AI 提高生产力反而会让全球碳排放量增加这个结论挺反直觉的

很多人默认 AI 能优化电网、设计新材料，从而帮地球减排，但如果把视角拉到全球能源经济模型里看，结果可能恰恰相反。这种现象在经济学里有个经典逻辑，叫杰文斯悖论（Jevons Paradox）：当你通过技术手段提高了某种资源的利用效率，人们反而会因为成本降低而大规模增加该资源的使用量，导致总消耗量不降反升。

简单来说，AI 确实让单位算力的能效提升了，或者让某个工业环节的能耗降低了，但这种“效率红利”会直接刺激企业扩大规模。比如一个原本需要 10 台服务器完成的任务，现在只要 1 台就能搞定，结果公司不会省掉 9 台服务器，而是会尝试运行原本由于成本太高而无法实现的 100 个新项目。这种规模效应的扩张速度，远超技术节能的速度。

我想把这个逻辑拆解成几个具体的传导路径，看看为什么所谓的“绿色 AI”可能是个陷阱：

• 能效提升 → 成本下降 → 需求激增： 算法优化让推理成本降低，导致 AI 被集成到每一个极其微小的应用场景中，这种泛在化直接推高了总电量需求。
• 生产力跃迁 → 经济总量增长 → 能源消费升级： AI 驱动的 GDP 增长会带动更多实物基础设施的建设，比如更多的数据中心、更多的硬件设备，这些硬件的生产过程本身就是高碳排放的。
• 算力竞赛 → 硬件迭代周期缩短： 为了追求极致性能，芯片更换频率加快，电子垃圾增加，且先进制程的能耗在制造端其实非常恐怖。

在这种模型下，除非我们能强制给能源消费设上限，或者能源结构能瞬间完成 100% 的纯绿电替换，否则单纯靠“算法优化”来救地球大概率是没戏的。这种生产力带来的反噬，其实给所有在搞 AI 部署的人敲了警钟：不要迷信效率，要关注总量。