综述：人工智能基础设施扩展中能源与气候协调的进展与挑战

本综述系统探讨了人工智能（AI）基础设施扩张对全球能源系统与气候目标的深远影响。文章批判性回顾了现有研究在量化AI能耗与碳排放方面的局限性，强调了区域异质性（如电网碳强度、可再生能源潜力）与政策动态（如出口限制、能效标准）的关键作用。作者提出多尺度空间时序建模框架（如集成评估模型IAMs），倡导将核能（SMRs）、可再生能源与储能技术协同整合，以规避AI驱动的化石能源锁定风险，为气候智能型AI发展提供战略路径。

　　

人工智能基础设施的能源与气候挑战

人工智能（AI）正重塑能源、医疗、交通等关键领域，但其基础设施扩张伴随巨大的能源需求与气候影响。训练单一大型语言模型（如GPT-3）可排放300吨CO₂，相当于301英亩森林年碳汇量。国际能源署（IEA）预测，2026年AI产业耗电量将达2023年的10倍以上，且推理阶段能耗可能超过训练阶段。

能源影响评估的局限性与进展

现有研究对AI能耗估算存在显著差异（如全球数据中心2026年耗电620–1050 TWh），主因方法论差异与数据透明度不足。硬件层面，图形处理器（GPU）与张量处理器（TPU）提升计算能效，但杰文斯悖论（Jevons Paradox）可能导致能效提升反而刺激总需求增长。区域分析揭示热点地区（如美国弗吉尼亚州、爱尔兰）的电网承压风险，需结合本地可再生能源容量与储能配置优化选址。

气候后果与减排策略

AI碳足迹评估需涵盖全生命周期（包括硬件制造与运行），但当前缺乏标准化基准（如每推理小时排放kgCO₂-eq）。策略上，量子计算优化、碳感知工作负载迁移（如将计算任务分配至低碳电网区域）及模型压缩技术（如量化与蒸馏）可降低排放。政策层面，欧盟《人工智能法案》与美国《通胀削减法案》通过能效标准与清洁能源激励引导可持续发展。

区域异质性与全球协同

美国“星门计划”（Stargate）等国家级投资需与州级可再生能源目标协调，避免区域电网过载。全球范围内，地缘政治限制（如美国对华AI芯片出口管制）可能迫使部分国家使用高耗能硬件，加剧气候负担。发展中国家面临“数字能源陷阱”风险，需国际协作确保高效硬件获取与清洁能源投资。

核能与可再生能源的协同路径

小型模块化核反应堆（SMRs）可作为间歇性可再生能源（如风能、太阳能）的基载补充，尤其适用于土地受限或电网稳定性差的区域。但核能部署受制于许可延迟、公众接受度与高成本。混合能源架构（如核能-可再生能源-储能系统）需基于区域特性定制，以避免AI增长导致的化石燃料依赖。

未来研究方向与政策建议

需开发AI专用的集成评估模型（IAMs）模块，量化其作为排放驱动因子与减排使能者的双重角色。建立标准化指标（如kgCO₂-eq/推理小时）与强制披露框架，支持全球气候政策制定。多尺度规划（从国家投资到区域电网调度）是协调AI扩张与碳中和目标的关键。