编辑推荐：
随着生成式人工智能（GAI）广泛应用，其能源消耗和环境影响引发关注。研究人员分析 369 个 GAI 模型数据，发现中美是碳排放主要贡献者，预计 2035 年全球 GAI 碳排放达 18.21 - 245.94 百万吨。该研究为理解 GAI 在低碳转型中的作用提供依据。
近年来，生成式人工智能（GAI）可谓风光无限，它能在文本、图像、视频等领域创造出新颖且有意义的内容 。OpenAI 的 ChatGPT 一经推出便火爆全球，引得众多科技公司纷纷投身于高性能模型的研发浪潮，将 GAI 融入自家产品之中。像 OpenAI 的文本转视频模型 Sora、Anthropic 的新大语言模型 Claude 3，以及 DeepSeek V3/R1 的发布，都在不断推动着这一领域的发展。GAI 正逐步渗透到商业、金融、法律、医疗等关键行业，开启了人工智能技术的新纪元。
然而，GAI 的蓬勃发展也带来了隐忧。在达沃斯世界经济论坛上，OpenAI 首席执行官 Sam Altman 就指出，GAI 的发展给能源系统带来了挑战。NVIDIA 的 Jensen Huang 和特斯拉的 Elon Musk 也强调，到 2025 年可能会面临能源短缺风险，全面的能源管理至关重要。有研究表明，大型人工智能系统的能耗可能与一些国家相当，这与全球设定的本世纪中叶碳中和目标相悖。尽管人们已经意识到人工智能能耗巨大，但对于全球 GAI 所引发的能源消耗和碳排放，却缺乏量化分析与深入预测，不同行业垂直 GAI 模型的能耗和环境影响也尚不明确。而搞清楚这些问题，对理解 GAI 在全球低碳转型和气候减缓中的作用至关重要。
为了解开这些谜团，华北电力大学（State Key Lab of Alternate Electrical Power System with Renewable Energy Sources）、北京大学（National Engineering Laboratory for Big Data Analysis and Applications；Department of Industrial Engineering and Management, College of Engineering）等机构的研究人员开展了一项研究。他们收集了 2018 - 2024 年全球发布的 369 个 GAI 模型的数据，对其能源消耗和整个生命周期的碳排放水平进行了研究分析1。
研究人员通过分析模型的能耗和碳排放数据，发现当前 GAI 模型主要部署在碳密集型地区。例如，英国和瑞典等碳强度较低的国家，其实更适合部署计算资源。从行业应用来看，GAI 模型目前主要用于服务行业，在劳动密集型和碳密集型行业还有更广阔的应用空间，有望提升这些行业的能源效率1。
在区域分布方面，研究人员评估了每个模型在完整推理和 4 - 6 个训练周期的能耗，发现这 369 个模型共消耗 24.97 - 41.104 太瓦时（TWh）的能源，产生 10.67 - 18.61 百万吨的碳排放，这一数据大致相当于中国三峡大坝年发电量的五分之二 。其中，美国和中国是全球 GAI 碳排放的主要贡献者，两国排放量占全球总量的 99% 以上。中国碳排放为 6.76 - 8.98 百万吨，美国为 3.66 - 8.72 百万吨，而欧洲仅为 0.02 - 0.09 百万吨。虽然中国发布的 GAI 模型数量超过美国，计算负载和能耗却低于美国，但由于中国碳强度相对较高，所以碳排放占全球的 54.4% 。研究还发现，计算需求大的 GAI 模型大多位于碳强度高的地区，如美国和中国，而瑞典、英国等碳强度较低的国家，计算需求明显较低。这表明，如果将训练和推理过程转移到碳强度较低的地区，能大幅减少 GAI 对环境的影响234。
针对特定领域模型（domain - specific models），研究人员也进行了分析。特定领域模型利用行业特定数据集，能高精度解决特定行业的问题。在 369 个大语言模型中，271 个是通用模型，98 个是特定领域模型。研究发现，金融和医疗行业的特定领域模型能耗较高，分别消耗 192.88 吉瓦时（GWh）和 155.90 GWh。尽管医疗行业的经济规模（1.40 万亿美元）远低于金融行业（21 万亿美元），但由于数据开放性较好，其能耗依然较高。金融行业因涉及隐私敏感的个人信息，数据时效性要求高，开发特定大模型难度大。法律行业经济规模为 7400 亿美元，能耗为 99.26 GWh，远高于经济规模相近（7200 亿美元）的教育行业（14.56 GWh）。这是因为法律行业的问答、文档生成、案例分析等任务适合大模型处理，而教育行业数据多样分散，增加了模型开发难度，使得法律模型能耗是教育模型的 7 倍 。由此可见，特定行业大模型的开发不仅受行业经济规模影响，还与行业自身的属性，如数据时效性、隐私保护和应用场景等有关56。
研究人员还对 GAI 未来的发展影响进行了预测。自 2017 年 Transformer 架构出现后，模型数量呈指数级增长。受 OpenAI 缩放定律启发，公司开发的模型越来越大。以 GPT - 3 为例，2020 年 5 月发布时，其参数从数亿飙升至超 1000 亿。同时，DeepSeek - V3 模型的训练成本不到 OpenAI 同类模型 GPT - 4 的十分之一，推理成本仅为其三十分之一。基于这些趋势，研究人员设计了多种场景来预测未来十年 GAI 的碳足迹 。在预测过程中，考虑了模型是否开源、参数数量、训练令牌（tokens）、每日请求量和碳密度等因素。在开源场景下，模型可继承现有模型参数，跳过训练阶段，相比闭源场景，碳排放和能耗更低。在低碳密度场景（使用更清洁能源）下，GAI 的碳排放显著减少。预计到 2035 年，GAI 的平均碳排放量将在 18.21 - 245.94 百万吨之间，平均能耗在 404.77 - 447.16 TWh 之间 。此外，开源数据共享、低碳能源转型以及两者结合，到 2035 年分别可减少 23.32、225.83 和 227.73 百万吨的碳排放78。
研究人员通过分析 GAI 的能源消耗、碳排放及其预测数据，量化了 GAI 的碳足迹。研究表明，GAI 作为碳密集型地区的耗能大户，对全球碳排放贡献巨大。这一研究强调了在劳动密集型行业高效部署 GAI、发展可再生能源以及采用开源实践以减少环境影响的重要性。虽然短期内，对计算能力的需求可能会掩盖能源消耗问题，但从长远来看，降低训练成本、提高效率是保持竞争力的关键 。同时，政府和行业也应注重可持续发展，优化数据中心、推进可再生能源发展、提高硬件效率，从而降低 GAI 对环境的影响。该研究成果发表在《The Innovation》上，为全球 GAI 的可持续发展提供了重要参考。
本研究主要采用了数据收集与分析技术，收集 2018 - 2024 年全球 369 个 GAI 模型数据，分析其能耗和碳排放相关指标；通过建立预测模型，考虑多种影响因素，设计不同场景预测未来十年 GAI 的碳足迹。
研究结论显示，GAI 在能源消耗和碳排放方面问题显著，区域分布不均衡，行业应用有局限，未来排放量呈上升趋势。讨论部分指出，应从多方面入手降低 GAI 的环境影响，如优化部署、发展清洁能源、开源共享等。这一研究对推动 GAI 与环境可持续发展协同共进意义重大，为后续研究和政策制定提供了重要依据。
