- 人工智慧對生態環境造成了巨大的影響,因為資料中心消耗大量電力,而且冷卻資料中心需要大量的水。
- 存在一個被稱為準確性和永續性之間平衡的技術難題,其中最準確的模型往往污染最嚴重。
- 綠色人工智慧策略正在實施,旨在優化演算法並向基於再生能源的能源基礎設施轉型。

如今,人工智慧似乎像是某種漂浮在雲端的神奇存在,但實際上它需要極其龐大的實體基礎設施。從推薦電視劇到幫我們發送電子郵件,背後都有一台龐大的機器在運轉,而這會帶來環境成本,我們在享受演算法帶來的便利性時往往忽略了這一點。
這不僅僅是多用一點電的問題;我們談論的是一個全球伺服器基礎設施,它正以驚人的速度消耗資源。從這個意義上講,如果我們不想讓技術進步成為地球健康的負擔,那麼了解如何衡量和減少人工智慧的碳足跡就至關重要。
人工智慧污染來自哪裡?
要進入正題,我們需要區分兩個關鍵階段:訓練和推理。訓練是最耗費資源的階段,模型需要處理數百萬個資料點進行學習,這需要強大的運算能力。例如,GPT-3 的訓練過程排放了約 552 噸二氧化碳,相當於幾輛汽車在其整個使用壽命期間的排放量。
接下來是推理,也就是我們向聊天機器人提問的過程。雖然單次查詢耗電量很小,但由於查詢量龐大,累積起來的電量影響相當可觀。據估計,與生成式系統互動的耗電量可能是傳統Google搜尋的十倍,每次回應最高耗電3瓦時。

這種對能源的巨大需求集中在資料中心,這些工業建築內遍布著日夜運轉的GPU和伺服器。 2022年,該產業的用電量已佔全球電力需求的2%,預測顯示,到2030年,用電量可能會飆升,尤其是在像美國這樣電網壓力已經非常明顯的國家。
看不見的問題:水和硬體
雖然二氧化碳是關注的焦點,但水卻常被忽略。伺服器會產生大量熱量,需要持續冷卻。在許多情況下,需要消耗大量的淡水來防止設備過熱。據估計,每消耗一千瓦時電,大約會有2公升水蒸發,這在原本就容易乾旱的地區造成了令人擔憂的水資源壓力。
此外,我們不能忘記人工智慧不僅僅是軟體,它還需要晶片。 GPU 的製造依賴關鍵礦物和稀土元素的開採,而這個過程會產生大量有毒廢物和化學物質排放。雪上加霜的是,設備更新換代速度也很快:為了滿足性能需求,設備每隔幾年就需要更換一次,這造成了難以回收的電子垃圾堆積如山。
精準與生態之間的兩難困境
事情就變得複雜起來了。這裡存在著一個叫做「準確性-永續性權衡」的現象。簡單來說,如果你想要一個極其精準且推理能力強的AI,就需要一個擁有數十億個參數的模型,這會導致能源消耗飆升。更簡潔的模型雖然更環保,但它們更容易出錯或提供的答案不夠詳細。
最近一項研究表明,一些複雜的任務,例如解決抽象代數問題,產生的排放量可能比回答簡單的歷史問題高出50倍。這說明並非所有人工智慧的污染程度都相同;這完全取決於模型的架構以及我們要求它執行的任務。
更環保的人工智慧策略
為了防止這種情況演變成災難,綠色人工智慧的概念應運而生。與不計成本、只追求最高準確率的「紅色人工智慧」不同,綠色人工智慧注重效率。這包括設計更輕量級的演算法、運用模型蒸餾技術以及優化程式碼以減少所需的數學運算。
另一種解決方案是遷移資料中心。將處理能力轉移到氣候更涼爽或擁有再生能源(例如愛爾蘭的風能或西班牙的太陽能)的地區,可以大幅減少碳排放。甚至一些極端方案也在測試中,例如將伺服器浸入水中或利用廢熱為城市建築供暖。
在能源領域,發展趨勢是全面脫碳。微軟和谷歌等巨頭正努力在2030年前實現淨零排放,他們透過清潔能源購買協議或探索利用小型模組化反應器(SMR)等核能技術為其伺服器集群供電,從而在不排放溫室氣體的情況下實現這一目標。
人工智慧作為環境的盟友
並非全是壞事。令人驚訝的是,造成污染的技術也可能成為拯救我們的工具。人工智慧在優化流程方面非常出色。例如,它被用於管理智慧電網,即時平衡供需,並在發電高峰期更有效地利用風能或太陽能。
在農業領域,演算法能夠透過精準農業實現水肥的精準施用,從而避免浪費。在交通運輸領域,人工智慧驅動的路線優化可以降低物流車隊的燃油消耗。總而言之,如果運用得當,人工智慧可望在本世紀末幫助全球減排5%至10%。
轉型為永續技術取決於企業的數據透明度,以及我們用戶意識的提升。歸根究底,只有在運算能力與尊重自然資源之間取得平衡,才能使人工智慧真正智慧化,而不是成為地球的另一個負擔。


