人工智慧能協助企業降低能源消耗、減少浪費，並減少 ESG 報告中的手動作業。但開發 AI 產品的人也清楚事情的另一面：每個模型都運行在耗能的基礎設施上，每次 API 呼叫都會產生運算成本，而運算需求並未減緩。
正因如此，人工智慧的永續性既不應被視為口號，也不應被視為必須贖罪的過錯。它應被視為一個營運層面的問題來處理。 在義大利，相關辯論現已圍繞兩個明確的概念展開：「人工智慧的永續性（sustainability of AI）」與「人工智慧促進永續發展（AI for sustainability）」。前者涉及人工智慧本身所造成的環境足跡；後者則著眼於運用人工智慧來優化流程、降低資源消耗並改善環境治理。在此背景下，根據這份關於人工智慧永續性與ESG治理的分析報告，由人工智慧支援的ESG報告部分「在過去一年中幾乎增長了三倍」。
身為一家人工智慧公司的創辦人，我認為無論是自動產生的恐慌情緒，還是懶惰的科技樂觀主義，都是毫無意義的。重點不在於判斷人工智慧對環境是「好」還是「壞」，而在於釐清它在哪些方面會造成消耗、何時能創造真實價值，以及哪些具體選擇能在不損害實用性的前提下，有效降低其影響。
關於人工智慧永續性的討論已趨於成熟。總算如此。這並非因為問題已獲解決，而是因為已無法再將其簡化為一句套話。
一方面，人工智慧有助於企業和工廠更有效率地利用能源、減少浪費，並使 ESG 報告更為完善；另一方面，這些系統本身卻需要運算能力、資料中心、冷卻系統、網路及硬體元件，而這些都對環境造成實際的負擔。若僅著眼於其中一方，便會做出錯誤的決策。
我最常使用的這兩類術語，如今在義大利語境中也已廣為流傳：
這差異並非純粹理論上的。它迫使你提出兩個不同的問題。第一個是：我的 AI 技術堆疊有多重？第二個是：這份重量是否能帶來足夠具體的環境或營運效益，足以證明其合理性？
正確的問題並非「是否該使用人工智慧」。正確的問題是：「這項任務真的需要這麼大的運算量嗎？」
我最常看到的錯誤並非技術層面的，而是決策層面的。許多企業在採用人工智慧時，彷彿認為必須時刻動用所有可用的運算能力。實際上，即使問題本身非常簡單，他們仍會選擇規模最大的模型、最複雜的工作流程，以及最廣泛的自動化方案。
事實上，可持續的策略源於一個較不引人注目的原則：相稱性。如果某項任務能以較少的運算、較少的資料傳輸和較低的複雜度來妥善執行，那並非一種妥協，而是一個更佳的選擇。
當討論不再停留在抽象層面時，才真正進入最有價值的階段。人工智慧對環境的影響並非一種觀點，而是一項基礎設施議題，相關數據已相當明確，足以促使我們謹慎以對。
一項引用國際數據的義大利消息來源指出，麻省大學2019年的一項研究估算，訓練單一人工智慧模型便可能產生超過284公噸的二氧化碳，相當於五輛汽車在整個生命週期內的排放量。 該消息來源還指出，ChatGPT-3 的開發約消耗了1,287 MWh 的電力， 相當於約 120 至 130 戶美國中等家庭一年的用電量；並援引高盛研究（Goldman Sachs Research）的一項預測，指出資料中心的電力需求可能增加160%， 在2023年至2030年間每年增加約200 TWh；而到2028年，與人工智慧相關的耗電量可能佔數據中心總能源需求的19%。所有這些數據均收錄於這份關於人工智慧環境成本的義大利分析報告中。
重點不在於利用這些數字來製造輿論恐慌。重點在於理解其規模。如果你正在建置或採用人工智慧，你就正在推動一波涉及整個基礎設施的能源需求增長，而不僅僅是你的雲端預算。
實務準則：在評估人工智慧專案時，不要只看每枚代幣或每次 API 呼叫的成本。真正的問題往往在於上游——也就是讓該次呼叫得以實現的基礎設施。
許多人認為人工智慧對環境造成的負擔幾乎僅限於訓練階段。這雖是一種方便的簡化說法，卻是錯誤的。能源消耗其實分佈於多個層面：
| 元件 | 為什麼這很重要 |
|---|---|
| 訓練 | 這需要大量集中運算資源 |
| 推論 | 每項使用者請求都會在一段時間內產生重複的工作 |
| 資料中心 | 電源供應、冗餘機制與基礎設施的持續管理 |
| 冷卻 | 系統所產生的熱量必須有效散逸 |
| 網路與資料傳輸 | 在系統、區域及服務之間傳輸資料會消耗能源 |
這改變了我們應對人工智慧永續性問題的方式。光是問「這個模型消耗多少資源」是不夠的。你還必須思考它運行於何處、會產生多少流量、被查詢的次數有多少，以及其架構是否經過設計以減少資源浪費。
正因如此，觀察那些將人工智慧用於改善自身基礎設施的案例也頗具意義。一個有參考價值的例子是利用人工智慧進行資料中心的能源優化，這清楚地說明了一個簡單的事實：問題不僅在於模型本身，更在於支撐該模型的整個技術環境。
若僅著眼於成本，便會忽略了整體局面的半數。人工智慧（AI）亦可成為提升企業永續性的重要槓桿。這並非空談，而是體現在非常具體的流程之中。
在義大利的背景下，當人工智慧應用於能源管理系統時，可透過預測用電高峰並即時調節暖通空調（HVAC）及照明等負載，從而降低工業設施及中小企業的營運能耗。這對範疇 2 排放量具有直接影響，並有助於優化間歇性再生能源的使用，詳情請參閱這篇關於人工智慧能源管理系統的深度解析。
這類應用程式，我認為即使從環境保護的角度來看也是值得支持的。並非因為它是免費的，而是因為它運用運算來消除持續發生的實體浪費。在需求波動的設施中，即時調節通風、空調或照明系統，其價值遠勝過上千張關於綠色轉型的主題簡報。
人工智慧在以下三個領域往往能發揮實質作用：
對中小企業而言，效益往往並非源自某種令人驚豔的模式，而是源自一套能避免工作重複的系統。手動匯出、多份 Excel 試算表、反覆寄送的附件，以及由不同人員針對同一組資料進行的對帳作業——所有這些都消耗了時間、硬體資源、頻寬和注意力。
一個由不同人員重複執行五次的流程，不僅從組織角度來看效率低下，從環境角度來看也是如此。
當人工智慧將資料集中化、自動化重複性步驟，並使分析結果可重複利用時，其環境價值並不在於單次推論，而在於消除冗餘。
對於從事報表編製工作的人士而言，與此問題相關的一個實例是用於 ESG 報表編製的 ELECTE 系統，透過此案例可了解自動化如何在無需將每項任務轉變為複雜 IT 專案的前提下，減少手動步驟並避免資訊散失。
令人鼓舞的是，該產業並未停滯不前。人工智慧雖造成了這個問題，但也正推動著旨在降低其能源消耗的創新。不過，我們必須坦率地承認：並不存在單一的解決方案。
一個極具前景的發展方向，是著重於系統互聯與基礎設施的效率。當運算系統處於等待資料的狀態時，安裝的運算能力便未能得到妥善利用。這正是為何新一代硬體不應僅從效能角度來解讀，更應從效率角度來考量。
在科技界的討論中，流傳著許多針對光子連接、提升資料傳輸效能及降低功耗的提案。但對於購買雲端服務而非晶片的人來說，實際的重點在於：選擇能以更少的等待時間、更少的流量和更低的開銷，完成更多實質工作的技術堆疊。
這種邏輯同樣適用於狹義人工智慧之外的領域。凡是希望更廣泛地探討較不浪費的生產模式者，都能從這些永續經濟的實踐中獲得有用的啟發，特別是將數位效率與流程中減少物質浪費相結合。
在軟體方面，最值得關注的關鍵因素往往較不引人注目，卻更具實用性：
根據我的經驗，這項選擇的影響力最大。最有效的改變並非引進前瞻性技術，而是停止將最強大的模型套用在所有情境上。分類、格式化、提取已知模式以及許多支援性操作，並不總是需要最先進的模型。這些操作需要的是架構上的紀律。
如果對使用者而言結果相同，那麼減少運算量並非一種妥協。這正是更優異的設計。
正因如此，我經常提到「對的任務配對對的模型」。實際上，這意味著建立一個路由層，將每項操作分配到所需的效能層級。這不僅是成本考量，更是永續發展的抉擇。
若想深入了解技術解決方案與環境影響之間的關聯，亦可參閱《ELECTE》關於人工智慧與環境的專題，該專題彙整了多項案例與發展方向，但並未將其呈現為萬靈丹。
最重要的反對意見也是最令人困擾的一點：提高人工智慧的效率，並不一定能自動帶來總能耗的降低。相反地，有時甚至會產生相反的效果。
當運算變得更經濟、更易於取得且更快速時，企業往往會更廣泛地運用它。更多自動化、更多需求、更多整合、更多流程被創造出來——「反正成本很低」。這正是「效率悖論」的核心所在。
正因如此，人工智慧的永續性不能僅僅是開發更優質的晶片或更緊湊的機型這類議題。它必須成為一項優先考量標準。在每次實施之前，都應先提出以下幾個問題：
義大利相關辯論中最顯著的缺失之一，正是這一點：缺乏標準化的衡量指標，以及缺乏一種能全面評估人工智慧在其生命週期中環境足跡的整體性方法——這一點在關於人工智慧永續性的這份系統性觀點中已被特別強調。
因此，問題不在於遏制創新，而在於停止將運算視為一種免費且取之不盡的資源。每個組織都應像處理預算或人力時間那樣來對待運算資源：將其分配到真正能創造價值的地方。
對中小企業而言，若沒有具體的執行計畫，光是談論永續發展並無多大意義。不妨從四項可立即做出的決策著手，即使尚未能精確量化環境足跡也無妨。
一位義大利消息人士指出，許多關於人工智慧永續性的討論都忽略了成本與效益之間的權衡，而資料中心目前已消耗全球約 3% 的能源。一個常被低估的問題是：為了避免能源消耗與成本出現難以承受的增長，何時該採用較小的模型或傳統流程？這篇文章針對人工智慧的環境權衡問題，對此要點做了精闢的總結。
選擇與問題規模相符的模型
這是兼具簡易性與影響力的最佳槓桿。不要將最強大的模型設為預設選項，僅在能真正產生實質影響的情況下才使用它。對於許多日常任務而言，較輕量級的模型或非生成式系統便已足夠。
在評估雲端服務供應商時，也應考量其能源使用狀況
別只關注價格、延遲和合規性。還應考量資料中心的透明度、區域能源結構以及營運效率的實施方式。地理位置至關重要。同一項工作負載在不同地區的環境影響並不相同。
消除工作流程中的冗餘
如果同一組數據被反覆匯出、複製、重新格式化並重新傳送，那麼在談論人工智慧之前，你其實已經在浪費資源了。像ELECTE 這樣的平台——一個專為中小企業設計的人工智慧驅動數據分析平台——可用於集中管理數據、自動化報表生成，並減少重複分析。在此情境下，真正的優勢不在於「做更多人工智慧」，而在於減少無謂的工作。
即使不完美，也能進行測量
並非所有企業都具備測量單次操作所消耗的千瓦時（kWh）或二氧化碳（CO₂）排放量的工具。沒關係。不妨先從手邊現有的營運指標著手。
由於目前尚無真正成熟的業界標準，我會先從一張簡單的表格開始：
| 營運指標 | 這告訴你什麼 |
|---|---|
| 任務完成時的 API 呼叫 | 如果你為了獲得某種產出而付出過多努力 |
| 每項作業的模型平均尺寸 | 如果你正在將任務設定得過於龐大 |
| 每次連線的資料傳輸量 | 如果你的工作流程會產生本可避免的流量 |
| 已產生但未使用的分析報告 | 如果你正在將無人閱讀的輸出內容自動化 |
即使測量結果不準確，但只要保持一致，總比完全不測量要好。
如果三個月後，你發現每個任務的呼叫次數減少、大型模型的觸發頻率降低，且資料傳輸量也隨之減少，這並不代表你的碳核算已臻完美。不過，你已經掌握了一項極具價值的工具：一套能降低運算浪費、成本，甚至可能減少環境影響的效率管理機制。
人工智慧的永續性無法僅靠一句口號來解決，更不能靠出於意識形態而拒絕人工智慧來解決。它必須透過更完善的技術與管理決策來建構。
當今使用人工智慧的人必須兼顧兩項事實。第一：環境代價確實存在，且正不斷增加，不應被輕視。第二：當人工智慧能減少浪費、提升能源利用效率，並以更智慧的系統取代重複且雜亂的流程時，便能帶來實質效益。抉擇的關鍵，就在於這兩方面之間的平衡。
對歐洲企業而言，還存在第二層次的責任。僅僅符合法規要求是不夠的，還需理解技術、基礎設施、治理與智慧財產權之間的相互關聯。關於這最後一點，對於希望深入了解人工智慧採用相關法律框架的人士，我推薦這份關於人工智慧專利的指南，它有助於將技術永續性視為一項長期的戰略選擇來解讀。
正確的方向並非絕對要減少人工智慧的使用。而是要在正確的場合，以適當的強度，運用正確的人工智慧。
若您希望更有效率且更明智地導入人工智慧，不妨了解 ELECTE 的運作方式。該平台透過務實的方法來選擇模型並提升營運效率，協助中小企業集中管理資料、自動化報表生成，並減少重複的分析工作。
.svg)
.svg)
.svg)
