人工智能的碳排放是多少？

人工智能的碳排放主要由兩部分組成：制造IT設備和建設數據中心產生的“隱含”排放，以及計算機芯片在執行人工智能相關計算時消耗的電力產生的“運營”排放。隨著越來越多的數據中心建成，以及現有數據中心在高耗電人工智能應用（例如生成式法學碩士搜索和人工智能圖像生成）中的占比不斷增加，這兩方面的排放都在增長。

了解數據中心的電力需求 

目前，人工智能特定應用的電力需求估計不到全球用電量的 1%，甚至可能更低。要理解這個數字，首先要了解全球1.1 萬個數據中心的用電量，這些數據中心的用電量約占2022 年全球用電量的 1.0% 至 1.3%。（這還不包括加密貨幣挖礦帶來的 0.4% 的用電量。）

然而，這些數據中心的大部分計算并非人工智能，而是更傳統的應用，例如電子商務、視頻流媒體、社交媒體和在線游戲。

由于缺乏完善的全球數據集，數據中心的人工智能計算量難以確定。根據已售出的人工智能專用計算機芯片數量（主要是圖形處理器，簡稱 GPU），人工智能應用很可能僅消耗全球約 0.04% 的電力。這些電力消耗產生的溫室氣體排放量約占全球排放量的0.01% 。

盡管如此，人工智能應用的需求仍在快速增長，這可能會推高數據中心的用電量和相關的溫室氣體排放。這一趨勢對美國的影響最為顯著，因為美國擁有全球約一半的數據中心。

目前，數據中心的用電量約占美國電力的4%，但預計到2030年，這一比例將從4.6%的低點到9.1%的高點不等。 

電源如何影響數據中心的排放

用電量大幅增加并不一定會導致溫室氣體排放大幅增加。目前，數據中心所需的電力很大一部分來自風能和太陽能等零碳能源。這是因為領先的數據中心運營商，尤其是亞馬遜、Meta 和谷歌，簽署了大型企業購電協議 (PPA)。

雖然人們的注意力主要集中在清潔能源交易上，例如微軟與 Brookfield Renewables達成協議，從 2026 年開始購買 10 吉瓦的可再生能源，以及與 Constellation Energy 達成單獨協議，從 2028 年開始購買 0.8 吉瓦的核電，但美國科技公司多年來一直在購買可再生能源，并且已經簽約到 2022 年底購買超過 35 吉瓦的清潔電力 。

使用低碳電力意味著這些數據中心的凈排放量低于電力消耗數字所顯示的水平。當然，一個關鍵的考慮因素是，這些低碳電力是否真正“額外”？

這意味著它是新增到電網中，而不是簡單地從其他用途中抽取。數據中心運營商正在擴展其傳統的風能和太陽能購電協議，并探索新的方法來達到這一標準，包括美國和肯尼亞的地熱項目。

然而，至少在短期內，數據中心人工智能應用的預計電力需求難以完全依靠低碳電力滿足。盡管2023年風能、太陽能和電池項目的裝機容量將超過30吉瓦，但在美國許多地區，這些發電廠面臨著越來越長的并網審批等待時間。

地熱能和水力發電雖然能夠提供穩定的（“基載”）低碳電力，但在短期內仍將受到限制。此外，從重啟全尺寸反應堆到新型小型模塊化反應堆（SMR），擴大核電規模的意愿面臨著巨大的監管、成本和供應鏈障礙。 

一種尚未得到足夠重視的重要低碳電力來源是配備碳捕獲和儲存（CCS）的天然氣發電。這項技術有可能顯著減少現有發電廠的排放，并使新項目實現接近零排放。 

隱含排放在數據中心建設中的作用

隱含排放包括與建筑材料的提取、生產、運輸、建造和處置相關的所有排放。 

建造數據中心會產生大量的隱含排放，包括混凝土、鋼材和IT 硬件。數據中心的范圍 3 溫室氣體排放（包括隱含排放）約占其整個生命周期排放量的三分之一到三分之二。2020 年至 2023 年間，微軟的碳排放增長了 30%，這主要是由于與鋼材、混凝土和芯片制造相關的排放。

為此，微軟已開始在一些數據中心建設中使用木材來減少這種影響。雖然使用木材可以部分解決問題，但它無法完全抵消哪怕一個設施的排放，而且木材供應鏈仍然有限。 

主要的數據中心運營商正在努力應對這一挑戰，包括強調對關鍵建筑材料進行標準化排放測量和披露的必要性。最終，實現更深層次的脫碳需要采取進一步行動，以解決運營排放和隱含排放問題。

減少人工智能碳排放的八種策略

適應技術架構

效率是任何清潔能源方案的基礎戰略。因此，芯片制造商正在開發從一開始就降低能耗的方法，例如將更多內存直接集成到計算機芯片中，或將基本計算功能硬連線化。這些創新已經大幅降低了新型計算機芯片的能耗，在某些情況下甚至降低了 96%。同樣，服務器的設計也采用了新的架構，以最大限度地減少內部數據傳輸，從而提高效率。

優化訓練地理位置 

直接管理人工智能的能源使用也存在重大機遇。例如，法學碩士 (LLM) 的大部分能源消耗發生在模型發布之前的訓練階段。由于這些訓練任務不受地點限制，因此可以在電力充足、低成本、低碳的地區進行，這體現了動態遷移計算任務以減少排放的更廣泛努力（“碳感知計算”）。

此外，生成性人工智能任務（例如 ChatGPT 搜索）的服務器請求可以通過由低碳電力驅動的系統進行路由。雖然這可能只會增加幾毫秒的延遲，但卻可以顯著減少潛在的排放。

選擇合適尺寸的模型

并非所有生成式人工智能任務（例如 ChatGPT 查詢）的能耗都相同。領先的人工智能公司越來越注重使用更小、更高效的人工智能模型來執行這些任務，以更低的能耗實現幾乎同等的質量。

同樣，許多人工智能應用，例如數字孿生和基于衛星的模式識別，其耗電量遠低于大型語言模型等生成式人工智能系統。例如，一些最先進的人工智能驅動的天氣預報模型所需的能耗遠低于傳統的天氣模擬，而且這些模型是在筆記本電腦而非超級計算機上運行的。

解決甲烷逸散排放問題

隨著數據中心運營商考慮使用天然氣作為新的電力供應，減少天然氣生產和輸送過程中的上游排放將至關重要。在美國，美國環保署的甲烷規則可以將這些非二氧化碳溫室氣體排放量減少約 80%（盡管該規則的未來前景尚不確定）。

此外，Kayrros 等公司和Carbon Mapper等組織開發的人工智能工具有助于檢測甲烷泄漏并將其歸因于特定的運營商。業內最優秀的企業甲烷排放量極低——不到產量的 0.5%。幾乎所有天然氣生產商都能達到這一標準。

在發電廠使用碳捕獲技術

對于新建和現有的天然氣發電廠而言，碳捕獲和封存技術有望實現高可用性的低碳發電。盡管目前許多在運電廠的排放仍未得到控制，但情況并非如此。它們的排放可以被捕獲和封存。超大規模企業和項目開發商應尋求新的投資和商業模式，以減少95%或更多的現有排放量。

對于新一代項目，NetPower、Arbor和CES等方案將很快實現100%的減排目標，如果與生物能源相結合，還能去除二氧化碳，甚至更高。要實現這一目標，需要開發二氧化碳管道、駁船和封存設施，而這些設施本身也面臨著諸多挑戰，例如許可和社區審批，必須立即予以解決。

為電網添加更多零碳能源

美國有超過12,000個太陽能、風能和電池項目面臨并網延遲。這些問題亟待解決。諸如《曼欽-巴拉索法案》之類的許可改革措施或許有助于加快這一進程。一項潛在的創新是利用人工智能加速電力潮流模型的開發，并簡化完成監管流程所需的文書工作。

投資低碳建筑材料

雖然木材是一種很有前景的低碳建筑材料，但我們也需要隱含碳排放量極低的玻璃、混凝土、鋼材、鋁和計算機芯片。超大規模數據中心運營商目前在獲取這些材料的低碳版本方面面臨重大挑戰，這些材料的最終生產將利用低碳氫能、碳捕獲與儲存以及低碳電力。

然而，這些系統的建設需要大量的投資、勞動力開發和許可。如果沒有這些進步，美國、歐洲乃至全球數據中心的隱含碳排放量將迅速大幅增加。

增加二氧化碳去除量

顯而易見的是，數據中心的人工智能應用將產生電力使用和隱含碳排放，這些排放在短期內是無法避免的。目前，溫室氣體排放量估計每年超過3億噸，并且在未來十年內可能還會增長。這些排放應該通過全生命周期分析進行測量，然后通過高質量的碳去除項目（最好是具有高持久性的項目）進行抵消。

為了有效減少人工智能對環境的影響，所有討論的八種策略都必須優先考慮受影響最嚴重的社區：靠近新基礎設施的一線社區、面臨價格上漲的消費者以及法律保護有限的部落當局。規劃應從了解這些社區的需求開始，確保工作重點是最大限度地減少損害，同時最大限度地提高效益。所有策略的規劃、生產和許可的每個階段都必須體現 公平和正義。

結論

人工智能只是電力需求快速增長這一更廣泛趨勢的一部分，其他趨勢還包括電動汽車、熱泵、工業電氣化、綠色氫能以及各種電子燃料。人工智能給超大規模企業、社區、監管機構和投資者帶來的挑戰，預示著其他行業正在出現的復雜而深遠的影響。

實現凈零排放并非要放慢速度或強迫企業遵守規定；而是要促進創新，構建新的解決方案，并嘗試不同的方法。人工智能的碳排放凸顯了清潔電力、電網管理、脫碳和碳去除方面專業知識的迫切需求——隨著越來越多的公司意識到未來道路的復雜性和成本，這些專業知識將變得越來越重要。

幸運的是，人工智能本身可以成為解決方案的一部分。憑借在電網管理、材料科學和先進制造領域的應用，人工智能有潛力在氣候應對中發揮強大作用。