夜雨聆风
AI的碳账本：我们在用地球的未来换一个更聪明的搜索框
每次你让ChatGPT帮你改邮件、生成代码、或者只是随口问了一句废话，地球某个角落的数据中心就在悄悄燃烧。这不是环保主义者的夸张，而是一笔算得清楚的账——只是大多数人从没想过去算。
先从一个具体的数字开始。训练一次GPT-4级别的大模型，大约会排放500吨到1000吨二氧化碳当量。这个数字本身没什么感觉，直到你把它换算成别的东西：一辆普通燃油车开一辈子（按15万公里算）大约排放30吨。也就是说，训练一次GPT-4，相当于15到30辆车把它们一生的碳排放额度一次性花光。
500~1000吨
训练一次GPT-4级别模型的碳排放当量（吨CO₂e）
但这还不是故事的全部。训练只是一次性成本，推理才是持续的消耗。每一次对话、每一次生成，都在调用算力，都在耗电。有研究估算，ChatGPT每天处理约1000万次查询，单次查询的能耗大约是谷歌搜索的10倍。谷歌搜索已经是人类历史上规模最大的计算基础设施之一，而AI推理的单次能耗是它的十倍。
我们低估了「使用」的重量
大多数讨论AI碳足迹的文章，都把焦点放在训练上。训练的数字确实震撼，适合做标题。但真正的长尾成本在推理端。想象一下：全球有数亿用户每天使用各类AI工具，每次调用都在产生碳排放，而这个规模还在指数级增长。训练是一颗炸弹，推理是一条永不停歇的漏水管。
「
训练是一次性的震撼，推理是慢性的失血。
」
更值得警惕的是，AI的能耗增长速度，已经开始让电网规划者感到头疼。微软、谷歌、亚马逊这些科技巨头，都在过去两年里宣布重启或新建核电合作计划。微软甚至签了协议，要重启三里岛核电站的一个机组，专门给AI数据中心供电。这件事本身就说明了问题的量级——当你的用电需求大到需要一座核电站来支撑，「节能」这个词已经不够用了。
效率提升是解药，还是加速器？
1模型变小了：从GPT-4到各种小模型、端侧模型，参数量在压缩，单次推理能耗在下降
2但用量爆炸了：更便宜、更快的AI让更多人用、更频繁地用，总能耗反而上升
3这就是经济学里的「杰文斯悖论」：效率提升不减少消耗，反而刺激更多使用
杰文斯悖论在工业革命时就被发现了。蒸汽机变得更高效，但英国的煤炭消耗量反而增加了，因为更便宜的蒸汽动力催生了更多工厂、更多需求。AI正在重演这个剧本。每一次效率跃升，都在为下一轮消耗扩张铺路。
但也不要陷入另一种偏差
说了这么多「AI很耗能」，有必要补一个反向的视角。AI的碳足迹是真实的，但它替代的那些事情也有碳足迹。一次AI辅助的药物分子筛选，可能减少了数年的实验室物理实验；一个AI优化的物流路径，可能每年节省数百万升燃油；数据中心的AI调度系统，已经帮谷歌把冷却能耗降低了约40%。问题从来不是「AI耗能」这个孤立的事实，而是：它消耗的能量，换来了什么。
●真正的问题不是AI耗不耗能，而是这些能耗是否花在了值得的地方——用AI改邮件语气，和用AI加速癌症研究，碳足迹可能相近，但价值完全不同。
一个没人愿意认真算的账
目前全球AI行业的碳排放，还没有统一的披露标准。OpenAI不公开训练能耗，谷歌的报告里AI部分语焉不详，各家数据中心的PUE（电能使用效率）数字也各说各话。这不是技术上算不清楚，而是没有人有动力把这笔账算清楚、公开出来。碳排放数字一旦清晰，就会变成监管抓手，变成公众压力，变成竞争劣势。所以它就这样模糊着。
10×
AI单次查询能耗约为谷歌搜索的倍数
这才是最值得警惕的结构性问题：不是技术本身，而是整个行业对核算透明度的系统性回避。当我们无法准确衡量一件事的代价，我们就无法做出真正理性的选择。我们不知道该不该用AI，用多少，用在哪里，因为那张账单从来没有完整地摆在我们面前。
✦ 小结
AI的能耗问题，本质上是一个计量问题和激励问题，而不只是技术问题。训练一次大模型的碳排放相当于几十辆车的终身排放，这个数字震撼但不是重点；真正的问题是：推理端的长尾消耗、效率提升带来的反弹效应、以及整个行业对透明核算的集体回避。在这张账单被认真算清楚之前，我们每个人都是在用一张不知道余额的信用卡消费。
