# 人工智能可持续性：2026年实用指南

> 深入了解人工智能可持续性：分析其影响，从排放到面向中小企业的实用解决方案。为

Source: https://www.electe.net/zh/%E9%82%AE%E5%AF%84/sostenibilita-intelligenza-artificiale

Site guide: https://www.electe.net/zh/llms.txt

人工智能可以帮助企业减少能源消耗、减少浪费，并让ESG报告不再那么依赖人工操作。但构建AI产品的人也了解故事的另一半：每个模型都运行在耗能基础设施上，每次API调用都有计算成本，而计算需求并没有放缓。

正因如此，**人工智能可持续性**既不应被当作口号，也不应被当作需要赎罪的过错，而应被当作一个运营问题来管理。在意大利，这场讨论已经围绕两个明确的概念展开：**sustainability of AI（人工智能的可持续性）**和**AI for sustainability（用于可持续发展的人工智能）**。第一个概念关注的是AI自身的足迹。第二个概念关注的是利用AI来改善流程、消耗和环境治理。在同一背景下，根据[这项关于人工智能可持续性与ESG治理的分析](https://www.vegaformazione.it/PB/intelligenza-artificiale-sostenibilita-governance-ESG-p604.html)，由AI支持的ESG报告部分在过去一年中**“几乎增长了两倍”**。

作为一家AI公司的创始人，我认为自动化的恐慌论调和懒惰的技术乐观主义同样空洞无用。问题的关键不在于判断AI对环境是“好”还是“坏”。关键在于弄清楚**它在哪里消耗资源、何时创造真正的价值，以及哪些具体的选择能在不破坏其效用的前提下减少影响**。

## 引言：可持续AI的双重面貌

关于**人工智能可持续性**的讨论已经变得更加成熟。终于如此。并不是因为问题已经解决，而是因为它已经不可能再被简化为一句套话。

一方面，AI帮助企业和设施更好地利用能源，限制浪费，使ESG报告更加规范有序。另一方面，同样的系统需要计算能力、数据中心、冷却系统、网络和硬件组件，这些都带来了实实在在的环境成本。如果只看其中一面，就会做出错误的决策。

### 谈论这个问题的正确语言

我最常使用的两个类别，也是如今在意大利语境中已广泛流传的两个概念：

- **Sustainability of AI（人工智能的可持续性）**。降低AI的能源和材料影响。
- **AI for sustainability（用于可持续发展的人工智能）**。利用AI改善环境、能源和治理相关流程。

这种差异并非纸上谈兵。它迫使你提出两个不同的问题。第一个是：我的AI技术栈重量几何？第二个是：这份重量所带来的环境或运营效益，是否足以证明其合理性？

> 正确的问题不是“该不该使用AI”。正确的问题是“这项任务真的需要这么多计算量吗？”。

### 企业中最常见的错误

我最常看到的错误不是技术性的，而是决策性的。许多企业采用AI的方式，仿佛所有可用的算力都必须一直用满。实际上，它们选择了最大的模型、最复杂的工作流、最广泛的自动化，哪怕问题本身要简单得多。

实际上，可持续的策略始于一个不那么耀眼的原则：**相称性**。如果一个任务用更少的算力、更少的数据传输、更低的复杂度就能做好，那不是一种妥协，而是更好的选择。

## AI对环境的真实影响

这场讨论最有价值的部分，是从停止空谈开始的。AI对环境的影响不是一种观点，而是一个基础设施层面的议题，其数据已经足够清晰，足以要求我们保持谨慎。

### 不容忽视的数字

一份引用国际数据的意大利资料指出，马萨诸塞大学2019年的一项研究估计，训练一个单一的AI模型可能产生**超过284吨CO₂**，相当于五辆汽车全生命周期的排放量。同一资料还提到，ChatGPT-3的开发大约需要**1,287兆瓦时的电力**，相当于**约120-130户美国普通家庭**的年用电量，并引用了高盛研究部门的一项预测：数据中心的电力需求可能增长**160%**，2023年至2030年间每年增加约**200太瓦时**，而到2028年，AI相关能耗可能占数据中心总能耗需求的**19%**。所有这些数据均出自[这篇关于AI环境成本的意大利分析](https://y7italy.com/il-costo-ambientale-dellia-e-le-priorita-della-sostenibilita/)。

重点不是拿这些数字来制造恐慌式的传播。重点是理解其规模。如果你在构建或采用AI，你就在参与一场涉及整个基础设施的能源需求增长，而不仅仅是你的云预算。

> **实用原则：**评估AI项目时，不要只看每个token或每次API调用的成本。真正的问题往往在更上游，在使那次调用得以实现的基础设施之中。

### 能源成本真正集中在哪里

许多人认为AI的环境成本几乎只等同于训练环节。这是一种方便的简化，但并不正确。能耗其实分布在多个层面：

**组成部分****为何重要**训练需要大量集中的算力推理每一次用户请求都会随时间产生重复的工作数据中心供电、冗余以及基础设施的持续管理冷却系统产生的热量需要高效散发网络与数据传输在系统、地区和服务之间移动数据会产生能源成本

这改变了应对**人工智能可持续性**问题的方式。仅仅问“模型消耗多少”是不够的。你还必须问它运行在哪里、产生多少流量、被查询多少次，以及架构设计是否考虑了减少浪费。

正因如此，观察那些利用AI来改善自身基础设施的案例也很有意义。一个有用的例子是[用AI优化数据中心能源](https://www.electe.net/post/sistema-di-raffreddamento-ai-di-google-deepmind-come-lintelligenza-artificiale-rivoluziona-lefficienza-energetica-dei-data-center)，它很好地说明了一个简单的道理：问题不仅在于模型本身，还在于支撑它运行的整个技术环境。

## AI作为企业可持续发展的战略杠杆

如果只关注成本,就会错过一半的全局。AI 同样可以成为提升企业可持续性的重要杠杆。这不是空话,而是体现在非常具体的流程中。

### AI 在哪些方面创造实际的环境价值

在意大利的背景下,应用于能源管理系统的 AI 可以通过预测需求高峰并实时调节 HVAC 和照明等负载,降低工业设施和中小企业的运营能耗。这直接影响 Scope 2 排放,并有助于优化间歇性可再生能源的使用,正如[这篇关于 AI 能源管理系统的深度文章](https://ollum.it/blog/intelligenza-artificiale-sostenibilita-ia/)所述。

这类应用即使从环境角度来看,我也认为是站得住脚的。不是因为它没有成本,而是因为它利用计算来消除持续的物理浪费。在需求波动的设施中,实时调节通风、空调或照明的价值,可能超过一千张关于绿色转型的幻灯片。

AI 真正有用的三个领域如下:

- **运营能源**。传感器、计量器和算法有助于避免不必要的峰值。
- **供应链**。更好的需求预测可以减少不必要的库存、搬运和过量生产。
- **ESG 报告**。自动化数据收集、清理和结构化可减少人工工作和碎片化。

### 对中小企业而言的实际要点

对中小企业来说,收益往往不是来自某个惊艳的模型,而是来自一个能避免重复劳动的系统。手动导出、多份 Excel 表格、反复发送的附件、不同的人对同一数据进行的多次核对——这一切都消耗时间、机器、带宽和注意力。

> 一个由不同的人重复做五遍的流程,不仅在组织层面上是低效的,在环境层面上也是如此。

当 AI 集中数据、自动化重复步骤并使分析结果可复用时,环境价值并不在于单次推理本身,而在于消除冗余。

对于从事报告工作的人来说,一个与此问题相关的例子是[用于 ESG 报告的 ELECTE](https://www.electe.net/post/csrd-reporting-ai-automation),它有助于理解自动化如何在不将每项活动都变成复杂 IT 项目的情况下,减少人工步骤和信息分散。

## 更绿色 AI 的新兴解决方案

令人鼓舞的是,这个行业并未止步不前。AI 正在制造这个问题,但同时也在推动旨在降低其能源成本的创新。不过说实话:并不存在单一的解决方案。

### 硬件与基础设施

一个有前景的方向是聚焦于互连和基础设施效率。当计算系统在等待数据时,已安装的算力就被低效使用。这也是为什么新一代硬件不应只从性能角度来看待,还应从效率角度来审视的原因之一。

科技讨论中流传着关于光子连接、更好的数据传输和更低损耗的各种方案。但对于购买云服务而非芯片的人来说,真正实际的问题是另一个:**选择用更少的等待、更少的流量和更少的开销来完成更多有效工作的技术栈**。

这一逻辑也适用于人工智能之外的领域。想更广泛地思考如何减少损耗的生产模式的人,可以在这些[可持续经济实践](https://acasaloro.com/blog/esempi-di-economia-circolare)中找到有用的思路,尤其是在将数字效率与减少流程中的物质浪费联系起来方面。

### 更精简的软件与架构

在软件方面,最有意思的杠杆往往不那么炫目,却更立竿见影:

- **更小的模型**,当任务定义明确时使用。
- **智能路由**,根据请求类型在不同模型之间分配。
- **优化的推理**,以减少不必要的调用、延迟和数据传输。
- **传统工作流**,用于那些其实并不真正需要大语言模型的任务。

就我的经验而言,这是影响最大的选择。最有效的改变并不是引入某种未来主义技术,而是不再对所有任务都使用最强大的模型。分类、格式化、已知模式的提取以及许多辅助性操作,并不总是需要一个前沿模型。它们需要的是架构上的自律。

> 如果用户得到的结果依然等效,那么使用更少的算力就不是一种妥协,而是更好的设计。

正因如此,我常说“为正确的任务选择正确的模型”。实际上,这意味着建立一个路由层,把每项操作分配到所需的算力等级上。这既是成本方面的选择,也是可持续性方面的选择。

想深入了解技术方案与环境影响之间关系的人,也可以阅读[ELECTE关于人工智能与环境的文章](https://www.electe.net/post/lintelligenza-artificiale-per-lambiente-innovazioni-e-soluzioni-2025),其中汇集了多个案例和发展方向,并未将其包装成灵丹妙药。

## 效率悖论与选择的责任

最重要的质疑也是最令人不安的:让人工智能更高效,并不能自动保证整体消耗的降低。恰恰相反,有时结果正好相反。

### 为什么效率还不够

当算力变得更便宜、更易获取、更快速时,企业往往会更多地使用它。更多的自动化、更多的请求、更多的集成、更多“反正成本不高”而生成的流程。这正是效率悖论的核心。

正因如此,**人工智能可持续性**不能只是关于更好的芯片或更紧凑模型的话题,而必须成为一项优先级标准。在每次实施之前,都应该先问一些问题:

- **这项任务真的需要生成式AI吗？**
- **需要大模型，还是轻量模型就够了？**
- **自动化是消除了一项实际成本，还是只是增加了华而不实的复杂性？**
- **输出结果真的会被使用，还是只会产生更多的数字噪音？**

意大利辩论中最明显的空白之一正在于此：缺乏标准化指标和整体性方法来衡量AI在其生命周期中的足迹，这一主题在[这篇关于人工智能可持续性的系统性视角](https://ratioiuris.it/la-sostenibilita-dellintelligenza-artificiale-una-prospettiva-sistemica/)中有所强调。

因此，问题不在于遏制创新，而在于停止把算力当作一种免费且取之不尽的资源。每个组织都应该像对待预算或人员时间一样对待算力：把它分配到真正能产生价值的地方。

## 中小企业实用指南：实现可持续AI的4个步骤

对中小企业来说，谈论可持续性而没有可执行的方案，意义不大。不妨从四个可以立即做出的决定入手，即便对环境足迹尚无完美的测量方法。

一份意大利资料指出，许多关于AI可持续性的讨论忽视了成本收益的权衡问题，而数据中心已经消耗了**全球约3%的能源**。一个被低估的问题是：在什么情况下，使用更小的模型或传统流程更为合适，以避免能耗和成本的不可持续增长？这一点在[这篇关于AI环境权衡的文章](https://www.bo-om.it/news-ed-eventi/ai-sostenibilita-impatto-ambientale/)中有很好的总结。

### 真正重要的四个决定

1. **选择与问题相匹配的模型**
这是简洁性与影响力之间性价比最高的杠杆。不要默认使用最强大的模型,只在真正能带来实际差异的地方使用它。对于许多日常任务,较轻量的模型或非生成式系统就足够了。
2. **评估云服务商时也要考虑能源特征**
不要只看价格、延迟和合规性,还要看数据中心的透明度、区域能源结构以及运营效率的做法。地理位置很重要,同一个工作负载在不同地区的影响并不相同。
3. **削减工作流程中的冗余**
如果同一份数据被多次导出、复制、重新格式化并再次发送,那么在谈论 AI 之前,你就已经在浪费资源了。像**ELECTE 这样一款面向中小企业的 AI 驱动数据分析平台**,可以用来集中数据、自动化报告并减少重复分析。在这种情境下,优势并不在于“做更多 AI”,而在于减少无谓的工作。
4. **即使不完美,也要进行衡量**
并非所有企业都有工具来衡量每次推理的 kWh 或 CO₂ 排放。没关系,可以从已经触手可及的运营指标入手。

### 即使没有完美的指标,也要监控哪些内容

在缺乏真正成熟的行业标准的情况下,我会从一个简单的表格开始:

**运营指标****它能告诉你什么**每完成一个任务的API调用次数你是否为获取一个输出结果而做了过多的工作每次操作使用的模型平均规模你是否在任务上使用了过大规格的模型每次会话传输的数据量你的工作流程是否产生了可避免的流量生成了但从未被使用的分析报告你是否在自动生成没人会看的输出

> 用不完美但一致的方式衡量，也好过完全不衡量。

如果三个月后你发现每个任务的调用次数下降了，大模型被调用的频率降低了，数据传输量也更加可控，你还没有获得一套完美的碳核算体系。但你已经拥有了非常有用的东西：一种能减少计算浪费、降低成本、并很可能减少环境影响的效率纪律。

## 结语：以负责任的AI照亮未来

人工智能的可持续性不是靠一句口号就能解决的，也不是靠对AI的意识形态式拒绝就能解决的。它是靠更好的技术和管理决策一点点构建起来的。

今天使用AI的人必须同时正视两个事实。第一：环境成本是真实存在的，而且在不断增长，不应被轻描淡写。第二：当AI能够减少浪费、改善能源使用、并用更智能的系统取代重复且混乱的流程时，它能带来实实在在的好处。选择的质量，就体现在这两方面之间的平衡关系中。

对于欧洲企业而言，还存在第二层责任。仅仅做到合规是不够的。还需要理解技术、基础设施、治理和知识产权是如何相互交织的。关于最后这一点，对于想深入了解伴随AI应用而来的法律框架的读者，我推荐这份[人工智能专利指南](https://www.studiolegalecoviello.com/intelligenza-artificiale-brevetti)，它有助于将技术可持续性也解读为一种长期的战略选择。

正确的方向并不是绝对地减少AI的使用，而是**在正确的地方、以正确的算力水平，使用正确的AI**。

---

如果你想以更高效、更明智的方式采用AI，可以[了解ELECTE的运作方式](https://www.electe.net)。该平台帮助中小企业集中数据、自动化报告并减少冗余的分析工作，以务实的方法进行模型选择和提升运营效率。