AI的双重性：AI拯救地球的可能性，在此之前——不可见的电力、水和排放问题

AI的双重性：AI拯救地球的可能性，在此之前——不可见的电力、水和排放问题

AI融入生活的速度在过去几年中显著加快。搜索、翻译、资料制作、图像生成、客户支持——便利性确实在扩大，但在这些“理所当然”的背后，AI需要大量的电力和水。数据中心的扩建、半导体的制造、用于冷却的水资源利用、为确保电源的发电结构变化。这些因素的积累，使得“AI是否对环境造成负担”的疑问越来越强烈。


然而，这次的Phys.org文章（转载自The Conversation）避免了简单的善恶二分法。AI虽然可能增加环境成本，但同样的AI也可以成为发现、削减和优化“资源浪费”的工具——这样的整理。换句话说，AI既可以是“消耗燃料的装置”，也可以成为“停止燃料浪费的控制装置”。问题在于，哪一方占上风，以及为了让哪一方占上风需要什么。


1) 首先是“负担”的问题：AI为何对环境有影响（负面意义）？

AI的环境负荷主要可以分为三类。

  • 电力：无论是学习（训练）还是推理（使用时的计算），都需要大量运转GPU/TPU等。

  • 水：与冷却和发电侧的水资源利用相关，在某些地区可能与水资源紧张相冲突。

  • 设备和材料：包括半导体、服务器、输电网增强、建材以及废弃物（电子垃圾）。


更棘手的是，效率化不一定能导致总量减少的“反弹（需求诱发）”。即使AI实现了节能，如果AI的使用量爆炸性增长，总电力也会增加。也就是说，要“在对环境有利的方向上”使用AI，不仅需要技术，还需要需求侧的设计（在哪里使用AI，哪里不使用），以及测量、公开、监管的框架。

2) 尽管如此，AI仍能成为“盟友”的理由：文章指出的5个现场

文章有趣之处在于，它不仅仅停留在“AI对环境对策有帮助”的抽象论述上，而是列举了多个现场的使用案例。在这里，我们将重点放在各个领域“可以削减什么”上。


（A）农业：减少水=减少电力

农业占全球淡水利用的很大比例。文章介绍了像阿根廷的气候科技公司Kilimo那样，利用机器学习和气象、卫星数据来优化“何时、在哪个区块、需要多少水”的精准灌溉。减少用水本身就是一种价值，但更重要的是减少用于抽水和输送到田地的能源。


此外，文章还提到了验证节水量并作为节水信用进行交易的机制。这是一种将环境负荷减少转化为经济激励的思路。


（B）数据中心：用AI削减AI的浪费

听起来有些讽刺，但AI在数据中心的运营中确实有效。文章指出，尽管数据中心的电力需求很大，但通过运营改善，效率化正在推进，AI可以分析“工作负载”“温度”“冷却效率”“电力使用”，并根据需求调整计算资源和冷却。


例如，在需求低的时段将服务器置于低功耗模式，优化冷却和气流，根据天气调整运营——这些“平凡的优化”积累起来，对于总电量大的设施效果更显著。重要的是，这些优化不仅仅是“理论上的节约”，而是与运营现场的KPI（电力成本、稼动率、温度限制、故障率）相结合。


（C）能源产业：通过检查和监测减少泄漏和损失

能源产业由于排放量大，改善空间也大。文章提到，通过无人机拍摄和图像分析检测管道等异常的案例，以及使用AI进行甲烷监测和估算的尝试。由于甲烷的短期温室效应强，泄漏对策的即时性容易受到关注。


然而，这里也容易产生反对意见。“化石燃料公司使用AI进行‘效率化’，结果是延长寿命？”这样的疑虑。AI既可以成为“加速脱碳的装置”，也可以成为“化石燃料高效化的装置”，因此社会需要选择使用的方向。


（D）建筑和区域供热：通过“机制”而非人的行为来削减

家庭和办公室的冷暖气和电力直接与排放相关。文章提到，在哥本哈根市中心通过优化区域供热（通过传感器读取建筑状态，预测24小时后的供给进行调整）的案例，以及作为研究引入AI减少中型办公室能源使用的可能性。
这里的关键在于，不是基于“请求”，而是系统主动消除浪费。人的节电意识有波动，但控制是持续的。读取温度、湿度、使用情况并匹配供给侧和消费侧是AI擅长的领域。


（E）航空：减少飞机云（航迹云）和燃料浪费

航空不仅涉及CO₂排放，飞机云的温暖化影响也被讨论。文章举例说明，通过AI调整飞行路线和高度，避免湿度条件以减少航迹云的形成，此外，通过运营数据提出高效路线以改善燃油效率。
航空由于安全和监管严格，实施需谨慎，但如果成功引入，效果也很大。

3) SNS的反应：共鸣和警戒“同时”进行

追踪这篇文章在SNS上的反应，语调大致分为两种。


①“AI不仅仅是破坏环境”派
在农业、建筑、航空等资源浪费大的现场使用AI作为“优化工具”得到了某种支持。“在需要的地方使用，可以抵消环境负荷”的期待。特别是像水和燃料的削减，与现场成本削减一致的领域，由于实施的现实性，容易被积极接受。


②“最终，总量会增加”派（警戒和批判）
另一方面，“即使效率化，使用增加也没有意义”“在节能的旗帜下数据中心不断增殖”的担忧根深蒂固。AI越普及，推理次数增加，模型大型化，数据中心投资加速。除非社会能战胜“便利的诱惑”，否则总量会增加——这样的看法。最近也有多篇文章关注AI和数据中心的电力需求、化石燃料回归、透明性不足的问题，在SNS上也在这一背景下被接受。


③“谁受益，谁负担”派（地区和公平性）
另一个逐渐增加的是公平性论点。数据中心的选址地区承担水和电力的负担，而利益流向其他地方。如果AI要“在全球范围内做好事”，那么如何分配其收益和负担，需要透明的解释。


值得注意的是，Phys.org方面的文章页面评论栏实际上没有运作（至少在显示上评论为0），SNS传播也不是大规模的炎上，而是“关注层互相分享”的类型。然而，由于这一主题本身在全球范围内持续讨论，文章所提示的“双面性”以为现有争论添加燃料的方式被阅读。


4) 结论：AI的环境问题是“设计”和“治理”，而非“技术”

文章始终暗示的不是“使用AI/不使用AI”，而是在何处、以何种条件、何种规模、如何测量使用才是关键。AI确实有用武之地。但AI的环境成本现实中正在膨胀，如果放任不管，“为了节约的AI”将被“增加消费的AI”吞噬。


现实的折中点可能集中在以下三点。

  1. 测量和公开：实现模型/服务的电力/水/排放的可视化（创造“可选择”的状态）。

  2. 优先级排序：比起娱乐性和过度用途，更应重点分配在社会效益大的领域（电力网、建筑、农业、产业效率）。

  3. 反弹对策：设计制度以防止效率化转化为需求增加（费用、法规、采购标准、与地方政府的协议）。


AI“拯救地球”的可能性不是零。但这不会自动发生。AI如果放任不管会消耗资源。如果设计得当，就能阻止浪费。最终，创造对地球友好的AI的不是AI本身，而是人类的决策。


出处URL

相关文章