驱动AI的可持续未来

来源：市场资讯

（来源：埃森哲中国）

AI正在重塑企业的方方面面，埃森哲研究显示，企业若能完成生成式AI全业务规模化部署，则有望在18个月内实现生产力提升13%，营收增长12%，客户体验改善11%。但这一切的前提是：AI部署本身必须是可持续且高效的。

然而，随着AI的广泛应用，其带来的能源消耗、碳排放与水资源需求也在同步高速增长。企业AI发展的关注点需从“AI性能有多强”转向“AI的资源投入最终能带来哪些实际回报”。

技术繁荣背后的环境压力

AI技术的高效运行，离不开底层基础设施支撑。从高耗能的数据中心到配套的冷却系统，这些关键设施不仅消耗着大量电力和水资源，还会产生大量的碳排放。

预计到2030年，全球AI数据中心的年耗电量预计将突破600太瓦时（TWh），这一数值已超过加拿大全国一年的总耗电量。同时，为满足AI系统高算力运行下的降温需求，每年耗水量或超30亿立方米，相当于挪威、瑞典等国家的年度总用水量。

AI数据中心的碳排放问题同样严峻。有预测显示，未来AI领域的碳排放量将增长11倍，占全球二氧化碳总排放量的比例可能达到3.4%。

值得关注的是，中国AI相关资源消耗与碳排放问题同样突出。若将运营排放与隐含排放纳入统计范围，到2030年，中国数据中心因AI应用而产生的耗电量可能超过1000太瓦时，到2038年，中国AI的年碳排放量峰值预计可能达到6.95亿吨。

可持续AI商数：升级能耗评估体系

解决AI环境足迹问题的首要前提，是对其影响进行精准量化衡量。然而，数据中心能源使用效率（PUE）等传统IT指标存在明显局限性，仅能反映部分资源消耗情况，无法回答核心问题，即企业为AI投入的每一份资源，最终能转化为多少实际业务价值。

为此，埃森哲提出新的衡量指标“可持续AI商数”（Sustainable AI Quotient）。作为多维度综合衡量标准，SAIQ以token（AI输出单位）作为统一计量基准，专门用于评估AI系统将资金、能源、水资源及碳排放等投入转化成实际性能与业务价值的效率。

SAIQ=w₁($/token)+w₂(MWh/token)+w₃(tCO₂e/token)+w₄(m³Water/token)

企业可根据自身战略优先级，动态调整w的权重。例如，成本敏感型企业可提高财务效率（w₁，每个token的成本）的权重占比；强调可持续发展的企业，则可强化碳排放的影响（w₃，每个token的碳排放量）。总之，SAIQ数值越低，表明AI系统的资源转化效率越高，可持续性表现越强。

这一衡量指标将AI可持续发展的抽象目标，转化为可量化、可管理的关键绩效指标（KPI）。它能帮助企业管理者系统性平衡三大核心维度。

左右滑动，查看更多内容

四项举措，迈向AI可持续未来

企业要想优化SAIQ，需从多维度协同发力。我们总结了四大关键举措，助力AI既保持创新力，又具备可持续性。

1

优化模型设计，促进开源生态

从生态维度来看，中国已在全球大模型开源领域占据重要地位。据统计，中国对全球大模型开源生态的贡献度达18.7%，位列全球第二，这为模型设计优化提供了丰富的技术共享土壤与协作空间。

若要提升AI的资源利用效率，还需从模型设计源头突破，加快研发更高效的模型训练和推理方法。如通过模型量化、模型剪枝等轻量化方法，或者对算法进行有针对性调整，在确保模型精度不受损的前提下，大幅降低计算消耗。

这种“不依赖硬件堆砌规模，要依靠设计提升效率”的思路，已得到企业实践的有效验证。DeepSeek团队在投入约600万美元完成基础模型DeepSeek-V3 Base的开发后，仅以29.4万美元的增量成本，便在该基础模型之上完成了DeepSeek-R1模型的强化学习训练。这一成本与效率优势源于其优化后的混合专家架构（Mixture-of-Experts，MoE）：在执行任务时，仅激活千亿参数中的专长子集，从而显著降低计算开销与推理延迟。同时，其独特的token分配策略发挥了关键作用——简单任务消耗更少token，复杂任务则动态生成更多token。

2

推动数据中心脱碳

数据中心作为AI运行的核心基础设施，其能耗与碳排放是AI环境足迹的重要组成部分。推动数据中心脱碳需构建多维度协同策略。

在运营调度层面，前沿企业已探索出“动态扩展”和“智能负载均衡”技术，让服务器仅在有算力需求时启动运行，避免闲置能耗，并优化AI工作负载的调度时间。

在能源供给层面，一些头部科技企业正将数据中心产能规划与可持续项目深度绑定。以阿里云为例，他们通过“分布式光伏部署+清洁电力市场化交易+长期购电协议”的组合路径，系统化推进数据中心向清洁能源转型。谷歌、微软、亚马逊等巨头在布局新数据中心时，会同步推进风电、光伏等可再生能源项目的落地，确保数据中心能源供给中新能源占比持续提升。

同时，先进冷却技术方案成为数据中心降耗脱碳的重要助力。其中，液冷技术正逐步替代传统风冷技术，成为AI时代解决高算力芯片散热难题、降低冷却能耗的主流方向。

3

用AI实现脱碳

AI的部署需依托具体应用场景制定针对性策略，核心目标是实现效益最大化和资源浪费最小化。当前，部分企业存在明显误区，无论任务复杂度高低均采用大模型处理，导致计算资源、能源与经济成本的无效消耗。

战略性部署AI的核心逻辑在于适配性，让适当的模型处理适当的任务，避免资源错配。具体可通过三项策略落地：

借助检索增强生成（RAG）技术优化数据调用模式，仅在核心需求环节调取相关数据，减少冗余计算；

针对常规性、标准化任务，优先选用轻量化领域专用模型，或采用“混合AI+规则驱动”的复合方案，以更低资源消耗满足需求；

仅当面临高复杂度、高价值的核心问题（如多维度决策优化、复杂场景预测等）时，才动用高性能AI系统，确保资源向高价值场景集中。

除模型适配外，机制创新也是推动AI可持续部署的重要抓手。例如，企业可推动AI服务定价模式从传统“固定费率”转向“按实际使用量计费”，通过经济杠杆激励用户合理规划使用需求，倒逼资源利用效率提升。

更为关键的是，需充分释放AI自身对脱碳的赋能价值，利用AI技术优化能源消耗、减少碳排放，形成“以AI促脱碳”的正向循环。在实践中，AI的脱碳赋能已展现明确成效，例如通过AI算法优化建筑暖通空调（HVAC）系统的运行参数（如动态调节温度、风量等），可降低25%的能源消耗，同时保障环境舒适度，实现节能与体验的双赢。

4

代码化治理，从源头管控风险

对企业而言，可持续AI绝非临时补救或一次性补偿可实现的目标，而需将其以代码形式嵌入AI开发、部署、管理的全流程。这离不开对AI生命周期的有力治理，核心在于将可持续需求从AI开发初期便嵌入算法设计和工作流程。

具体而言，就是要把环境因素融入自动化系统。

其一，将AI碳强度（如单位token碳排放）和业务KPI同步纳入追踪范畴，实时监控AI运行中的能源消耗、水资源占用等核心数据；

其二，采用“策略即代码”框架将可持续性阈值转化为可执行的代码规则，动态把控资源使用边界，一旦超出阈值便触发预警或自动调控。

京东物流整合140种交通运输载具和2000多种供应链碳排放因子库，实现了99.5%碳足迹核算的准确性，通过采用节能诊断算法，“北斗+融合定位”等技术，实现“监测-报告-核查-跟踪”（MRV-T）全链条管理闭环，攻克碳排放动态监测盲区，有效降低物流运输路径的碳排放偏差，为AI在垂直领域的可持续治理提供参考。

从资源效率视角重新审视AI价值，再用SAIQ等科学指标进行衡量，企业的可持续发展将从模糊的战略愿景转化为AI战略中可落地、可追踪、可优化的具体成果。这种增长与可持续的平衡，对中国而言更具特殊战略意义。若中国企业能优化模型设计、加速绿色数据中心建设、完善AI治理体系，不仅能推动自身实现低碳转型，更有望在全球可持续科技竞争中抢占先机，为全球AI产业可持续发展提供中国方案。

本文作者

桑杰·波德尔（Sanjay Podder）：埃森哲董事总经理、全球技术可持续创新负责人

沙拉布·库马尔·辛格（Shalabh Kumar Singh）：埃森哲商业研究院高级研究总监

马修·吉朱（Mathew Giju）：埃森哲商业研究院研究总监

(埃森哲中国)