greenai.guide

首页 › 绿色 AI 术语表

绿色 AI 术语表

简而言之

本术语表用通俗易懂的语言,解释人们开始了解 AI 环境成本时会遇到的各种术语。条目按英文名称的字母顺序排列。每个术语都有自己的链接,方便网站其他页面直接指向它。

要点

  • 训练只需一次,用来构建模型;推理是此后每一次使用模型。
  • 效率是用更少的资源做同样的事;充分性是先问这项任务究竟是否需要用 AI 来做。
  • PUE 比较数据中心的总能耗与其计算机设备的能耗;1.0 为理想值。
  • 反弹效应是指效率提高使某样东西更便宜,从而导致总使用量上升。

绿色 AI 横跨计算机科学、数学、工程、能源和政策等领域,每个领域都有自己的术语。“模型”、“效率”甚至“AI”这样的词,对不同的人意味着不同的东西。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)发现,人们最希望厘清的恰恰是最基本的术语,因此本术语表从零讲起。条目按英文名称的字母顺序排列(与各条目链接保持一致)。如果缺少您需要的术语,请告诉我们。

智能体 AI(Agentic AI)

能够自行分多个步骤完成任务的 AI,例如搜索、编写代码、运行代码并修复错误,而不是只给出一个回答。由于每一步都要再次调用模型,智能体 AI 消耗的 token(词元)可能比聊天多得多,而陷入循环的智能体会造成大量浪费。参见智能体 AI 与 token 浪费。

AI

人工智能(artificial intelligence)的缩写:能够完成我们通常与人类智能联系在一起的任务的计算机系统,例如识别图像、理解语言或做出预测。在 2026 年的日常用语中,“AI”通常指聊天机器人等大型生成式模型,但这个词也涵盖小得多的系统,比如垃圾邮件过滤器和天气模型,所以最好说明您指的是哪一种。

AI 素养(AI literacy)

明智地理解、使用和评判 AI 所需的知识与技能:了解它能做什么、不能做什么,如何核查它的输出,以及它的成本,包括环境成本。

自动微分(Automatic differentiation)

一种让计算机精确算出计算结果如何随每个输入变化的技术。神经网络正是靠它来学习的(这时称为反向传播),它也用于优化科学模拟。

基准测试(Benchmark)

用于公平比较不同系统的标准测试,例如比较各模型在同一组问题上的准确度,或在同一任务上的能耗。基准测试的价值取决于其中包含的任务和测量方法。

碳感知计算(Carbon-aware computing)

在电力更清洁的时间或地点运行计算任务,例如把一次大型训练推迟到风力充足的时候。它适合不需要即时结果的工作。

碳强度(Carbon intensity)

每单位电力所排放的二氧化碳(或等效温室气体)的量,通常以每千瓦时多少克 CO₂e(二氧化碳当量)表示。它因国家和时段而异,取决于电力有多少来自化石燃料、有多少来自可再生能源。

数据中心(Data centre)

一座装满计算机、存储和网络设备的建筑,配有维持其运行的供电和冷却设施。大多数 AI 聊天机器人都在数据中心运行,而不是在用户的设备上。

扩散模型(Diffusion model)

一种生成式 AI,广泛用于生成图像和视频,它学习如何把随机噪声一步一步变成一幅图像。步骤众多,这也是生成图像比生成短文本耗能多得多的原因之一。

蒸馏(Distillation)

训练一个小型“学生”模型去模仿一个大型“教师”模型,使小模型能以一小部分计算成本,把任务完成得几乎一样好。

边缘 AI(Edge AI)

在数据所在的设备上或其附近运行的 AI,例如手机、摄像头或工厂传感器,而不是在遥远的数据中心运行。它可以节省网络能耗并保护隐私,但小设备乘以数百万台,加起来也很可观。参见边缘还是云端。

效率(Efficiency)

以更少的投入获得同样有用的结果:每项任务消耗更少的能源、时间、水或硬件。效率是绿色 AI 的关键,但由于存在反弹效应,仅靠效率还不够。

隐含碳(Embodied carbon)

制造、运输以及最终处置设备所产生的排放,区别于运行设备产生的排放。对 AI 而言,这包括制造芯片、服务器和数据中心建筑的排放。

能效标签(Energy label)

显示产品耗电多少的简单评级,就像欧洲冰箱上从 A 到 G 的标签。多个团体正在为 AI 模型开发类似的标签,例如 Hugging Face 的 AI Energy Score;欧盟《人工智能法》(EU AI Act)要求通用 AI 模型的提供者记录其已知或估算的能耗。参见AI 能效标签。

微调(Fine-tuning)

在已经训练好的模型基础上,用专业数据再做少量训练,使它在特定任务上表现更好。其成本远低于从零开始训练。

FLOPs

浮点运算(floating-point operations):计算机执行的基本算术步骤(小数的加法和乘法)。统计浮点运算次数是估算模型所需计算量的常用方法。S 大写的 FLOPS 通常指每秒运算次数。

FPGA

现场可编程门阵列(field-programmable gate array):一种出厂后仍可重新配置电路的芯片。FPGA 在特定任务上可以非常高效,并可随模型变化重新编程,但比 GPU 更难编程。

生成式 AI(Generative AI)

根据请求创造新内容的 AI,例如文本、图像、音频、视频或代码。聊天机器人和图像生成器都属于生成式 AI。

GPU

图形处理器(graphics processing unit):一种最初为计算机图形设计、能同时进行大量计算的芯片。GPU 是训练和运行现代 AI 的主要硬件。

绿色 AI(Green AI)

以尽可能低的能源、碳、水和材料足迹来开发和使用的 AI,并且只在能带来真正价值的地方使用。它既包括让 AI 更高效,也包括只在 AI 是合适工具的场合才使用它。参见什么是绿色 AI?。

漂绿(Greenwashing)

做出误导性声明,宣称某产品或机构比实际情况更环保。在欧盟,第 (EU) 2024/825 号指令禁止向消费者做出无法证实的笼统环保声明。参见诚实的环保声明。

推理(Inference)

使用训练好的模型产生输出,例如回答问题或生成图像。每一个 prompt(提示词)都是一次推理,因此对于热门工具来说,只要模型还在使用,推理能耗就会不断累积。

杰文斯悖论(Jevons paradox)

经济学家威廉·斯坦利·杰文斯(William Stanley Jevons)在 1865 年的著作《煤炭问题》(The Coal Question)中指出,更高效的蒸汽机反而使英国烧掉了更多而不是更少的煤。这是反弹效应的极端情形,即效率提高导致总使用量增加。

KV 缓存(KV cache)

键值缓存(key–value cache)的简称。语言模型逐个 token 生成回答时,会保存中间结果(其注意力计算中的“键”和“值”),这样就不必在每一步重新计算。它能节省大量计算,但会占用内存。

大语言模型(Large language model)

在海量文本上训练、用于预测和生成语言的生成式 AI 模型,常简称为 LLM。大多数聊天机器人都建立在大语言模型之上。

延迟(Latency)

从发出请求到得到答复之间的时间。一些绿色 AI 技术会用略高的延迟换取更低的能耗,例如批量处理请求,或等待更清洁的电力。

麦克纳马拉谬误(McNamara fallacy)

把容易测量的东西当成唯一重要的东西,而忽视无法测量之物的错误。在绿色 AI 中,它提醒人们不要只凭方便获得的数字来评判系统,而忽略用水或社会影响等较难计算的危害。

混合精度(Mixed precision)

在不影响结果的前提下,让部分计算使用比其他计算更少的精度位数。较低的精度占用更少的内存和能源。

混合专家(Mixture of experts)

一种由许多专门子网络(“专家”)组成的模型设计,由路由器把每个输入只发送给其中少数几个专家。每次回答只用到模型的一部分,因此能节省计算,不过整个模型都需要载入内存,训练时也要用到全部。

模型(Model)

在 AI 中,模型是把输入转化为输出的已训练系统:即学到的一组数字(参数)以及使用这些数字的结构。在科学和工程中,“模型”也可以指对某个系统的数学描述,例如气候模型,所以最好说明您指的是哪一种。

模型合并(模型“汤”)(Model merging (souping))

把两个或多个模型组合起来,通常是对它们的参数取平均,从而得到一个兼具各自优点的模型,而无需从零训练新模型。“模型汤”(model soups)是 Wortsman 及其同事在 2022 年使用的名称。

多智能体系统(Multi-agent system)

一组相互协作或彼此传递任务的 AI 智能体。它们可以很强大,但如果陷入彼此对话的循环,就可能消耗大量 token 却毫无有用结果。

开放权重模型(Open-weight model)

公开发布其训练参数(权重)、任何人都可以下载和运行的模型,即使其训练数据和代码并未公开。开放权重模型可以在本地运行和调整,其能耗也可以被独立测量。

编排(Orchestration)

协调多个模型、工具或预先构建的组件来完成任务,而不是让一个大模型生成所有内容。参见编排优于生成。

参数(Parameters)

模型内部在训练中不断调整的数字,它们共同储存了模型学到的东西。大语言模型拥有数十亿个参数;例如 Meta 的 Llama 3.1 系列有 80 亿、700 亿和 4050 亿参数三种规模。参数越多,通常每次回答所需的计算就越多。

物理信息神经网络(Physics-informed neural network)

一种在拟合数据的同时被训练为遵守已知物理定律(例如能量守恒)的神经网络。把这些知识内置进去,可以减少所需的数据、参数和训练。

提示词(Prompt)

人们给生成式 AI 模型的指令或问题。清晰、具体的 prompt 通常第一次就能得到好的回答,从而节省时间和能源。

剪枝(Pruning)

删除已训练模型中对输出贡献很小的部分,例如单个权重或整条连接。剪枝后的模型更小、运行成本更低,而准确度往往损失不大。

PUE

电能使用效率(power usage effectiveness):数据中心的总能耗除以其计算设备的能耗。PUE 为 1.0 意味着没有任何能源花在冷却或电力损耗上;数值越低越好。典型数值及其来源请参见托管与数据中心。

量化(Quantisation)

用更少的位数存储模型中的数字,例如用 8 位或 4 位数字代替 16 位或 32 位数字。这样可以缩小模型、降低运行能耗,而质量通常只有少许下降。

反弹效应(Rebound effect)

效率提升使某样东西更便宜或更方便,于是人们用得更多,部分或全部节省被抵消。如果使用量增长到总消耗反而上升,就是杰文斯悖论。参见效率不等于充分。

路由(Routing)

把每个请求发送给最合适的模型,例如简单问题交给小而便宜的模型,只有难题才交给大模型。阈值设得是否恰当很重要:模型太小可能失败,反而需要再用更大的模型尝试一次。

范围一、二、三排放(Scope 1, 2 and 3 emissions)

《温室气体核算体系》(Greenhouse Gas Protocol)的三个类别。范围一是机构拥有或控制的排放源产生的直接排放;范围二是其购买的电力、热力或冷却所产生的排放;范围三是其价值链中的所有其他间接排放,例如所购硬件的制造排放。

小语言模型(Small language model)

参数相对较少、运行成本低廉的语言模型,有时可以在笔记本电脑或手机上运行。对于范围较窄的任务,选得好的小模型可以与大得多的模型相媲美。参见选择合适的模型。

软件碳强度(Software carbon intensity)

绿色软件基金会(Green Software Foundation)提出的一种方法,也已作为 ISO 标准发布,用于计算一款软件每单位工作量(例如每位用户或每次请求)所排放的碳。

主权 AI(Sovereign AI)

由一个国家或地区自己掌控、而不依赖外国提供者的 AI 能力,例如模型、数据和计算基础设施。它也带来自身的可持续性问题;参见主权 AI 与可持续性。

稀疏性(Sparsity)

指模型中的许多数字,或模型对某一输入的许多激活值为零。计算时可以跳过这些零,因此只要硬件和软件支持,稀疏模型的运行成本可以低得多。

脉冲神经网络(Spiking neural network)

一种像大脑一样以短促脉冲(spike)传递信息、在脉冲之间大部分时间处于空闲状态的神经网络。在合适的硬件上,它有望实现极低的能耗,尤其是在边缘端。

充分性(Sufficiency)

只使用真正满足需求所需的资源,包括先问是否根本需要 AI。它与效率相辅相成:效率问的是“怎样用更少的资源做这件事?”,充分性问的是“我们需要做这件事吗?”。

代理模型(Surrogate model)

一种快速的近似模型,经过训练用来替代缓慢而昂贵的计算,例如气候或工程模拟中的某一部分。好的代理模型可以节省大量能源,前提是要核查其准确度。

可持续 AI(Sustainable AI)

一个宽泛的术语,指开发和使用时不会耗尽其所依赖资源的 AI,通常除了环境影响之外,还包括社会和经济影响。它与绿色 AI 有重叠,两个词常被互换使用。

token(词元)

语言模型读取和输出的文本片段,通常是一个词的一部分。OpenAI 给出的英文经验法则是:一个 token 大约相当于四个字符,或约四分之三个单词;其他语言表达同样的意思往往需要更多 token。token 越多,计算就越多。

TPU

张量处理器(tensor processing unit):谷歌专门为机器学习中的计算而设计的芯片。

训练(Training)

通过向模型展示大量数据并反复调整其参数以减少误差,从而构建模型的过程。训练一个大模型可能需要在数千块芯片上运行数月;Meta 报告称,训练其 Llama 3.1 系列共用了 3930 万 GPU 小时。

不确定性量化(Uncertainty quantification)

弄清我们对模型输出能有多大把握,例如给出一个范围而不是单一数字。它有助于判断何时用更便宜的模型就足够、何时需要核查结果。

WUE

水资源使用效率(water usage effectiveness):数据中心现场用水量(以升计)除以其计算设备的能耗(以千瓦时计)。数值越低越好,不过节水的冷却设计可能耗电更多,反之亦然。

常见问题

绿色 AI 和可持续 AI 有什么区别?

这两个词的用法常有重叠。绿色 AI 通常侧重于减少 AI 消耗的能源、碳排放、水和材料;可持续 AI 的范围往往更广,还涵盖社会和经济影响,以及资源能否以被消耗的速度得到再生。

AI 中的 token 是什么?

token(词元)是语言模型读取或输出的文本片段,通常是一个词的一部分。OpenAI 给出的英文经验法则是:每个 token 大约相当于四个字符,或四分之三个单词。

训练和推理有什么区别?

训练是让模型从数据中学习、从而构建模型的过程,通常只做一次,但成本很高。推理是使用训练好的模型来回答问题或生成图像,每当有人使用它时都会发生。

来源

  1. What are tokens and how to count them?, OpenAI Help Center (2025)
  2. Uptime Institute global data center survey 2025, Uptime Institute (2025)
  3. Data center metering and resource guide, Lawrence Berkeley National Laboratory (2017)
  4. GHG Protocol corporate standard, Greenhouse Gas Protocol (2004)
  5. W. Stanley Jevons, The Coal Question, 1865, Yale University, Energy History (1865)
  6. Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al. (arXiv:2203.05482) (2022)
  7. Annex XI: technical documentation for providers of general-purpose AI models, European Commission, AI Act Service Desk (2024)
  8. Directive (EU) 2024/825 on empowering consumers for the green transition, European Union (2024)
  9. Software Carbon Intensity specification, Green Software Foundation (2024)
  10. ISO/IEC 21031:2024 Software carbon intensity (SCI) specification, International Organization for Standardization (2024)
  11. Llama 3.1 8B model card, Meta (Hugging Face) (2024)

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