生成式人工智能悖论：资源消耗还是气候解决方案的催化剂？

什么是生成式人工智能悖论？

生成式人工智能悖论指的是这样一个有据可查的事实：生成式人工智能消耗着日益增长的电力、淡水和关键材料，同时又是当前可用于气候减缓、电网优化和材料创新的最强加速器之一。两个方面都建立在经过测量的公开数据之上，任何一方都不能抵消另一方。国际能源署（IEA）报告称，全球数据中心用电需求在 2025 年增长 17%，达到 485 太瓦时（TWh）；该机构另行估计，广泛部署现有人工智能应用可在 2035 年避免 14 亿吨（Mt）二氧化碳排放。对管理者而言，生成式人工智能悖论不是一场需要赢下的辩论，而是一个需要裁断的资源配置问题：每一次部署都伴随着可测量的资源成本和有条件的减排收益，只有严谨的测量才能确定孰大孰小。本文阐述如何逐案作出这一判断，而不是笼统地对人工智能创新表态支持或反对。

生成式人工智能消耗多少电力和水？

生成式人工智能的资源消耗如今是实测数据而非估算，公开数字在总量上极为庞大，但分摊到单次请求上却很小。国际能源署于 2026 年 4 月 16 日发布的报告 Key Questions on Energy and AI 指出，全球数据中心用电需求在 2025 年增长 17%，达到 485 太瓦时，并预计到 2030 年约达 950 太瓦时，约占全球电力需求的 3%；与此同时，以人工智能为核心的数据中心用电量在 2025 年激增 50%，预计到 2030 年将增至三倍。在单次请求层面，Google 于 2025 年 8 月 21 日发布的技术论文 Measuring the Environmental Impact of Delivering AI at Google Scale 报告称，Gemini Apps 的中位文本提示消耗 0.24 瓦时能量，排放 0.03 克二氧化碳当量，消耗 0.26 毫升水。这两个尺度必须放在一起阅读，因为单看微不足道的请求汇聚起来就会形成国家级规模的电力需求。

已公开的 AI 足迹披露究竟报告了什么？

已公开的 AI 足迹披露如今涵盖能源、碳、水和材料四个不同的影响类别，但它们采用的系统边界各不相同，因此数字无法直接比较。Google 测算的是运营服务阶段的影响：加速器、主机系统、闲置容量和数据中心的能耗开销。Mistral AI 则委托开展了完整的生命周期评估，涵盖数据中心建设、硬件制造、模型训练以及 18 个月的推理，该评估与 Carbone 4 及法国生态转型署 ADEME 合作完成，于 2025 年 7 月 22 日发布。边界上的这一差异解释了为何 Mistral 报告一次 400 token 回复耗水 45 毫升，而 Google 报告中位提示耗水 0.26 毫升：这两个数字回答的是不同的问题。下表汇总了管理者可以引用的主要披露，每一项都标明发布方、日期和范围，以便任何足迹主张都能追溯到源头，而不是道听途说地转述。

生成式人工智能在哪些领域真正成为气候解决方案的催化剂？

生成式人工智能及相关机器学习系统在四个已有公开证据的领域带来可测量的气候价值：电力系统运行、并网规划、工业能效以及新材料发现。国际能源署 2025 年 4 月发布的报告 Energy and AI 对其中三项作了量化。将人工智能应用于电厂运行与维护，到 2035 年每年可节省高达 1,100 亿美元成本；现有线路上可释放多达 175 吉瓦（GW）的额外输电容量；电子和机械制造等轻工业到 2035 年可实现 8% 的节能。就所有终端用途部门而言，国际能源署的广泛采用情景将 2035 年的避免排放量定为 14 亿吨二氧化碳，该报告称这相当于其自身数据中心情景中数据中心排放总量的三至四倍。以下应用展示了这些收益目前的落地方向：

• 并网规划——服务于美国 13 个州及哥伦比亚特区共 6,700 万人口的 PJM Interconnection 于 2025 年 4 月 10 日宣布与 Google 及 Tapestry 展开多年合作，将人工智能应用于其发电并网流程并缩短申请审查时间。
• 输电容量——动态线路定容与阻塞预测，国际能源署估计可在现有输电线路上释放多达 175 吉瓦的额外容量。
• 电厂运行与维护——预测性维护与调度优化，国际能源署估算到 2035 年可通过减少燃料消耗和降低成本每年节省高达 1,100 亿美元。
• 工业流程优化——在国际能源署的广泛采用情景下，电子和机械制造等轻工业到 2035 年可实现 8% 的节能。
• 新材料发现——发表于《自然》（第 639 卷，第 624-632 页，2025 年 1 月 16 日）的 MatterGen 生成无机晶体结构，其成为全新且稳定结构的概率是既往生成模型的两倍以上，从而缩短了电池、磁体和催化剂材料的探索周期。
• 可持续发展数据工作——对供应商问卷和披露数据集进行抽取、核对与缺口标记，在不取代人工复核和外部鉴证的前提下压缩报告周期。

气候收益能抵消资源成本吗？

气候收益并不会自动抵消资源成本，因为收益是一种建模情景，而消耗则已经在发生。国际能源署对此表述明确：该机构指出，目前并不存在能够确保这些人工智能应用被广泛采用的势头，并点名数据获取、基础设施、监管和回弹效应是可能抵消建模收益的障碍。相比之下，消耗一侧是实测可见的。在国际能源署 2025 年 4 月发布 Energy and AI 报告时，数据中心约占全球燃烧排放的 0.5%，到 2030 年在其基准情景中升至 1%，在其 Lift-Off 情景中升至 1.4%；国际能源署 2026 年 4 月的更新则将 2035 年数据中心排放定为约 3.5 亿吨，约占全球电力部门排放的 2%。管理者若在尚未落实采用条件的情况下就把 14 亿吨收益记入账内，等于把预测当成了业绩：避免的排放是一项有条件的目标，需要逐次部署去挣得，而不是已经入账的信用。

哪些绿色 AI 实践能够降低足迹？

绿色 AI 实践无需等待监管即可降低人工智能部署的足迹，而且每一项都属于管理决策而非研究难题。单项最大的杠杆是模型适配：让模型能力与任务相匹配，而不是把每一个请求都交给可用的最大模型。第二项是在核算中区分训练与推理，因为一次训练完成的模型可能服务数十亿次请求；国际能源署也指出，视频生成等新兴应用的能耗是简单文本查询的数百甚至数千倍。设施能效可通过电能使用效率（PUE）和水资源使用效率（WUE）加以测量和比较，而软件层面的排放则可依据已标准化为 ISO/IEC 21031:2024 的 Software Carbon Intensity 规范进行量化。以下实践属于人工智能采购与运营政策的范畴，而非工程待办清单：

• 为模型选定合适规模——将每项任务导向能够达到质量阈值的最小模型，并实测质量差异而非想当然。
• 在核算中区分训练与推理——将摊销后的训练足迹与边际推理足迹作为两个独立数字分别报告，并注明各自边界。
• 把弹性负载安排在电网低碳时段——批处理作业、微调和评估运行可以跟随电网碳强度而非办公时间。
• 在供应商合同中设定 PUE 与 WUE 门槛——Uptime Institute 记录到 2025 年行业加权平均 PUE 约为 1.54，因此高于平均水平的能效必须写明，而不能想当然。
• 在采购条款中要求披露足迹——要求提供每单位服务的能源、碳和水数据，并在合同中写明系统边界与方法学。
• 对硬件采用循环做法——Nature Computational Science 的建模显示，沿生成式人工智能价值链采取循环路径可将电子废弃物减少 16% 至 86%。
• 依据 ISO/IEC 21031:2024 测量软件碳强度，使能效主张可在不同版本之间以及不同供应商之间进行比较。

如何判断生成式人工智能何时属于净正效益？

当一项生成式人工智能用例的实测资源成本低于它可被证实替代掉的资源消耗，且两个数字都经得起外部审视时，该用例即为净正效益。这一判断需要的是一套流程而非一种观点，其中每一步都会产出董事会、审计师或监管机构可以查验的文件。以下流程同样适用于 ESG 数据管线、气候情景工具和内部助手，并有意把测量置于抱负之前：一项从未量化过足迹的部署，无论主题为何，都不能被称为气候解决方案。采用这一流程的管理者通常会直接否决少数拟议用例，将更大比例的用例改用更小的模型或收窄适用范围，并在附加明确监测条件后批准其余用例。六个步骤依序进行，不得因前一步得出了令人不快的答案就跳过后续步骤：

1. 量化该部署的足迹——能源、碳、水和硬件——采用已声明的系统边界和已公开的方法学，例如 ISO 14040/14044 或 Greenhouse Gas Protocol Product Standard。
2. 指明反事实情形：这项部署实际取代的是哪一个流程，其基准年为何，实测资源消耗又是多少？
3. 计算净效应，并以带有不确定性的区间形式公布，而不是给出一个令人安心的单一数字。
4. 在部署之前（而非事故之后）对照欧盟人工智能法案和 ISO/IEC 42001:2023 检验数据治理——来源、血缘、留存、最小化与文档记录。
5. 检验沟通：你打算公布的每一个数字，是否都能向审计师说明其范围、基准年、方法学和验证状态？
6. 六到十二个月后重新测量以发现回弹效应，因为使用量的增长可能把单位效率的改善完全抵消。

负责任的数据管理如何让生成式人工智能变得可治理？

负责任的数据管理是让 AI 足迹主张具备可审计性的控制层，如今它已具有法律约束力。数据来源记录训练数据和输入数据的出处，数据血缘记录这些数据如何被转换，而留存与最小化则限制存储的数量与时长——存储本身就是一项持续的能源成本。根据欧盟《人工智能法案》，通用人工智能（GPAI）模型的提供方须依据第 53(1)(a) 条和附件 XI 保存技术文档，其中包括该模型已知的能源消耗，或依据所用算力资源推算的估计值。ISO/IEC 42001:2023 作为首个人工智能管理体系国际标准，提供了外围的治理框架：影响评估、可追溯性、人工监督与持续改进。下表列明各项文书分别创设何种义务、约束哪些主体、自何时起适用。

为什么 AI 传播沟通决定了你的气候叙事能否经受审视？

AI 传播沟通——将机器生成的分析转化为可供决策使用的叙事这一门学问——决定了一项气候主张能否经受监管机构的检验，而这正是生成式人工智能带来最尖锐声誉风险之处。无论底层数据质量如何，生成式模型都会输出流畅而笃定的文字，这意味着一份未标明来源的 AI 输出，读起来可能比一份谨慎附加限定条件的人工分析更具权威感。监管机构已经开始对由此产生的主张展开执法。美国证券交易委员会（SEC）于 2024 年 3 月 18 日就所谓 AI-washing 提起首批执法行动，就两家投资顾问在人工智能使用方面作出虚假和误导性陈述达成和解，合计民事罚款 40 万美元。2025 年 2 月 20 日，该监管机构设立了 Cyber and Emerging Technologies Unit，明确将与人工智能相关的不当行为纳入其职责范围。因此，故事讲述与影响力沟通如今意味着在公布结论的同时一并公布其来源。

面向董事会的 AI 辅助可持续发展叙事应如何构建？

当一份借助 AI 形成的可持续发展叙事按照固定顺序组织、将证据与解读分开呈现时，它才能赢得董事会和监管机构的信任。按下列顺序呈现各个组成部分，正好对应审计委员会审视气候披露的方式，能让薄弱环节及早暴露，而不是等到提问环节才浮现：

1. 该分析所要回答的问题，在展示任何结果之前用一句话说明。
2. 所使用的数据，包括来源、覆盖期间以及已知的缺口。
3. 方法，说明哪个模型或工具产出了分析的哪一部分，以及人工在何处介入。
4. 结论，以带有不确定性的区间形式表达，而非单一数字。
5. 所请求的决策，以及在什么情况下这项决策会被证明是错误的。
6. 验证状态——内部复核、外部鉴证，或两者皆无——直截了当地说明。

管理者需要哪些技能来治理生成式人工智能的足迹？

治理生成式人工智能的足迹需要两类很少出现在同一份职位描述中的技能：负责任的数据管理与影响力沟通。负责任的数据管理涵盖来源、血缘、留存、最小化，以及欧盟人工智能法案和 ISO/IEC 42001 所创设的文档义务，这与支撑可信环境、社会及治理（ESG）报告的正是同一门学问。故事讲述与影响力沟通则涵盖如何把这些证据转化为董事会、监管机构和公众都能据以行动而不被误导的叙事。绿色 AI 实践居于两者之间，因为为模型选定合适规模同时是一项工程决策、一项采购决策和一项披露决策。下表将每项技能对应到管理者必须能够产出的文件，而这也正是招聘方和审计师检验该技能的形式。

SUMAS 的哪条路径适合你的背景？

SUMAS 通过四条路径教授可持续金融与人工智能创新，它们在入学门槛、学制和授课形式上有所不同，而非在学科内容上有别，因此选择应从你目前的学历和实际可投入的学习时间出发。四条路径均由 SUMAS — Sustainability Management School 以英语授课，该校在瑞士 Gland 设有 Lake Geneva 校区，在意大利 Milan 设有城市校区，并获得 ACBSP 认证。SUMAS 的人工智能教学由 Jan Erik Meidell 教授（博士）主持，其课程包括统计学与机器学习、商业应用人工智能、区块链与去中心化金融，以及 Capstone: AI for Good；他本人的研究工作将人工智能与数据科学应用于可持续发展和 ESG 治理议题。AI for Good 是一门顶点课程而非独立学位，因此专程寻找它的读者应向招生办公室确认目前哪条路径开设该课程。下表按实际决定选择的标准对四条路径进行比较。

如何借助 SUMAS 培养绿色 AI 与负责任数据管理的能力？

培养治理生成式人工智能的能力，应从一个比选学位更具体的问题入手：上文列出的文件中，哪一份是你今天做不出来的？足迹测量和净影响分析要靠在真实数据集上反复进行技术训练来养成，而负责任的数据管理与影响力沟通则要靠在真实组织约束下的应用型项目，以及在有能力质疑你的听众面前为一个数字辩护的历练来养成。SUMAS 通过与合作机构共同开展的 Sustainability Industry Projects 以及顶点项目培养这两方面能力，并公布其各项目毕业生就业率为 90%。正在考虑转型的读者还可以阅读我们关于可持续发展管理职业路径以及循环经济策略的指南，其中更深入地探讨了发展路径与资源效率概念。实际可行的下一步，是选择那条在学制与形式上最能让你尽快补齐缺失文件的路径。