AI 与可持续发展

AI 正在快速改变产业，并具有推动可持续发展进展的巨大潜力，包括加速净零能源转型、增强气候韧性等。但 AI 部署也会增加能源和水资源需求。要确保 AI 推进而不是加剧环境风险，需要主动塑造其研发、运行和应用方式。

核心要点

• 当前 AI 计算占全球能源和水资源消耗的比例仍很小，但部分地区的快速增长已经对当地电网和水资源造成压力。需要投资本地电网能力，并通过软硬件创新提高效率。
• 虽然人们越来越担心 AI 的环境影响，但研究者和实践者认为，AI 最大的可持续发展影响——无论正面还是负面——更可能来自其如何部署和使用，而不是训练和运行模型本身消耗的能源。
• AI 可以成为气候与可持续发展目标的重要推动器。除提高行业效率、降低碳排放外，AI 还在先进电池材料、碳移除技术和高精度气候建模等领域加速突破。

本章主席： Eric Horvitz；Hiroaki Kitano

背景与历史

AI 技术已经发展数十年，但近期大型语言模型及其广泛采用，正在推动高计算强度 AI 工具进入越来越多行业。随着计算强度和使用规模增长，人们越来越关注 AI 的环境足迹，尤其是能源与水资源消耗。

与此同时，AI 也正在成为具有变革潜力的可持续发展工具。要实现经济电气化、扩大可再生能源、工业脱碳以及提高可持续粮食产量等目标，需要系统性转型。AI 可以通过改善环境监测、优化能源系统、提升行业效率和加快材料发现提供支持。

国际组织也开始把 AI 与可持续发展目标对齐。国际能源署（IEA）推出“Energy for AI and AI for Energy”，研究 AI 如何推动能源创新，同时管理自身资源需求。2025 年还启动了 AI Energy Score。法国与 UNEP、ITU 合作成立 Coalition for Sustainable AI，以制定降低 AI 环境影响的指南和最佳实践。

当前状态与趋势

AI 计算的资源需求上升

生成式 AI 快速扩张显著提高数据中心的能源和水需求。训练 GPT-3（1750 亿参数）据估计消耗 1,287 MWh 电力并产生约 552 吨 CO₂ 排放 [1]。

长期看，推理工作负载可能比一次性训练产生更大的累计能源足迹。

2023 年，数据中心约占全球电力需求的 2%，全球温室气体排放不到 1%。AI 工作负载在 2022 年约占数据中心用电的 1%，到 2026 年预计升至约 9%。

全球数据中心电力需求到 2030 年可能翻倍，但取决于市场、算法和硬件效率。地区差异明显：欧盟数据中心用电快速增长；美国 2023 年数据中心用电超过全国用电的 4%，到 2028 年可能达到 7%–12%。

高能效 AI 与基础设施

主要方向包括：

• 提高 GPU 等硬件单位计算效率；
• 根据任务强度合理分配 GPU 与 CPU；
• 使用面向特定任务的小型语言模型（SLM）；
• 使用液冷及无水冷却技术；
• 优化数据压缩、存储和边缘计算；
• 采用需求响应与负载迁移，把计算移到低成本或低碳电力时段。

AI 用于可持续发展

AI 可用于预测、优化和科学发现，在能源电网、水管理、工业运行、野生动物保护、交通、材料科学和碳捕集等方面发挥作用。

AI 可改善水文预测、灌溉与灾害准备；可用于漏水检测、洪水和热浪预测；也可提高物种识别和保护效率。

智能电网利用 AI 做需求预测、负载平衡和可再生能源整合，预测性维护也可减少电网故障。

材料科学是另一重点。AI 可以快速扫描大规模材料组合，加速电池、碳捕集和低碳工业材料发现。例如 Microsoft 与 Pacific Northwest National Laboratory 在九个月内识别出新的固态电池电解质。

研究挑战

AI 不一定天然产生净正面的可持续发展效应。关键研究方向包括：

• 设计低计算、低水资源消耗的高能效 AI；
• 发展真正推动可持续发展的 AI 应用；
• 建立强健的情景建模和数据收集机制；
• 改进能源与水使用的标准化披露；
• 建立覆盖直接资源消耗与间接系统效应的评估框架。

很多环境和工业数据不完整、专有或偏向高收入国家。水资源、生物多样性等领域尤其存在数据缺口。AI 自身能耗和用水数据也缺乏统一披露标准。

长期影响还受到 Jevons 悖论影响：单次计算效率提高可能降低成本并扩大总体使用量，最终使总能耗继续增加。

因此需要多情景分析，评估不同 AI 普及路径下的能源、水、排放和产业系统影响。

资源高效 AI 的重要策略包括：

• 优化模型架构；
• 开发低能耗专用硬件；
• 实现碳感知调度；
• 加强 AI 在储能、碳移除、电力传输、泄漏检测、生物多样性和交通优化等领域的定向应用。

社区意见

调查显示社区意见明显分化：

• 约 35% 认为 AI 应对气候问题的潜力超过其环境伤害；
• 另有约 35% 不同意；
• 超过 70% 认为数据密集型 AI 显著影响全球资源消耗；
• 57% 担心 AI 能耗会减慢 AI 研究；
• 近 75% 认为最需要高能效训练与推理技术。

在“AI 对可持续发展最大潜在贡献”方面，超过 30% 选择物流、交通和基础设施优化；约 10% 分别选择 CO₂ 减排、农业、灾害预测和循环经济；约 5% 选择生物多样性保护。

参考文献

原报告共列出 25 项参考文献，涵盖大型模型碳排放、IEA 数据中心报告、美国数据中心能耗、SLM、计算可持续性、气候机器学习、智能电网、材料发现与 Jevons 悖论等。完整书目信息见原报告第 52 页。