AI 效率越高，全球碳排放量为何反而可能上升

讨论 AI 绿色化时，人们很容易掉进一个逻辑误区：只要算法得到优化、单次推理的能耗下降，AI 就一定能帮助地球减少排放。但如果把问题放进全球能源经济模型中，结果可能完全相反。这背后对应的是一个经典的经济学现象——杰文斯悖论（Jevons Paradox）：技术提高了某种资源的利用效率之后，成本随之下降，人们会大规模使用这种资源，最终总消耗量不降反升。

AI 确实提升了单位算力的能效，但这种“效率红利”会推动企业把 AI 部署到更大规模。假设原本需要 10 台服务器才能完成的复杂任务，经过量化技术或模型蒸馏后，只需要 1 台服务器就能完成，公司不会因此少用 9 台服务器。相反，省下来的成本和算力会被拿 去尝试 100 个原本因成本过高而无法上线的潜在项目。这样的规模扩张，速度往往超过技术本身带来的节能幅度。

这一逻辑可以通过几条传导路径来理解。所谓“绿色 AI”，正可能在实际运行中失去原本的减排效果。

能效提升引发需求激增与场景泛化

一条路径是“能效提升 → 成本下降 → 需求激增”。推理成本下降后，AI 会被集成到越来越细小的应用场景中。过去可能只有核心业务才会调用 LLM，现在 Token 成本极低，开发者会把 AI 放进所有按钮、所有输入框以及所有后台自动化流程。AI 的泛在化使调用次数呈指数级增长，数据中心的总电量需求也随之被推高。

生产力跃迁带动基建扩张与硬件碳排

另一条路径来自生产力跃迁所带动的能源消费升级。AI 推动的 GDP 增长会带动实物基础设施建设。为了承接海量推理请求，全球需要建设更多数据中心，而这些硬件设备的生产过程本身就伴随着较高碳排放。以一款典型 400W TDP 的 H100 芯片为例，从硅片刻蚀到封装，制造端产生的碳足迹在设备全生命周期中占据相当大的比例。算力竞赛还会缩短硬件迭代周期，电子垃圾增加，以及先进制程制造带来的能耗，都可能抵消算法优化带来的有限节能。

更关键的是，算力竞赛会加速硬件更替。企业为了追求极致性能，会频繁更换计算集群。比如从 A100 迁移到 H100，单 Token 能效比虽然提高了，但大规模替换硬件也意味着数以万计的旧设备被淘汰，而新设备的生产又需要极高能耗的极紫外光刻（EUV）工艺。这种端到端的碳足迹，在目前的统计模型中经常被忽略。

算法优化难以抵消总量增长的排放

在这种逻辑模型下，单纯依靠“算法优化”减少碳排放，大概率行不通。只要效率提升带来的经济收益高于节能所能带来的成本下降，市场就会继续推动更多资源投入。除非强制设定能源消费上限，或者能源结构瞬间完成 100% 的纯绿电替换，否则 AI 带来的生产力跃迁，本质上仍是一场关于碳排放的豪赌。

这也给 AI 部署和架构设计者提出了明确要求：不能只盯着效率，还要关注总量。一个优化方案即便让能效提升 20%，只要它同时带来 200% 的用户量增长，那么从环境角度看，这项优化就是负资产。