随着生成式人工智能技术的迅猛发展，全球数据中心正经历前所未有的扩张。然而，这种增长背后隐藏着严峻的环境代价——碳排放急剧上升。据国际能源署2025年4月报告预测，到2030年，全球数据中心用电需求将增长一倍以上，达到约945太瓦时，相当于日本全国的总用电量。更令人担忧的是，高盛研究8月分析指出，数据中心新增电力需求的约60%将来自化石燃料，可能导致全球碳排放增加约2.2亿吨。
面对这一挑战，麻省理工学院(MIT)及全球科学家和工程师正在积极探索创新解决方案，从算法效率提升到数据中心设计革新，多管齐下减轻AI技术的碳足迹。本文将深入探讨这些前沿技术和管理策略，揭示如何在不牺牲AI性能的前提下，实现绿色计算。
碳排放的双重挑战：运营碳与 embodied碳
"讨论减少生成式AI的碳足迹时，人们通常只关注'运营碳'——即数据中心内GPU处理器产生的排放，却忽视了' embodied碳'——即建设数据中心本身的碳排放。"MIT林肯实验室高级科学家、林肯实验室超级计算中心研究项目负责人Vijay Gadepally指出。
建设一个数据中心需要消耗大量钢材、混凝土，配备空调单元、计算硬件和数英里长的电缆，其碳足迹极为可观。这也是为什么Meta和Google等公司正在探索更可持续的建筑材料，如大规模使用木材替代传统建材。
此外，数据中心规模庞大。全球最大的中国电信-内蒙古信息公园占地约1000万平方英尺，能耗密度是普通办公楼的10-50倍。Gadepally强调："运营排放只是故事的一部分。我们正在研究减少运营排放的措施，其中一些也可能有助于减少 embodied碳，但未来我们需要在这方面做更多工作。"
降低运营碳排放的多维策略
减少数据中心运营碳排放的方法与家庭节能措施有许多相似之处。首先，可以"调暗灯光"——即使效率最低的灯泡，关闭或调暗也比全开节能。
林肯实验室超级计算中心的研究表明，将GPU功耗降至原来的约30%，对AI模型性能影响最小，同时还能降低硬件冷却需求。
另一种策略是使用能耗更低的计算硬件。训练新的推理模型如GPT-5通常需要大量GPU同时工作。高盛分析估计，最先进的系统可能同时运行多达576个互连GPU。但工程师有时可以通过降低计算硬件精度，使用针对特定AI工作负载调优的较低性能处理器来获得类似结果。
在部署前提升训练大型深度学习模型的效率也是关键。Gadepally的团队发现，训练AI模型所用电能的约50%用于提升最后2-3个百分点的准确率。提前停止训练过程可以节省大量能源。他指出："在某些情况下，70%的准确率可能已足够，比如电商推荐系统。"
研究人员还可以利用效率提升措施。例如，超级计算中心的一位博士后意识到，在训练过程中可能运行数千次模拟来选择两三个最佳AI模型。通过构建工具避免约80%的计算浪费，他们在不降低模型准确性的情况下大幅减少了训练能耗。
效率改进的杠杆效应
尽管自2005年以来大多数芯片的能效改进速度已经放缓，但GPU每焦耳能源可完成的计算量每年仍在提升50-60%。MIT计算机科学与人工智能实验室未来技术研究项目主任、数字经济计划首席研究员Neil Thompson表示："芯片上晶体管数量不断增加的'摩尔定律'趋势对许多AI系统仍然重要，因为并行运行操作对提高效率非常有价值。"
更显著的是，Thompson的研究表明，新型模型架构带来的效率提升——能够更快解决复杂问题，消耗更少能源实现相同或更好结果——每8-9个月翻一番。他创造了"负浮点运算(negaflop)"这一术语来描述这一效应，类似于"负瓦特"代表节能措施节省的电力，"负浮点运算"是指由于算法改进而无需执行的运算。
这些改进包括神经网络剪枝去除不必要组件，以及采用压缩技术使用户能用更少计算完成更多工作。Thompson强调："如果你今天需要使用一个非常强大的模型完成任务，几年后你可能使用显著更小的模型完成相同工作，这将大大减少环境负担。提高模型效率是降低AI环境成本最重要的事情。"
最大化能源节约的智能管理
虽然减少AI算法和计算硬件的整体能源使用将减少温室气体排放，但并非所有能源都相同。Gadepally指出："1千瓦时电力中的碳排放量在一天内、一个月内乃至一年内都有显著差异。"
工程师可以利用这些差异，通过利用AI工作负载和数据中心操作的灵活性来最大化减排。例如，一些生成式AI工作负载不需要完全同时执行。
MIT能源倡议研究科学家Deepjyoti Deka表示："将计算操作拆分，部分在可再生能源(如太阳能和风能)占比更高的时段执行，可以显著减少数据中心的碳足迹。"
Deka及其团队正在研究"更智能"的数据中心，其中多家公司使用相同计算设备的AI工作负载被灵活调整以提高能源效率。"通过将系统视为一个整体，我们希望最小化能源使用和对化石燃料的依赖，同时保持AI公司和用户的可靠性标准，"他说。
他们正在构建一个考虑深度学习模型训练与部署不同能源需求的数据中心灵活性模型，希望发现优化能源效率的最佳调度和计算操作策略。
研究人员还探索在数据中心使用长期储能系统，在需要时储存多余能源。有了这些系统，数据中心可以在高需求期间使用储存的可再生能源，或在电网波动时避免使用柴油备用发电机。Deka指出："长期储能可能是一个改变游戏规则的因素，因为我们可以设计真正改变系统排放组合、更依赖可再生能源的操作。"
此外，MIT和普林斯顿大学研究人员正在开发一个名为GenX的电力部门投资规划软件工具，可帮助公司确定数据中心的理想位置，以最小化环境影响和成本。选址对减少数据中心碳足迹有很大影响，例如Meta在瑞典北部沿海城市吕勒奥运营的数据中心，较冷的温度减少了冷却计算硬件所需的电力。
甚至有些政府正在探索在月球上建设数据中心，那里可能几乎完全使用可再生能源运行。
AI驱动的解决方案
"目前，地球上可再生能源的发展速度跟不上AI的快速增长，这是减少其碳足迹的主要障碍之一，"MIT斯隆管理学院MBA Jennifer Turliuk指出。她是麻省理工学院创业中心马丁信托中心的前气候与能源AI实践负责人和短期讲师。
新可再生能源项目所需的当地、州和联邦审查流程可能需要数年时间。
MIT和其他研究人员正在探索使用AI加速新可再生能源系统并网的过程。例如，生成式AI模型可以简化确定新项目如何影响电网的互连研究，这一步骤通常需要数年才能完成。
在加速清洁能源技术的开发和实施方面，AI也可以发挥重要作用。Turliuk补充道："机器学习擅长处理复杂情况，而电网据说是世界上最大、最复杂的机器之一。"
例如，AI可以帮助优化太阳能和风能发电预测，或确定新设施的理想位置。它还可用于太阳能电池板或其他绿色能源基础设施的预测性维护和故障检测，或监控传输线容量以最大化效率。
通过帮助研究人员收集和分析大量数据，AI还可以为有针对性的政策干预提供信息，Turliuk说，这些政策旨在从可再生能源等领域获得最大的投资回报。
为了帮助政策制定者、科学家和企业考虑AI系统的多方面成本和效益，她和合作者开发了净气候影响评分(Net Climate Impact Score)。这是一个框架，可用于帮助确定AI项目的净气候影响，考虑排放和其他环境成本以及未来的潜在环境效益。
协作与创新：可持续AI的未来
Turliuk强调，最有效的解决方案可能来自公司、监管机构和研究人员之间的合作，而学术界将引领这一方向。"每一天都很重要。我们正走在一条道路上，气候变化的影响将在我们无法采取任何行动之前才完全为人所知。这是创新并使AI系统碳密集度降低的一次性机会，"她说。
随着AI技术的不断发展，其环境挑战也将持续演变。然而，通过算法优化、硬件改进、智能能源管理和跨学科合作，我们有理由相信，AI与环境保护可以实现和谐共存。正如MIT专家们所展示的，创新思维和科学方法正在为绿色计算开辟新途径，为AI技术的可持续发展奠定基础。
未来，随着更多突破性技术的涌现和国际合作的加强，我们有望看到AI在推动人类进步的同时，也能成为应对气候变化的重要盟友。这不仅是对技术发展的要求，更是对我们共同未来的责任担当。
