如果你正在做 AI 應(yīng)用并且關(guān)注能源消耗這個主題值得停下來想一想AI 確實能幫電網(wǎng)調(diào)度、天氣預(yù)報、工業(yè)能效優(yōu)化做很多事情但 AI 本身的算力增長也帶來了實打?qū)嵉碾娏ο倪€被大量用在油氣勘探、煉化優(yōu)化這類直接與化石燃料相關(guān)的行業(yè)里。所以“AI 對氣候到底是有益還是有害”不能只看某一個模型或某一個場景而要把算力側(cè)、應(yīng)用側(cè)、生命周期側(cè)放在一起算總賬。下面我從工程視角拆一下這個爭議。不討論宏大敘事只看運(yùn)行環(huán)境、資源占用、應(yīng)用場景、監(jiān)控指標(biāo)這些能動手驗證的部分。1. 這個爭議到底在討論什么AI 的氣候影響不是單點(diǎn)數(shù)很多人聽到“AI 氣候效益”時第一反應(yīng)是 AI 能預(yù)測極端天氣、優(yōu)化風(fēng)力發(fā)電、減少交通擁堵。這些能力確實存在也確實有實際落地案例。但另一面同時存在訓(xùn)練和運(yùn)行大模型需要大量高功率 GPU數(shù)據(jù)中心要散熱電力消耗逐年增加而且不少 AI 項目是被能源公司采購的用于提高勘探效率、優(yōu)化開采流程。這兩個方向放在一起就形成了題目里的那句判斷AI 的潛在氣候效益可能被“推動化石燃料”這個作用抵消了。1.1 AI 正面價值能優(yōu)化電網(wǎng)、預(yù)測天氣、減少工業(yè)浪費(fèi)先看正面。AI 確實能在很多高排放環(huán)節(jié)里幫上忙常見的有三塊。第一是電力系統(tǒng)優(yōu)化。風(fēng)力發(fā)電和光伏發(fā)電都有波動性AI 可以用歷史發(fā)電數(shù)據(jù)、天氣預(yù)報、負(fù)荷數(shù)據(jù)做功率預(yù)測幫調(diào)度中心更合理地安排火電、水電、儲能減少不必要的化石能源備用。這類應(yīng)用不需要特別大的模型往往是一個時間序列模型配一個推理服務(wù)就能產(chǎn)生實際價值。第二是工業(yè)能效優(yōu)化。鋼鐵、水泥、化工這類流程工業(yè)耗能巨大AI 可以基于傳感器數(shù)據(jù)做參數(shù)推薦比如調(diào)整爐溫、燃燒配比、反應(yīng)時間減少能耗和廢品率。這類項目不是新概念傳統(tǒng)控制理論也在做但 AI 在非線性、多變量場景里更靈活。第三是建筑和交通調(diào)度。辦公樓空調(diào)、地鐵通風(fēng)、物流路徑都可以用強(qiáng)化學(xué)習(xí)或靜態(tài)優(yōu)化來降低能耗。單個場景省電有限規(guī)模化之后相當(dāng)可觀。這些方向都有一個共同特點(diǎn)AI 在這里是“減少能源浪費(fèi)的工具”而且投入產(chǎn)出相對清晰。1.2 負(fù)面問題AI 本身在消耗電力也在服務(wù)能源高消耗行業(yè)但 AI 不可能只做好事。第一層負(fù)面是 AI 自己的能耗。一次大規(guī)模模型訓(xùn)練需要成百上千張 GPU 連續(xù)跑幾周耗電量相當(dāng)于一個中型辦公園區(qū)。推理階段更隱蔽一個模型訓(xùn)練完之后要持續(xù)服務(wù)用戶每天成千上萬次請求累計耗電往往比訓(xùn)練還高。這個事實很多項目團(tuán)隊一開始不關(guān)注等賬單出來才開始重視。第二層負(fù)面是 AI 被用在化石能源行業(yè)。最典型的就是石油天然氣上游勘探AI 用于分析地震勘探數(shù)據(jù)、識別地下構(gòu)造、預(yù)測油藏分布。這類應(yīng)用能顯著提高勘探成功率減少無效鉆井從這個角度看它也“節(jié)能”了但更直接的效果是幫助發(fā)現(xiàn)更多可采儲量維持甚至擴(kuò)大化石能源開采規(guī)模。還有煉化廠參數(shù)優(yōu)化、油品供應(yīng)鏈調(diào)度AI 都在發(fā)揮作用。結(jié)果就形成一個悖論AI 在一頭幫助節(jié)省能源在另一頭幫助更高效地開采和消耗化石能源。到底哪個力量更大取決于具體項目、電力來源、應(yīng)用規(guī)模而不是某一個宣傳口徑。1.3 爭議焦點(diǎn)是“系統(tǒng)變化”不是“某個模型是否好用”從工程角度看最重要的不是爭論“AI 是好的還是壞的”而是建立一個可計算的評估框架。你要先清楚一個 AI 系統(tǒng)在生命周期里消耗了什么、減少了什么、改變了什么。很多項目現(xiàn)在只算“業(yè)務(wù)價值”比如效率提升了百分之幾、成本降低了多少但不算新增算力帶來的電力消耗也不算使用 AI 之后對上下游能源結(jié)構(gòu)的影響。這種評估方式在單點(diǎn)項目里沒問題放到氣候影響這個大命題下就不夠用了。真正該做的是把每臺 GPU 的功耗、每度電的碳強(qiáng)度、每一條請求的推理開銷以及它服務(wù)的業(yè)務(wù)方向全部放在同一個表里看。2. 算力側(cè)訓(xùn)練和推理的能源賬怎么算如果你想認(rèn)真回答“AI 到底消耗了多少能源”不能只憑感覺要把訓(xùn)練階段和推理階段分開看。兩個階段的資源特征完全不一樣。2.1 訓(xùn)練階段一次大模型訓(xùn)練消耗什么訓(xùn)練階段的核心成本是 GPU 集群的持續(xù)運(yùn)行。影響耗電的因素主要有這幾個GPU 數(shù)量和型號高端訓(xùn)練卡和普通商用卡功耗差距很大單卡功耗可以從幾十瓦到幾百瓦甚至更高。訓(xùn)練時長訓(xùn)練步數(shù)、批量大小、早停條件都會影響總時長。數(shù)據(jù)中心 PUEPUE 是數(shù)據(jù)中心總能耗與 IT 設(shè)備能耗的比值PUE 越高散熱和供電損耗越大。電力來源同樣是 1 度電水電、風(fēng)電、光伏和火電對應(yīng)的碳排放不一樣。我一般會建議項目團(tuán)隊在訓(xùn)練之前先做一個“資源預(yù)算”。比如你準(zhǔn)備用 8 卡跑 3 天每張卡平均 350W那 IT 側(cè)耗電大概是 8×350×72 小時201.6 度電。再按數(shù)據(jù)中心的 PUE 1.5 算總耗電約 302.4 度。如果當(dāng)?shù)仉娋W(wǎng)每度電的碳強(qiáng)度是 0.6kg CO2那就是大約 181kg 二氧化碳。這只是一個粗略估算但能讓你對訓(xùn)練成本有個數(shù)。注意這里沒有算數(shù)據(jù)加載、存儲節(jié)點(diǎn)和網(wǎng)絡(luò)設(shè)備的耗電實際數(shù)值會更高。這個估算法只適合作為對照真正計量要用硬件功耗監(jiān)控和電力賬單。2.2 推理階段批量服務(wù)和大并發(fā)的隱藏成本訓(xùn)練結(jié)束后模型進(jìn)入推理服務(wù)階段。很多人以為推理很輕量單次生成只花幾秒但規(guī)?；蟛皇沁@樣。一個模型如果每小時處理 10 萬次請求每次推理平均耗時 200ms那并發(fā)壓力下需要多少 GPU 或 CPU 取決于部署方式。推理服務(wù)往往要常駐運(yùn)行不管是否有請求節(jié)點(diǎn)都在耗電。而且為了保證響應(yīng)速度團(tuán)隊通常不縮容到零等于 24 小時處于待機(jī)狀態(tài)。待機(jī)耗電、自動擴(kuò)容時啟動的新節(jié)點(diǎn)、日志采集、監(jiān)控邊車這些都會追加資源消耗。更隱蔽的是多模態(tài)模型和長上下文場景。輸入一張圖片、解釋一段長視頻、分析長時間語音單次推理的計算量可能比普通文本請求高很多。如果上線前不做壓測只按文本請求的規(guī)模預(yù)估容量很可能需要開好幾倍節(jié)點(diǎn)才能滿足延遲要求能耗曲線直接抬上去。2.3 能耗、碳強(qiáng)度、PUE 和硬件利用率四個關(guān)鍵指標(biāo)要衡量 AI 系統(tǒng)的氣候影響可以先從這四個指標(biāo)入手。指標(biāo)說明怎么用能耗度電/kWh某個時間段內(nèi)訓(xùn)練或推理服務(wù)實際消耗的電量按階段統(tǒng)計訓(xùn)練按任務(wù)算推理按服務(wù)周期算碳強(qiáng)度所在地區(qū)每度電對應(yīng)的碳排放量gCO2/kWh不同地區(qū)差異很大用來換算碳排放如果要對比需固定時間窗口PUE數(shù)據(jù)中心總能耗除以 IT 設(shè)備能耗PUE 越高冷卻和供電損耗越大盡量選擇 PUE 低的數(shù)據(jù)中心硬件利用率GPU/CPU 實際使用率、顯存占用率、批處理效率利用率過低時單位有效計算耗電量會明顯偏高這四個指標(biāo)不是讓你只看某一個而是組合起來看。比如一個集群 GPU 利用率達(dá)到 90%說明硬件用得很充分但如果 PUE 是 2.2散熱和供電消耗占比太高整體能耗仍然不理想。反過來GPU 利用率 40% 的集群雖然單卡功耗可能不高但單位有效計算成本會翻倍。2.4 最容易忽略的是“閑置資源”我復(fù)盤過不少 AI 項目發(fā)現(xiàn)真正浪費(fèi)的地方不是訓(xùn)練本身而是閑置資源。訓(xùn)練任務(wù)跑完GPU 節(jié)點(diǎn)沒有釋放推理服務(wù)流量低谷期還在按高峰配置跑實驗場景開了一堆 Jupyter Notebook人走了進(jìn)程還掛著。這些閑置資源不會出現(xiàn)在模型指標(biāo)里但會真實反映在電費(fèi)和碳排放里。所以做能源核算時要把“節(jié)點(diǎn)啟動時長”“GPU 空閑占比”“服務(wù)縮容策略”都記錄進(jìn)去。否則你會覺得模型跑得很快實際資源消耗比想象中大得多。3. 應(yīng)用側(cè)AI 在油氣和工業(yè)里的真實角色算力側(cè)只是一半另一半是 AI 被用來干什么。同樣是消耗一度電用在電網(wǎng)調(diào)峰和用在油氣勘探對能源結(jié)構(gòu)的影響完全不同。要理解“AI 推動化石燃料”這個判斷最好從工程場景拆開看。3.1 上游地震解釋、油藏模擬和鉆探優(yōu)化油氣上游最常見的 AI 場景是地震數(shù)據(jù)處理。地震數(shù)據(jù)量大、噪聲多傳統(tǒng)人工解釋需要投入大量地球物理學(xué)家。AI 模型可以自動識別斷層、鹽丘、儲層反射特征將解釋時間從幾周壓縮到幾天。油藏模擬也是典型場景構(gòu)建地下流體流動模型需要大量迭代計算AI 代理模型可以加速數(shù)值模擬。這些應(yīng)用的直接價值是提高勘探成功率、降低無效鉆井?dāng)?shù)量。從能源角度看無效鉆井少一個意味著鉆機(jī)燃料、材料、人工都省下來。但同樣重要的是更高效、更準(zhǔn)確的勘探會提高新儲量發(fā)現(xiàn)概率導(dǎo)致后續(xù)開采活動繼續(xù)延續(xù)。這在商業(yè)上是合理的但從氣候賬來看它會帶來新增化石能源產(chǎn)量和后續(xù)燃燒排放。我不在這里做商業(yè)或政策判斷。工程人員要清楚的是AI 在這類項目里的 KPI 往往是“提升勘探成功率”“縮短解釋周期”而不是“降低全生命周期碳排放”。所以當(dāng)你說“AI 能減少能源浪費(fèi)”時需要明確減少的是鉆探浪費(fèi)還是化石燃料消耗總量。這兩個是不同尺度的問題。3.2 中下游煉化、供應(yīng)鏈和能效優(yōu)化油氣行業(yè)中游是管道運(yùn)輸和儲存下游是煉化、銷售。AI 在煉化廠里可以做實時參數(shù)優(yōu)化比如根據(jù)原油性質(zhì)、設(shè)備狀態(tài)、市場需求調(diào)整催化裂化、加氫等工藝參數(shù)提高輕油收率降低能耗。供應(yīng)鏈調(diào)度也是熱點(diǎn)原油采購、運(yùn)輸安排、庫存管理都可以做成優(yōu)化問題減少空駛和倉儲能耗。這類項目相對溫和因為它優(yōu)化的是“把油品生產(chǎn)得更高效”。但如果生產(chǎn)規(guī)模不變甚至擴(kuò)大單位能耗下降并不意味著總排放下降。所以評估時要有兩個視角一個是“效率提升”一個是“總量變化”。很多 AI 項目只能證明前者后者需要業(yè)務(wù)數(shù)據(jù)支持。3.3 工程上的判斷標(biāo)準(zhǔn)整體排放變化既然 AI 可以出現(xiàn)在節(jié)能場景也可以出現(xiàn)在勘探和生產(chǎn)優(yōu)化場景那怎么判斷單個項目的影響我更推薦的做法是設(shè)置一個“排放影響評估基線”部署 AI 之前記錄該業(yè)務(wù)的單位產(chǎn)出能耗、總產(chǎn)出量。部署 AI 之后記錄同樣的指標(biāo)并考慮新一輪業(yè)務(wù)擴(kuò)張帶來的額外產(chǎn)量。如果總產(chǎn)出量不變效率提升帶來單位排放下降那好。如果效率提升導(dǎo)致行業(yè)整體產(chǎn)量增加那需要額外計算新增產(chǎn)量的全流程排放。很多 AI 項目不采集這些數(shù)據(jù)導(dǎo)致“效率提升”和“減排”劃等號。實際工程里這兩個概念經(jīng)常被混淆。你要做的不是否認(rèn) AI 對業(yè)務(wù)效率的貢獻(xiàn)而是把貢獻(xiàn)放在更大的系統(tǒng)里重新估值。4. 工程實踐AI 系統(tǒng)如何做“氣候友好”設(shè)計如果你已經(jīng)決定在自己負(fù)責(zé)的 AI 項目里加入能耗和氣候視角下面這些做法都可以直接落到流程中。4.1 需求評估不該用 AI 的地方別用AI 不是所有問題的默認(rèn)解。有些場景用規(guī)則引擎、線性回歸、緩存策略就能解決硬搬大模型只會增加資源開銷。我見過不少項目把“用戶問題分類”從正則升級成大型語言模型準(zhǔn)確率提升有限推理成本上漲十幾倍。所以在立項階段先問三個問題用 AI 是否真的能帶來可度量的增益有沒有更輕量的傳統(tǒng)方法可以達(dá)到 80% 的效果模型上線后預(yù)期請求量、并發(fā)量、QPS 是多少如果答案偏向“現(xiàn)有的簡單方法已經(jīng)夠用”就應(yīng)該選擇更簡單的方案。這不是排斥 AI而是避免無意義能耗。低能耗 AI 的第一個原則是“盡量不用 AI”。4.2 模型瘦身量化、蒸餾、剪枝如果你的場景確實需要 AI那就要控制模型體積。目前比較成熟的技術(shù)包括量化把模型權(quán)重從 FP16 壓縮到 INT8、INT4推理時顯存占用變小速度往往也會提升。蒸餾用大模型生成訓(xùn)練數(shù)據(jù)訓(xùn)練一個小模型讓它模仿大模型的輸出。領(lǐng)域簡單時小模型效果可以非常接近大模型。剪枝把網(wǎng)絡(luò)中貢獻(xiàn)較低的權(quán)重刪掉減少計算量。結(jié)構(gòu)化剪枝對硬件更友好。提前退出對簡單輸入模型在較淺層就能輸出不必跑完全部網(wǎng)絡(luò)層。模型瘦身不是越狠越好。量化會導(dǎo)致精度輕微下降蒸餾需要額外訓(xùn)練成本剪枝需要重新驗證。我建議先拿測試集做對比量化后模型 F1、準(zhǔn)確率、生成質(zhì)量是否在可接受范圍推理延遲和顯存是否明顯下降。能通過就上。4.3 部署優(yōu)化按需擴(kuò)容、冷熱分離、調(diào)度部署階段是能耗優(yōu)化的重頭。要點(diǎn)是讓資源使用貼合真實流量曲線。首先是容量規(guī)劃。不要按峰值流量一直保留全部節(jié)點(diǎn)?？梢栽O(shè)置自動擴(kuò)縮容比如 CPU 超過 70% 持續(xù) 2 分鐘再擴(kuò)容流量下降后縮容。這樣能減少低谷期的空閑浪費(fèi)。其次是冷熱分離。高頻使用的模型放 GPU 節(jié)點(diǎn)低頻使用的模型放到 CPU 節(jié)點(diǎn)或者干脆按需加載。很多公司把所有模型都塞在 GPU 集群里低頻模型一天只有幾十次調(diào)用GPU 卻一直在線。這種情況用一個輕量 CPU 服務(wù)加冷啟動緩存更劃算。然后是調(diào)度。如果有多張 GPU盡量把同批次的推理請求聚合到一個批次減少重復(fù)計算。常見的 TensorRT、vLLM、ONNX Runtime 都支持動態(tài)批處理。生產(chǎn)環(huán)境里提高 GPU 利用率是降低單位能耗最直接的手段。4.4 運(yùn)行監(jiān)控給服務(wù)加能耗指標(biāo)你無法改進(jìn)沒有被度量的東西。AI 服務(wù)的傳統(tǒng)監(jiān)控指標(biāo)是 QPS、延遲、錯誤率、GPU 利用率但很少記錄能耗。我建議在監(jiān)控面板里增加這幾項每服務(wù)每小時耗電kWhGPU/CPU 平均利用率每千次請求平均耗電當(dāng)前電力碳強(qiáng)度估算如果有第三方 API 或電網(wǎng)數(shù)據(jù)按模型版本統(tǒng)計的累計能耗和碳排加這些指標(biāo)不復(fù)雜。GPU 可以用 nvidia-smi 輪詢功耗CPU 可以用 RAPL 讀取配合 Prometheus 和 Grafana 就能搭一套基礎(chǔ)能耗看板。有了看板之后你才能回答“上一個模型版本比這個版本更費(fèi)電嗎”“新上線的量化模型省了多少電”這類具體問題。建議先不要追求精確到毫瓦級別的計量。第一周只需要在原有的可觀測性系統(tǒng)里加上“GPU 功耗匯總”和“每請求功耗”兩個指標(biāo)就能發(fā)現(xiàn)很多意外。5. 一份可落地的綠色 AI 排查清單理論說得再多最終要落到操作。下面這份清單是我自己在項目里經(jīng)常使用的順序適合從單體 Demo 到批量服務(wù)排查能源問題時參考。5.1 從最小樣例到批量任務(wù)的能源差異第一步永遠(yuǎn)是先跑一個最小樣例。如果一條輸入都跑不通就不要討論批量性能和能耗。最小樣例要驗證的內(nèi)容包括模型能正常加載輸出結(jié)構(gòu)符合預(yù)期。單次推理時顯存占用、時間消耗在合理范圍。輸出目錄、日志路徑、臨時文件不會把磁盤寫滿。跑通之后再進(jìn)入批量任務(wù)。批量任務(wù)里要注意輸入順序和數(shù)據(jù)傾斜。比如一批數(shù)據(jù)里混入幾張超大分辨率圖片處理時間可能比其他數(shù)據(jù)高出 10 倍導(dǎo)致整體隊列阻塞。不要一上來就開 30 個并發(fā)先用 1 個進(jìn)程處理 50 條數(shù)據(jù)記錄總耗時、峰值內(nèi)存和功耗再逐步加并發(fā)。5.2 參數(shù)取舍批大小、并發(fā)數(shù)、早停標(biāo)準(zhǔn)能耗優(yōu)化需要關(guān)注一組參數(shù)之間的平衡。常見的有訓(xùn)練批大小增大批大小能提高 GPU 利用率但顯存不夠時反而需要梯度累積增加時長。推理并發(fā)數(shù)并發(fā)過高會導(dǎo)致排隊和重試?yán)速M(fèi)資源并發(fā)過低則節(jié)點(diǎn)利用不充分。一般通過壓測找到“延遲拐點(diǎn)”。訓(xùn)練輪數(shù)沒有早停的模型訓(xùn)練很浪費(fèi)。建議設(shè)置驗證集指標(biāo)連續(xù) N 個 epoch 不提升就停止。輸出長度限制大模型的推理耗時和輸出 token 數(shù)強(qiáng)相關(guān)限制最大輸出長度能顯著降低耗時和能耗。這些參數(shù)沒有絕對最優(yōu)值。我一般會記錄“單位有效輸出的能耗”而不是只盯著“訓(xùn)練時間”。比如增加批大小讓訓(xùn)練時間縮短但如果顯存不足導(dǎo)致 OOM 重啟反而更耗資源。5.3 常見誤區(qū)速度、占用和碳排之間的關(guān)系容易踩的誤區(qū)有三個。第一個是“速度快就是能耗低”。不一定。如果提速是通過把模型從 CPU 換到高功耗 GPU 實現(xiàn)的單次耗時下降但單位能耗可能上升。要看整機(jī)功耗和響應(yīng)時間的乘積。第二個是“模型越小一定越環(huán)保”。小模型確實推理成本低但如果效果達(dá)不到要求需要重復(fù)訓(xùn)練、調(diào)參、重寫提示詞整體碳排可能更大。對比時要看達(dá)到同樣質(zhì)量水平下的總成本而不是單看參數(shù)量。第三個是“本地跑比云端更環(huán)保”。本地和云端的能耗取決于硬件效率、資源利用率和電力來源。本地一臺滿載的舊服務(wù)器可能比云端一個高效按需實例更耗電云端如果不縮容同樣浪費(fèi)。核心是看資源利用率而不是部署位置。5.4 排查順序耗電異常時怎么一步步查如果你的監(jiān)控發(fā)現(xiàn)某個 AI 服務(wù)耗電異常升高建議按下面順序排查看流量這個時間段的 QPS、輸入數(shù)據(jù)量、請求類型是否出現(xiàn)異常。長文本、視頻、圖片請求數(shù)量增加會直接推高計算量?？慈萘抗?jié)點(diǎn)數(shù)量、GPU 利用率和顯存占用是否異常。如果節(jié)點(diǎn)沒變化但功耗升高多半是單請求變重如果節(jié)點(diǎn)自動擴(kuò)容了要看擴(kuò)容閾值是否設(shè)置過低?？匆蕾囀欠裼卸〞r任務(wù)、數(shù)據(jù)同步、日志采集在同一時間搶占 CPU/磁盤/網(wǎng)絡(luò)?？茨Ｐ桶姹咀罱欠癜l(fā)布過新模型權(quán)重大小、量化方式、推理框架是否變更。看配置批處理大小、最大輸出長度、并發(fā)上限、超時時間是否被修改過。這個順序能覆蓋大多數(shù)情況。不要上來就懷疑模型本身很多能耗問題其實是流量波動和部署配置引起的。6. 結(jié)語AI 不會天然帶來氣候收益工程化時要算總賬把算力側(cè)和應(yīng)用側(cè)放在一起看會更清楚這個主題的關(guān)鍵AI 的潛在氣候效益是存在的但它不是自動發(fā)生的AI 在幫助提高能源效率和幫助發(fā)現(xiàn)更多化石能源這兩個方向上同時發(fā)揮作用。對工程團(tuán)隊來說真正能控制的部分不是宏觀能源結(jié)構(gòu)而是自己設(shè)計、訓(xùn)練、部署的 AI 系統(tǒng)到底消耗了多少資源以及它服務(wù)的業(yè)務(wù)方向能不能帶來可持續(xù)的收益。6.1 我的實測經(jīng)驗從三個視角拆開看我做過幾個 AI 項目的能耗復(fù)盤最有價值的改變就是拆開算三筆賬。第一筆賬是訓(xùn)練賬。每次訓(xùn)練任務(wù)跑完先看 GPU 累計功耗、訓(xùn)練輪數(shù)和早停條件。很多訓(xùn)練任務(wù)多跑了十幾輪性能提升微乎其微。第二筆賬是服務(wù)賬。推理服務(wù)上線后記錄每周 QPS、節(jié)點(diǎn)數(shù)量和 GPU 利用率。遇到流量下降 70% 的周末節(jié)點(diǎn)數(shù)沒變這就是最大浪費(fèi)。第三筆賬是應(yīng)用賬。這個 AI 系統(tǒng)上線后到底改變了什么。如果是優(yōu)化電網(wǎng)調(diào)度那看單位電量節(jié)省如果是油氣勘探那看它對后續(xù)業(yè)務(wù)產(chǎn)量的影響以及能否在業(yè)務(wù)目標(biāo)里加入“降低無效鉆探”這類指標(biāo)。這三筆賬不用做得很復(fù)雜Excel 或者一個簡單的統(tǒng)計腳本就能完成。關(guān)鍵是形成對照讓每次工程決策都有能耗依據(jù)。6.2 給做 AI 項目的人三條建議如果你正在負(fù)責(zé) AI 業(yè)務(wù)我建議從今天開始做三件事第一給現(xiàn)有模型服務(wù)加一個“能耗概覽”面板至少記錄 GPU 功耗和每千請求耗電。不一定要立刻優(yōu)化但要能看到趨勢。第二在模型選型評估表里新增一列“資源成本”把推理耗時、顯存占用、整機(jī)功耗和后續(xù)擴(kuò)展成本寫進(jìn)去。不要只看準(zhǔn)確率。第三在項目立項時明確一個問題這個 AI 系統(tǒng)是讓某項活動的總排放下降還是讓單位產(chǎn)出效率更好了如果是后者要意識到它可能被更大的業(yè)務(wù)增長所掩蓋。不要把這個矛盾藏起來把它寫進(jìn)風(fēng)險清單和業(yè)務(wù)方一起討論。6.3 最后一句話AI 的氣候影響從來不是一句“AI 會毀滅環(huán)境”或“AI 能拯救地球”就能說清的。真正值得做的是在每一個 AI 項目的需求、訓(xùn)練、部署、監(jiān)控環(huán)節(jié)里把能耗和業(yè)務(wù)價值放在同一張表上計算。把這件事做好比單純等一個“綠色 AI 框架”要可靠得多。