AI的尽头是什么?可能和你想的不一样

新闻

作者：微信文章


DeepSeek训练的耗电量只占GPT-4的5.6%？

训练GPT-3要排放的CO₂当量，相当于480辆小汽车每年行驶5000公里的碳排放？

当前，以AI为代表的数字化技术不断迭代，但由此产生的电力消耗、水资源消耗、废弃物处理等问题，已成为另一个值得高度关注的话题。

“科技向善、包容发展，应成为AI发展必须秉持的基本原则。建议加快完善AI领域的可持续信息披露准则，提高AI数据中心的环境足迹信息披露的透明度。”近日，中国会计学会副会长、厦门国家会计学院博士生导师黄世忠在接受上海证券报记者采访时表示。

AI技术快速发展潜藏四大环境风险

AI的迅猛发展和普及应用潜藏的ESG（环境、社会、治理）风险不容小觑，数据中心的耗电耗水和碳排放、算法应用的伦理法律争议等ESG问题，正成为制约AI可持续发展的瓶颈。在黄世忠看来，AI的环境风险主要体现在电力消耗、水资源消耗、碳排放、矿物消耗与废弃物等四个方面。

一是电力消耗，AI的尽头是电力。“AI相关的硬件制造属于能源密集型环节，但在整个生命周期中，其能耗低于运营阶段。”黄世忠认为，硬件制造最耗电的是芯片制造以及数据存储设备制造环节；其次，大语言模型的训练和推理也相当耗电。随着AI大模型参数规模从百亿级向万亿级突破，训练AI的能耗呈指数级增长。

数据中心是AI最重要的算力基础设施，AI的训练和推理主要在数据中心完成。黄世忠分析称，根据绿色和平组织报告，全球AI数据中心耗电量占全球数据中心耗电量的比重将从2024年的16%增至2030年的53%，全球数据中心耗电量将从2024年的563太瓦时（5630亿度）增至2030年的1385太瓦时（13850亿度）。

二是水资源消耗，数据中心散热的隐性成本。黄世忠解释说，AI数据中心计算、存储、网络、散热与供电设施在运算、运转过程中产生的热量需大量水资源冷却，AI大模型训练期间和响应用户查询提问的推理过程耗水量巨大。

绿色和平组织报告表明，在AI发展的推动下，全球数据中心的耗水量将从2024年的2390亿升（2.39亿吨）增至2030年的6640亿升（6.64亿吨），其中全球AI数据中心的耗水量更是从430亿升（0.43亿吨）猛增至2030年的3380亿升（3.38亿吨），复合年均增长率高达40.99%，远高于全球数据中心18.35%的复合年均增长率。

“除了AI数据中心，用于AI计算的芯片制造对水资源的消耗更高。”黄世忠表示。

三是碳排放，生命周期的环境足迹。“AI的碳足迹，覆盖硬件生产与模型运行全链条。”黄世忠举例称，GPT-3训练要排放552吨CO₂当量，假设一辆小汽车每百公里消耗10升95号汽油，每升产生2.3公斤CO₂，则训练GPT-3产生的552吨CO₂当量，相当于480辆这种小汽车每年行驶5000公里的碳排放。

四是矿物消耗与废弃物，提升效率的资源代价。“许多人误以为数字经济是虚拟无形的，或发生在‘云端’，但数字化其实严重依赖物质世界和原材料。”黄世忠说，AI的普及离不开数字设备、其他硬件和基础设施，而这些设备、硬件和设施中包含着数十种矿物和金属。

另据UNCTAD报告显示，2010—2022年，全球废弃的智能手机、笔记本电脑、显示屏和其他电子设备增加了30%，达到1050万吨，但2022年全球只有24%的电子废弃物得到正式收集。

在AI的治理风险方面，黄世忠认为，AI的初衷在于提升工作效率、优化决策程序、改善生活品质，但当技术缺乏伦理约束和法律规制时，AI滥用、数据安全等问题将挑战市场秩序、威胁公共利益。

例如，在AI模型的训练过程中，数据的收集环节经常涉及数据安全与隐私保护问题。以面部识别AI系统为例，部分企业在未经授权的情况下，擅自在公开场所大量采集公众照片，并将其用于模型训练，这种行为严重侵犯了公众的隐私权。此外，在数据存储环节，潜在的漏洞也会带来隐患。

推动AI相关行业走向

循环经济发展模式

那么，面对AI技术的快速发展，如何有效化解可能带来的ESG风险呢？

“必须整体推进、综合治理。”黄世忠认为，在环境议题、社会议题和治理议题采取缓释举措，才能实现技术创新与科技向善相得益彰，推出AI技术成为经济、社会和环境可持续发展的造福者。

例如，破解制约AI可持续发展的“三高”（高耗电、高耗水与高排放）问题时，他提出，需从硬件和技术两大核心领域同步发力，推动可再生能源的规模化应用，系统性降低AI产业全生命周期的资源消耗与环境影响。

在硬件领域，应重点推广以液冷服务器为代表的高效节能技术。

“相较于传统风冷服务器，液冷服务器可大幅提升散热效率，在保障服务器稳定运行的同时，大幅减少用电量，从而有效缓解环境资源压力。”黄世忠提到，更重要的是，增加零排放或低排放的绿电供应，如一些AI头部企业正利用其雄厚的技术和财务实力发展小型核聚变等技术，一旦取得突破，就可以从根本上推动AI绿色化和低碳化。

在技术领域，应注重架构创新和算法优化。

据黄世忠观察，DeepSeek训练的耗电量只占GPT-4的5.6%。“这主要归功于通过采用混合专家模型（MoE）架构激活少量参数以大幅减少计算量，通过强化学习策略和优化算法技术大幅减少缓存量，计算量和缓存量的大幅减少，意味着电力和水资源的节约。”

此外，黄世忠还提出，应推动AI相关行业向循环经济发展模式转型。

具体而言，一方面，要加大对服务器、算力芯片、数据存储设备等废旧AI设备的回收与循环利用力度，建立专业化的回收处理体系，通过拆解、修复、翻新等方式，提升设备零部件的回收率和再利用率，大幅减少电子废弃物的产生。

另一方面，需规范电子废弃物的处置，采用无害化处理技术，避免重金属、有毒有害物质对土壤、水源造成污染，实现AI产业全生命周期绿色化。

在监管与标准建设方面，黄世忠认为，应建立统一、规范的AI产业环境足迹核算与报告标准，明确碳足迹、水足迹及其他环境足迹（如矿物消耗和废弃物）的核算方法，要求AI企业定期公开数据中心的用电量、用水量、碳排放等关键信息，为绿色低碳转型提供数据支撑。

科技创新离不开法治保障。他进一步建议，立法部门和监管部门可尽快制定与AI相关的法律法规，对带有歧视性算法的AI作出禁止性规定，完善数据安全和隐私保护法律体系，赋予用户对自身数据的控制权。

作者：刘礼文