人工智能可以帮助企业降低能耗、减少浪费，并减少ESG报告中的手动操作。但开发AI产品的人也清楚事情的另一面：每个模型都运行在能耗巨大的基础设施上，每次API调用都会产生计算成本，而且计算需求仍在持续增长。
正因如此，人工智能的可持续性既不应被视为口号，也不应被视为需要赎罪的过错。而应将其视为一个运营层面的问题来处理。 在意大利，相关讨论现已围绕两个明确的概念展开：“人工智能的可持续性 ”和“人工智能助力可持续发展”。前者涉及人工智能本身带来的影响，后者则关注利用人工智能来优化流程、降低能耗并改善环境治理。在此背景下，根据这份关于人工智能可持续性与ESG治理的分析报告，由人工智能支持的ESG报告部分“在过去一年中几乎增长了三倍”。
作为一家人工智能公司的创始人，我认为无论是自动产生的恐慌情绪，还是懒惰的技术乐观主义，都是毫无意义的。关键不在于判断人工智能对环境是“好”还是“坏”，而在于弄清楚它在哪些方面会消耗资源、何时能创造真实价值，以及哪些具体选择既能减少其影响，又不损害其实用性。
关于人工智能可持续性的讨论终于变得更加成熟了。这并非因为问题已经解决，而是因为它已无法再被简单归结为一句套话。
一方面，人工智能有助于企业和工厂更有效地利用能源、减少浪费，并使ESG报告更加规范。另一方面，这些系统本身需要计算能力、数据中心、制冷系统、网络和硬件组件，而这些都会产生实际的环境成本。如果只关注其中一方面，就会做出错误的决策。
我最常使用的这两类术语，如今在意大利语环境中也已广泛使用：
这种区别并非理论上的。它迫使你提出两个不同的问题。第一个问题是：我的AI技术栈有多重？第二个问题是：这种重量是否带来了足够切实的环境或运营效益，足以证明其合理性？
正确的问题不是“要不要使用人工智能”，而是“这项任务真的需要这么大的计算量吗？”。
我最常看到的错误并非技术层面的，而是决策层面的。许多企业采用人工智能时，仿佛必须始终用尽所有可用算力。实际上，即使问题本身非常简单，它们依然会选择规模最大的模型、最复杂的工作流以及最全面的自动化方案。
实际上，可持续的策略源于一个看似不那么引人注目的原则：相称性。如果一项任务能够通过更少的计算、更少的数据传输和更低的复杂度来出色地完成，那并不是一种妥协，而是一种更优的选择。
当讨论不再停留在抽象层面时，最有价值的讨论才真正开始。人工智能对环境的影响并非一种观点，而是一个基础设施层面的问题，相关数据已经足够清晰，足以让我们保持审慎态度。
一家援引国际数据的意大利消息来源指出，马萨诸塞大学2019年的一项研究估计，训练单个人工智能模型就可能产生超过284吨的二氧化碳，相当于五辆汽车在其整个生命周期内的排放量。 该消息来源还指出，ChatGPT-3的开发大约消耗了1,287兆瓦时的电能， 相当于约120至130户美国普通家庭的年用电量；同时援引了高盛研究（Goldman Sachs Research）的一项预测，即数据中心的电力需求可能增长160%，2023年至2030年间每年将增加约200太瓦时；而到2028年，与人工智能相关的能耗可能占到数据中心总能耗的19%。所有这些数据均收录于这份关于人工智能环境成本的意大利分析报告中。
关键不在于利用这些数字制造舆论恐慌。关键在于理解其规模。如果你正在构建或采用人工智能，你就参与了能源需求的增长——这涉及整个基础设施，而不仅仅是你的云预算。
经验法则：在评估一个AI项目时，不要只关注每个代币或每次API调用的成本。真正的问题往往出在上游——即支撑该调用运行的基础设施上。
许多人认为，人工智能对环境的影响几乎仅限于训练阶段。这是一种方便的简化说法，但却是错误的。能耗实际上分布在多个层面：
| 组件 | 为什么这很重要 |
|---|---|
| 培训 | 需要进行大规模的集中计算 |
| 推断 | 用户的每项请求都会在一段时间内产生重复性工作 |
| 数据中心 | 基础设施的供电、冗余和持续管理 |
| 冷却 | 系统产生的热量必须得到有效散热 |
| 网络与数据传输 | 在不同系统、区域和服务之间传输数据会消耗能源 |
这改变了我们应对人工智能可持续性的方式。光问“模型消耗多少资源”是不够的。你还必须考虑它在何处运行、产生多少流量、被调用多少次，以及其架构是否经过设计以减少资源浪费。
正因如此，观察那些利用人工智能来改进自身基础设施的案例也颇有意义。一个有说服力的例子就是利用人工智能对数据中心进行能效优化，这很好地说明了一个简单道理：问题不仅在于模型本身，还在于支撑该模型的整个技术环境。
如果只关注成本，就忽略了大半的局面。人工智能也可以成为提升企业可持续性的有力杠杆。这并非空谈，而是体现在非常具体的业务流程中。
在意大利的背景下，当人工智能应用于能源管理系统时，它可以通过预测用电高峰并实时调节暖通空调（HVAC）和照明等负荷，从而降低工业设施和中小企业的运营能耗。这直接影响范围2排放，并有助于优化间歇性可再生能源的使用，正如这篇关于基于人工智能的能源管理系统的深度分析中所描述的那样。
这就是我认为从环保角度来看也站得住脚的应用程序。并非因为它免费，而是因为它利用计算手段消除了持续存在的能源浪费。在需求波动的设施中，实时调节通风、空调或照明的效果，远比关于绿色转型的上千张幻灯片更有价值。
人工智能在以下三个领域往往能发挥真正的作用：
对于中小企业而言，效益往往并非源于某种令人惊叹的模式，而是源于能够避免重复工作的系统。手动导出、多份Excel表格、多次发送的附件，以及由不同人员对同一数据进行的核对——所有这些都会消耗时间、计算资源、带宽和精力。
一个由不同人员重复执行五次的工作流程，不仅从组织角度来看效率低下，从环境角度来看也是如此。
当人工智能实现数据集中化、自动化重复性步骤并使分析结果可复用时，其环境价值并不在于单次推理，而在于消除了冗余。
对于从事报告工作的人员而言，与这一问题密切相关的案例是用于ESG报告的ELECTE，它有助于理解自动化如何在无需将每项工作都转化为复杂IT项目的情况下，减少手动操作步骤并避免信息散失。
令人鼓舞的是，该行业并未停滞不前。人工智能虽然带来了问题，但也推动了旨在降低其能耗的创新。不过，我们必须坦率地承认：并不存在单一的解决方案。
一个颇具前景的发展方向是注重互联互通和基础设施的效率。当计算系统处于等待数据的状态时，其装机算力便未能得到充分利用。这也是为什么新一代硬件不仅应从性能角度来考量，还应从效率角度来评估的原因之一。
在技术讨论中，流传着一些关于光子连接、优化数据传输和降低功耗的提案。对于购买云服务而非芯片的用户而言，实际的关键在于：选择能够以更少的等待时间、更低的流量和更低的开销完成更多有效工作的技术栈。
这种逻辑也适用于严格意义上的人工智能之外的领域。那些希望从更广泛的角度探讨低耗能生产模式的人，可以从这些可持续经济实践中获得有益的启示，尤其是将数字效率与流程中减少物质浪费相结合方面。
在软件方面，最值得关注的手段往往并不那么引人注目，却更具立竿见影的效果：
根据我的经验，这是影响最大的一个选择。最有效的改变并非引入某种前沿技术，而是停止在所有场景中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操作，并不总是需要最前沿的模型。它们需要的是架构上的严谨性。
如果对用户而言结果相同，那么减少计算量就不是一种妥协。这才是更好的设计。
正因如此，我常提到“合适的任务配上合适的模型”。实际上，这意味着建立一个路由层，将每项操作分配到所需的计算能力级别。这既是一个成本考量，也是一个可持续性考量。
想要深入了解技术解决方案与环境影响之间关联的读者，还可以阅读《ELECTE》关于人工智能与环境的专题报道，该报道汇集了多个案例和发展方向，但并未将其视为“灵丹妙药”。
最重要的反对意见也是最令人不安的：提高人工智能的效率并不一定能自动带来总能耗的降低。相反，有时情况恰恰相反。
当计算变得更经济、更易用、更快捷时，企业往往会更多地使用它。更多的自动化、更多的需求、更多的集成、更多的流程被创建出来——“反正成本很低”。这就是“效率悖论”的核心所在。
正因如此，人工智能的可持续性不能仅仅局限于开发更好的芯片或更紧凑的机型。它必须成为一项优先考量标准。在每次实施之前，都应提出以下几个问题：
意大利国内相关讨论中最明显的缺陷之一正是这一点：缺乏标准化指标和整体性方法来衡量人工智能在其生命周期中的环境足迹——这一问题在关于人工智能可持续性的系统性视角中得到了强调。
因此，问题并不在于遏制创新，而在于不再将计算视为一种免费且取之不尽的资源。每个组织都应像对待预算或员工时间那样对待计算资源：将其分配到真正能创造价值的地方。
对于中小企业而言，如果没有具体的行动计划，光谈可持续发展是收效甚微的。不妨从四项可以立即做出的决策入手，即使尚未对环境足迹进行精准测算也无妨。
一位意大利消息人士指出，许多关于人工智能可持续性的讨论都忽略了成本与效益之间的权衡，而数据中心目前已消耗了全球约3%的能源。一个被低估的问题是：为了避免能耗和成本出现不可持续的增长，何时应选择使用更小的模型或采用传统流程？这篇文章关于人工智能环境权衡的论述很好地总结了这一观点。
选择与问题相适应的模型
这是在简单性和效果之间取得最佳平衡的杠杆。不要将功能最强大的模型作为默认选择。仅在它能真正发挥作用时才使用它。对于许多日常任务来说，更轻量级的模型或非生成式系统就已足够。
在评估云服务提供商时，也要考虑其能耗情况
不要只关注价格、延迟和合规性。还要关注数据中心的透明度、区域能源结构以及运营效率的提升策略。地理位置至关重要。同一工作负载在不同地区的碳足迹并不相同。
消除工作流程中的冗余
如果同一组数据被反复导出、复制、重新格式化并重新发送，那么在谈论人工智能之前，你就已经在浪费资源了。像ELECTE这样的平台——一个面向中小企业的AI驱动型数据分析平台——可用于集中管理数据、自动化生成报告并减少重复分析。在此背景下，真正的优势并非“做更多的人工智能”，而是减少无谓的工作。
即使测量结果不尽如人意
并非所有企业都具备按单次操作测量千瓦时（kWh）或二氧化碳（CO₂）排放量的工具。没关系。不妨从手头现有的运营指标开始着手。
鉴于目前尚无真正成熟的行业标准，我会从一张简单的表格开始：
| 运营指标 | 这告诉你什么 |
|---|---|
| 任务完成时的API调用 | 如果你为了获得某种产出而付出了过多的努力 |
| 每项操作的模型平均规模 | 如果你把任务想得太复杂了 |
| 每次会话的数据传输量 | 如果你的工作流程产生了本可避免的流量 |
| 已生成但未使用的分析结果 | 如果你正在自动化生成没人会看的输出内容 |
即使测量结果不准确，但只要方法一致，总比完全不测量要好。
如果三个月后，你发现每个任务的调用次数减少了，大型模型的调用频率降低了，数据传输量也减少了，这并不意味着你的碳核算已经做到完美。不过，你已经掌握了一项非常有用的东西：一种能减少计算浪费、降低成本，甚至可能减轻环境影响的效率管理机制。
人工智能的可持续性无法仅靠一句口号来解决，甚至无法通过从意识形态上否定人工智能来解决。它需要通过更优的技术和管理决策来实现。
当今使用人工智能的人必须兼顾两个事实。第一：环境成本确实存在，且正在增加，不应被轻视。第二：当人工智能能够减少浪费、提高能源利用率，并用更智能的系统取代重复且杂乱的流程时，便能带来切实的益处。决策的质量取决于这两方面之间的平衡。
对于欧洲企业而言，还存在第二层责任。仅仅符合合规要求是不够的。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。关于最后一点，对于希望深入了解人工智能应用相关法律框架的人士，我推荐这份关于人工智能专利的指南，它有助于将技术可持续性视为一项长期的战略选择。
正确的方向并不是绝对减少人工智能的使用。而是要在正确的地方，以恰当的强度，使用合适的人工智能。
如果您希望更高效、更明智地应用人工智能，不妨了解一下ELECTE的运作方式。该平台通过务实的模型选择和运营效率优化策略，帮助中小企业实现数据集中化、报告自动化，并减少冗余的分析工作。
.svg)
.svg)
.svg)
