COP31｜技术狂欢与气候危机十字路口：AI能耗账本何时走出“黑箱”

正在土耳其安塔利亚举行的《联合国气候变化框架公约》第三十一次缔约方大会（COP31）上，人工智能在推动社会变革的同时所带来的碳排放与环境成本，正受到前所未有的关注。

在全球数据中心能耗激增、生成式AI碳足迹引发广泛担忧的背景下，本届大会主席国土耳其发起了《安塔利亚AI宣言》（Antalya AI Pledge），旨在推动科技行业提高AI能源消耗、水资源利用与环境影响数据的透明度。数字技术究竟是减碳的利器还是排碳的温床，全球代表将展开激烈辩论。

在这一节点上，可持续人工智能集团（Sustainable AI Group）联合创始人兼首席科学官、Hugging Face前AI与气候负责人萨沙·卢乔尼（Sasha Luccioni）博士长期提出的问题，再次显现出迫切性：如果人工智能本身就是气候问题的一部分呢？

“每次你使用谷歌AI搜索，你都不知道这会消耗多少能源。每次你使用人工智能生成图像，你也不知道这会消耗多少能源。”卢乔尼指出。

对普通用户而言，AI的回答几乎即时出现，支撑它的电力、冷却系统、芯片制造和矿物开采，却隐藏在屏幕之后。如今，随着AI深度进入搜索、办公、软件开发和科研流程，这些看似微小的单次调用成本，正在累积为电力基础设施扩建与资源需求增长的现实压力。

早在2023年，卢乔尼就已将这一问题带向公众。她在TED演讲中介绍了生成式AI背后的能源代价，并参与推动“AI能源评分”（AI Energy Score）系统，尝试像家电能效标签一样，帮助开发者比较模型完成任务时的能源需求。她强调，这些研究并非为了抵制AI，而是帮助人们“选择最合适的工具来完成任务”。

在COP31期间，卢乔尼接受澎湃新闻（www.thepaper.cn）采访时强调：从国际气候承诺到模型能耗测量，从供电设施建设到硬件供应链，AI能否成为可信的气候解决方案，越来越取决于一个前提：它自身的环境能耗账本，能否走出“黑箱”。

COP31聚焦AI环境成本：双重角色下的测量挑战

在全球地缘政治与气候行动进入低谷的背景下，彭博社的报道指出，本周一在土耳其安塔利亚开启的COP31，其谈判议程是自《巴黎协定》取得突破以来十年间主要气候会议中最狭窄的。然而，制约此次进程的两个因素——由地缘冲突引发的能源危机，以及针对人工智能的反弹，却也可能推动新的行动。

其中，人工智能预计将成为本届大会讨论的重点话题，因为它有可能创造“长期商业需求”，从而有助于加速清洁能源发展并扩大气候技术的规模。

但将人工智能视为应对气候危机的潜在解决方案仍然存在争议。这项技术对能源、水和土地的消耗引发了全球范围内许多民众对数据中心的抵制运动，气候非营利组织也对其碳足迹表达担忧。

此前，联合国气候变化框架公约执行秘书西蒙·斯蒂尔将人工智能描述为一种“能源消耗型”技术，会加剧温室气体排放。

在COP31气候大会召开前夕发布的一份报告中，渣打银行将数据中心的发展描述为“既非环境友好，也非本质上不可持续”。报告指出，气候足迹取决于各地的选择。

渣打银行可持续发展负责人德鲁表示：“数据中心的运营效率可以非常高。但关键在于你所做的设计选择和技术选择，这其中也包括对‘好’的定义达成共识，而这正是政策发挥作用的地方，对COP来说至关重要。”

“目前，人工智能对气候的整体影响尚无确切估算。没有人能够给出精确的统计数据，因为各大开发前沿 AI 的核心企业均未公开模型层面的具体能耗、查询量或硬件算力规模。”卢乔尼对澎湃新闻说。

然而，这项技术对电力需求的快速增长毋庸置疑。今年4月，国际能源署表示，到本十年末，专注于人工智能的数据中心的电力消耗量预计将增长两倍。届时，所有数据中心将占全球电力需求的约3%。

谷歌报告称其碳排放量比2019年基准线增加了约50%，微软也报告自2020年以来增加了超过20%，两家公司都将此大幅增长主要归因于数据中心的扩张。卢乔尼认为，尽管外界无法确切掌握具体的能耗与碳排放规模，但可以明确的是，当前的增长趋势正在背离全球既定的可持续发展目标与减排承诺。

这种争议背景下，测量AI环境成本的工作显得尤为迫切。卢乔尼的研究，正是试图建立这样的测量基础。

早在2020年，她参与开发开源工具CodeCarbon，帮助开发者估算运行代码产生的碳足迹。两年后，她与合作者公开了针对大型开源多语言模型BLOOM的研究，将环境成本的核算从计算用电延伸至设备制造等相关环节。

BLOOM在该研究采用的核算范围内产生了超过50吨二氧化碳排放。需要注意的是，这并不意味着模型此后持续运行、服务用户所产生的所有排放，都已被一次性计算完毕。

这一研究的重要性，在于说明核算边界可以显著改变人们对模型环境成本的认识：只看训练时的用电，与进一步纳入硬件制造和相关能源消耗，得到的不是同一张账单。

如今，卢乔尼的公司正在把这一测量原则转化为更具体的模型比较。

据彭博社报道，该公司建立了一个开源仪表板，对不同AI模型的估算能耗与碳排放进行比较。研究考虑了批处理规模、芯片数量与类型，以及每个Token（模型读取和生成信息的基本单位）的能源消耗。

研究采用的基准情景是一个使用专用燃气电厂供电的美国数据中心。在被定义为一次简短问答及一两次追问的“典型聊天”中，报告列出的Claude Haiku 4.5估算能耗为0.08瓦时，Claude Fable 5为2.8瓦时，对应排放分别为0.05克和1.92克二氧化碳当量。同一情景下，ChatGPT 5.6 Terra的估算能耗为0.55瓦时，DeepSeek V4 Flash为0.33瓦时。

当任务升级为持续一至两小时、涉及读取文件、修改内容和检查结果的智能体工作会话，能源需求明显上升。Claude Fable 5的估算能耗达到76.2瓦时，ChatGPT 5.6 Terra为16.7瓦时，DeepSeek V4 Flash为20.1瓦时。这也显示，模型在简单聊天中的相对表现，不能直接推广到所有复杂任务。

卢乔尼在采访中透露，今年以来，AI科技企业确实通过硬件优化、模型量化、混合专家架构和知识蒸馏等方式降低单位计算能耗，但相关方法往往不够透明，又依赖“平均”或“中位数”提示词，外界难以独立验证。

更重要的是，单位效率改善并不自动意味着总量下降。当使用成本降低、调用数量增加，当简单文本生成变成长思维链推理和多步骤智能体任务，局部节能收益可能被更大的工作量抵消。这也即是“杰文斯悖论”所指出的情况。

这正是COP31需要面对的矛盾：AI可以在某些应用中提高效率，却不代表其整体扩张必然符合减排目标。

美国选举后的监管压力：数据中心会否逆转电力减排进程

COP31的背景之一，是在人工智能发展最快的美国，数据中心的能源问题已经走出技术讨论，进入选举、社区抗议和立法议程。

在刚刚结束的美国中期选举，民主党夺回了国会参众两院控制权，可能带来更严格的AI监管和更大的透明度压力。加州民主党联邦众议员刘云平在记者会上预告了新一届国会的AI监管方向。“我们将就AI举行公开听证，我们将通过立法，为AI设立合理的护栏。”刘云平表示。

不同民主党人也提出了各自的政策：一些人主张暂停建设数据中心两年，一些人要求数据中心承担全部能源成本。与此同时，欧盟等地的披露框架也在增加企业提供环境信息的责任。这些主张尚不能被视为已生效的统一政策，却反映出一个共同关切：算力扩张带来的成本，应当如何分担和约束？

推动监管讨论的，是日益庞大的排放预测。

据彭博社报道，据美国环保组织塞拉俱乐部（Sierra Club）的一项内部分析估算，如果将美国目前规划中的AI项目纳入后，美国电力部门2030年的二氧化碳排放可能达到21亿吨，比2025年增加6.18亿吨，增幅约42%。如果这一情景兑现，可能抵消美国电力部门约15年的减排成果。

尤其值得注意的，美国能源追踪机构Cleanview的研究显示，为了绕过公共电网长达数年的排队接入周期，越来越多的科技巨头正在全美范围内掀起总规划规模高达100吉瓦的表后自建燃气发电热潮（大致相当于4到5个三峡大坝的装机量）。

她强调，若按此装机容量并考虑容量系数让发电厂满负荷运转，这批表后燃气发电每年将产生逼近3亿到接近5亿吨的二氧化碳，直接相当于整个英国一年的碳排放总量。“即便这批规划只落实一小部分，也足以让其成为全球实现减排目标的主要绊脚石。”她说。

而AI企业为抢时间而采用的供电方式，可能进一步放大这一问题。一些企业甚至开始从退役飞机上拆取发动机，经改装后用于发电，以满足数据中心迫切的供电需求。

卢乔尼解释，航空衍生型燃气轮机具有体积紧凑、部署迅速和响应快等优势，对急于上线的数据中心很有吸引力。这类设备由于以简单循环模式运行，热效率仅有35%至40%左右，远低于联合循环电厂约60%的效率，导致单位发电的碳排放极高。

其中最具代表性的便是马斯克旗下位于孟菲斯的xAI Colossus项目超算集群项目，作为全美规模最大的数据中心，该项目在尚未取得相关许可证前就私自运行了数十台移动式燃气轮机，引发了当地社区和环保组织的强烈抗议。

长期研究AI能耗的荷兰专家亚历克斯·德弗里斯（Alex de Vries），则从基础设施角度解释了这一扩张可能带来的长期风险。

德弗里斯告诉澎湃新闻，自建电厂并未消除算力扩张的基础设施瓶颈，只是将等待电网接入的问题，转移为采购发电设备、保障天然气供应、铺设输气管道和取得排放许可的问题。

他援引Cleanview的调研指出，这一轮建设热潮中，开发商往往优先选择能够最快交付的设备，而非效率最高的方案。短期部署速度，由此可能以更高的长期燃料消耗和排放为代价。

更深层的风险，是对化石燃料的长期依赖。德弗里斯深感担忧地警告道，这种原本作为应对电网容量受限的权宜之计，极有可能导致科技行业对化石燃料产生长期的系统性依赖。一旦科技巨头在专用天然气发电资产上投入巨额重金，这些重型高碳基础设施在未来数十年内都将形成强大的资产惯性，极难被轻易弃用。

归根结底，这一轮爆发式的表后燃气建厂热潮，恰恰印证了开发商对于电力供应近乎饥渴的迫切争夺，而绝非证明科技行业已经找到了能够可持续突破人工智能算力扩张瓶颈的可扩展方案。

对于中期选举能否改变这一局面，卢乔尼保持谨慎。她认为，政治变化可能对数据中心无序扩张形成制动，但现在下结论仍为时尚早。决定排放轨迹的，不只是国会如何表态，更是新增算力最终接上什么电源、建设项目如何接受审查，以及环境信息能否由独立机构核验。

从矿山到报废芯片：运行用电之外，还有多少足迹没有被看见

即使数据中心的用电能够被准确测量，AI的环境账本仍可能远未完整。

卢乔尼指出，作为AI产业供应链上游的公开数据极度匮乏。台积电等晶圆代工厂可能披露工厂层面的总排放、能耗和用水量，但这些宏观数据很难直接分配到某一款芯片或某一块GPU，产品之间的环境足迹因此难以比较。

再向上追溯，铜、钴、镓、锗和稀土等关键原材料的开采与精炼数据更加不透明。矿物来源披露与环境足迹披露，也不是同一回事。知道材料来自哪里，不等于知道开采和加工这些材料消耗了多少能源和水，又造成了多少排放。

为了弥补这一空白，在2026年的最新研究中，卢乔尼等人采用了一种直观而特殊的方法：将多款GPU粉碎，再用精密仪器测量其中的金属种类和含量，才能尝试填补数字产业的信息缺口。

但卢乔尼强调，这仍是间接测算，不能替代供应商提供可追溯、可比较的产品级数据。一个完整的核算体系不仅应包含掌握相对充分的“运行用电量”，还必须涵盖硬件制造与原材料采矿、冷却与晶圆厂用水、数据中心与发电厂的土建工程，以及由硬件快速迭代报废所产生的电子垃圾。她呼吁，要实现这一目标，行业迫切需要建立更为严谨的测量体系和披露标准，而这正是当前所严重缺失的。

彭博社报道援引环保组织RMI的估算称，仅美国AI设施建设至2030年所使用的水泥，其温室气体排放就可能相当于41.5万辆汽车一年的排放。

当企业只强调运行阶段的效率改善，这些发生在芯片投入使用前、设施建成前和设备报废后的成本，便容易被留在账本之外。

因此，一张可信的AI环境分析表，不能只有单次调用的用电量。它还需要说明核算覆盖了哪些环节、采用了什么测量方法，以及哪些成本尚未被计入。

“有一段时间，AI公司根本认为无法测量排放量，”卢乔尼在采访中说，“现在他们正受到员工和股东的压力……我觉得现在很难把AI的使用掩盖起来。”

这正显示出当下AI环境治理发生的变化：争论不再只是技术有没有气候价值，而是这种价值能否在完整、透明的成本核算之后仍然成立。

没有完美数据，不意味着只能等待。选择能源需求更低、能够胜任任务的模型，选择低碳电力，改进设施效率，并建立可核验的披露机制，都可以成为当下的行动方向。

真正需要回答的，既不是“AI必然绿色”，也不是“AI必然不可持续”，而是更具体的问题：哪些任务值得使用AI，哪些模型足够完成任务，新增电力来自哪里，供应链承担了什么成本，以及谁有权核实这些答案。只有当这些问题能够被测量、披露和追责，AI作为气候解决方案的承诺，才可能拥有可信的基础。