大家都在聊 AI 算力有多猛

我看了一些最近关于 AI 气候影响的研究，发现这事儿真不是简单的“多用点电”那么简单。现在的讨论维度非常杂，从模型训练阶段的碳排放，到推理阶段（也就是我们平时用对话框问问题时）的能耗，再到数据中心冷却系统带来的水资源消耗，每一个环节都在拉高环境成本。

我把目前几个核心的研究方向和争议点梳理了一下，大家可以看看有没有理解偏差：

• 训练阶段的“爆发式”排放： 训练一个像 GPT-4 这种规模的模型，其产生的碳足迹基本相当于几辆车跑几十年的排放量。虽然现在很多大厂（比如 Google, Microsoft）都在搞碳中和，但算力需求的增长速度完全跑赢了绿电的转型速度。
• 推理阶段的“长尾”效应： 这是一个容易被忽视的坑。虽然训练一次很费电，但如果模型被全球几十亿人每天高频调用，推理阶段累积的能耗会极其恐怖。这种“碎片化”的能耗很难被精准统计，但也最难控制。
• 硬件生命周期与电子垃圾： 为了跑大模型，英伟达的 H100、B200 这些芯片迭代极快，旧的硬件更新换代非常迅速。这些高性能芯片的生产过程和报废后的处理，本身就是巨大的环境负担。
• 监管层面的“硬约束”： 现在欧盟那边已经在研究针对 AI 能效的强制性披露标准了。以后可能不光要比谁的模型聪明，还得比谁的“能效比”高，这对于那些只顾堆参数、不顾架构优化的工作流来说，是个巨大的挑战。

其实我一直在想，如果以后我们追求的是极致的参数量，那是不是本质上是在用地球的资源换取一点点智力增量？目前的解决思路主要还是靠算法优化，比如用更小的模型做蒸馏，或者在架构上搞点能效比更高的方案。

如果大家在做 AI Agent 或者构建复杂的 RAG 工作流时，真的能考虑一下如何减少不必要的冗余调用，或许也是一种从微观层面减碳的方式。