缘 AI 可能节能？ {#why-might-edge-ai-save-energy}

**因为传输数据要耗能，而本地处理可以避免这部分能耗。** 它还能让敏感数据留在原地。

国际能源署（International Energy Agency）估计，数据传输网络的用电量约占全球电力的 1–1.5%，与数据中心的占比相近。在采集数据的地方处理数据、只发送结果，可以减轻这部分负担。

但有一点需要注意。Mytton、Lundén 和 Malmodin 在 2024 年指出，网络能耗与数据量并不成正比：无论是否有数据流动，网络的大部分电力都会被消耗。少发送数据并不能一比一地节省能源，因此简单的“每千兆字节多少千瓦时”估算会高估节省量。

其他潜在好处：

- **隐私与主权。** 从不离开设备、医院或电网运营商的数据，不会在传输中泄露，也不会被第三方使用。
- **韧性。** 网络或云服务中断时，本地模型仍能继续工作。
- **时延。** 无需往返传输即可得到结果，这对车辆和机械很重要。

## 为什么边缘 AI 可能代价更高？ {#why-might-edge-ai-cost-more}

**因为小型设备的效率通常不如大型、共享、满负荷运行的服务器，而且制造设备的碳成本很高。**

- **利用率。** 数据中心的加速器可以把许多用户的请求批量处理，并保持忙碌。手机或传感器只运行一个用户的请求，然后就闲置下来。
- **制造。** Meta 的 Wu 及其同事在 2022 年报告说，来自硬件制造的隐含碳正在成为 AI 总体足迹的主要来源，并指出转移到边缘的计算可能运行在难以获得可再生能源的地方。需要新手机、或让旧手机显得卡顿的 AI 功能，会增加制造排放，其量可能超过节省的任何能源。
- **成倍放大。** 每台设备的小成本，乘以数十亿台设备，就是一笔大成本。一个持续运行模型的门铃或摄像头，总能耗可能超过偶尔调用云端所需的能耗。

## 证据怎么说？ {#what-does-the-evidence-say}

**证据不一，并且在很大程度上取决于比较对象。** Li、Islam 和 Ren（2025）比较了生成式 AI 在云端和边缘设备上的推理，发现多个模型在边缘部署时环境足迹更小；在他们于一款新近手机上的测试中，能耗节省超过 90%。他们的云端基准并不是完全优化的生产服务，这一点很重要：高效数据中心里批处理良好的服务器是更难超越的基准。

追踪整个 AI 服务（从设备、经网络到数据中心）的端到端研究仍然很少，对大语言模型而言尤其如此。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）把对数百万台设备上边缘 AI 净能耗效应的建模列为一个悬而未决的问题。

## 为什么边缘 AI 难以测量和监管？ {#why-is-edge-ai-hard-to-measure-and-regulate}

**因为没有统一的电表。** 数据中心会报告能耗和电能使用效率（PUE），在欧盟，较大的数据中心必须向一个统一的机制报告。手机、传感器和桌边 AI 工作站则没有这样的义务。

这部分能耗即使显现出来，也只是电池消耗，或者分摊到数百万家庭和企业的、略高一些的电费。这样一来，很容易声称把工作转移到边缘节省了能源，却没有人能够核实。参见[测量是瓶颈](/zh/文章/测量是绿色-ai-的瓶颈/)。

## 怎样让边缘 AI 更环保？ {#what-makes-edge-ai-greener}

**使用小而高效的模型，只在需要时运行，并运行在人们已经拥有的硬件上。** 降低数据中心能耗的方法，在依靠电池的设备上更加重要：

- 压缩模型：剪枝、量化和蒸馏。参见[让 AI 更高效的数学](/zh/文章/让-ai-更高效的数学/)。
- 事件驱动处理：在有事发生时才唤醒模型，而不是持续运行。
- 需要用到云端时，发送摘要而不是原始数据。
- 支持旧设备，让 AI 功能不会迫使人们更换设备。

GreenCode 是一个关于节能软件的欧洲研究项目，它也提出了同样的观点：经过调优的小模型、用检索代替蛮力堆砌上下文、把任务路由给最便宜的胜任组件，以及合理调度，这些才是让 AI 在电池供电和受限硬件上可行的关键，因为在这些场景中根本没有多耗能的余地。

## 下一步怎么做 {#what-to-do-next}

- 逐个案例决定使用边缘还是云端，可参考[边缘还是云端？](/zh/良好实践/边缘还是云端-ai-应该在哪里运行/)中的问题。
- 既要计算运行能耗，也要计算制造能耗，并避免需要新硬件的功能。
- 在测试中测量设备能耗，而不只是准确率和速度。
- 按事件运行模型而不是持续运行，并发送结果而不是原始数据。
- 如果您采购边缘 AI 产品，请向供应商索取每次推理的能耗和受支持的设备寿命。参见[可持续 AI 采购](/zh/良好实践/可持续的-ai-采购/)。

## 常见问题

### 什么是边缘 AI？

在采集数据的设备（如手机、摄像头、汽车或工厂传感器）上或其附近运行的 AI，而不是在远程数据中心运行的 AI。

### 端侧 AI 对环境更好吗？

有时是。它可以省去把数据发送到云端的能耗，但小型设备的效率不如共享服务器，而且新的 AI 功能可能促使人们购买新硬件。净效果因具体情况而异。

### 端侧 AI 会耗尽手机电池吗？

在手机上运行模型和任何其他高负载应用一样会耗电。厂商使用经过压缩的小模型和专用芯片来降低耗电，但能源仍然被消耗了，而且不会出现在任何数据中心统计中。

## 来源

- [Data centres and data transmission networks](https://www.iea.org/energy-system/buildings/data-centres-and-data-transmission-networks), International Energy Agency (2023)
- [Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations](https://doi.org/10.1111/jiec.13512), Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- [Number of connected IoT devices (State of IoT 2025)](https://iot-analytics.com/number-connected-iot-devices/), IoT Analytics (2025)
- [Apple Intelligence Foundation Language Models: Tech Report 2025](https://arxiv.org/abs/2507.13575), Apple (2025)
- [Gemini Nano with Android AICore](https://developer.android.com/ai/aicore), Google, Android Developers (2024)
- [A case study of environmental footprints for generative AI inference: cloud versus edge](https://escholarship.org/uc/item/2kc978dg), Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (2026)
