人工智能可持续性：2026年实用指南

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，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。

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：

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，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,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,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:

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，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。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。