人工智能驱动的洞察有助于世界实现可持续发展目标，但为这项技术供电所需的资源规模十分惊人。
到2028年，人工智能的用电量可能占数据中心电力需求的一半以上，每年消耗的电量相当于美国22%家庭的用电量。
可持续发展必须从一开始就融入人工智能的设计、衡量和治理之中，而不应被视为事后补救。
人工智能（AI）正在改变可持续发展，同时也暴露出一个悖论。它可以优化能源系统、预测气候风险，并加速自然保护和材料领域的突破。然而，训练大型模型、转移海量数据集以及更新专用硬件，都在以惊人的规模消耗电力、水资源和矿产。
我们越是依赖人工智能实现气候目标，超出地球边界的风险就越大。解决方案已经明确：可持续发展必须从一开始就融入人工智能的设计、衡量和治理之中，而不应被视为事后补救。
现在就是行动的时候。根据NTT Data的《面向更绿色明天的可持续人工智能》报告，到2028年，数据中心超过一半的电力可能用于人工智能。届时，仅人工智能每年就可能消耗相当于美国22%家庭用电量的电力。
水资源影响同样令人警醒。训练一个大型模型可能需要数百万升水，即使只是10至50次简单查询，若将冷却和发电过程计算在内，也可能合计消耗约半升水。与此同时，数字基础设施加剧了对关键矿产的需求，使供应链风险加剧。
什么是可持续人工智能？
在过去十年的大部分时间里，人工智能的进展几乎完全以准确率分数和基准测试胜出来衡量。
可持续人工智能将关注重点转向效率与责任。它要求团队以最大限度减少全生命周期环境影响为明确目标，设计、训练、部署和淘汰系统，全生命周期涵盖从原材料开采和芯片制造，到数据处理、训练、推理及报废处理的各个环节。
在实践中，这意味着在满足需求的前提下选择更小或经过蒸馏的模型，复用并微调现有模型而非从头重新训练，并围绕资源效率和透明度构建代码、流程和基础设施。
其结果是对“最先进水平”有了更广泛的定义——既重视任务准确率，也重视生态绩效。
衡量人工智能的可持续性，以降低风险并增强韧性
衡量可持续变革需要的不仅是合规，更需要清晰度和一致性。
与《温室气体议定书》等框架成熟的传统行业不同，温室气体议定书，人工智能在追踪其全生命周期的能源使用、碳排放、水资源消耗和电子废弃物方面，缺乏标准化方法。现有工具可以自动记录数据，但往往以准确性换取易用性，导致组织获得的评估支离破碎且不完整。
由于人工智能的环境影响因地区、基础设施和运营方式而异，有意义的衡量必须整合多样化的数据点，形成全面的、实时的全生命周期评估。
只有这样，组织才能识别高影响阶段（例如硬件制造和大规模模型训练），并果断采取行动，降低风险、增强韧性并创造长期价值。
弥合理论与实践之间的差距
两种实用工具为此指明了方向。诸如AI Energy Score之类的工具将问责机制嵌入模型卡、信息披露和治理之中，推动全行业采用节能实践。
在硬件层面，计算碳强度提供了衡量加速器效率的标准化指标，综合考虑原材料开采、芯片制造和运行能耗产生的排放。
综合来看，这些方法使效率清晰可见、值得投资，推动可持续发展从口号走向路线图。
以下是我们可以立即采取的五项行动，以开始让人工智能更具可持续性。
设计节能模型与架构：将“通过设计实现可持续”设为默认选项
优化数据中心运营与可再生能源使用：计算的地点和时间至关重要
通过循环利用延长硬件生命周期：将硬件视为资产，而非消耗品
负责任地使用数据，减少冗余处理：数据冗余会造成不必要的计算
实施治理保障措施：确保问责机制内置于其中，使可持续发展落到实处
集体行动是实现可持续人工智能的关键
人工智能的环境足迹过于复杂，任何单一主体都无法独自解决。能源供应商、硬件制造商、云服务和数据中心运营商、开发者、投资者、监管机构、客户以及电子废弃物处理合作伙伴，都共同影响着最终结果。
真正的进展来自协作——建立能源和水资源使用的开放基准，采用通用的全生命周期评估方法，分享最佳实践，并推动以效率而非单纯规模为导向的政策。
绿色软件模式和标准化信息披露等行业举措已经在提升基础水平。下一步是让领导者提高上限，贡献数据、成果和案例研究，供他人借鉴。
可持续人工智能作为创新的催化剂
可持续人工智能并非对创新的束缚，而是推动更优工程与更具韧性企业的催化剂。
追求效率的团队能够开发出更快的模型、降低成本，并打造能够平稳扩展的产品。董事会也能在实现净零排放和自然目标方面取得可信的进展。而当人工智能在不透支未来的前提下提供洞察时，社会也将从中受益。
我们的目标清晰明确：构建一个绩效与地球管理共同推进的人工智能生态系统。要实现这一目标，需要从当下的选择做起——衡量重要的事物，以恰到好处的方式进行工程设计，并将可持续发展视为每一个模型、工作负载和采购决策的首要要求。
