AI 发展对环境的影响：Mistral 的环境审计报告解读
随着人工智能技术的飞速发展，其对环境的影响日益受到关注。法国人工智能公司 Mistral 近期发布了一份名为“环境审计”的报告，旨在量化大型语言模型（LLM）对环境的具体影响。该报告一经发布，便引发了业界对于 AI 技术可持续性的广泛讨论。报告结果显示，尽管单次 AI 查询对环境的直接影响相对较小，但考虑到每年数十亿次的查询量，其累积效应不容忽视。本文将对 Mistral 的这份报告进行深入解读，并探讨 AI 行业如何朝着更加环保可持续的方向发展。
AI 真的在“摧毁”地球吗？
Mistral 公司与可持续发展咨询机构 Carbone 4 以及法国生态转型署合作，对其“Large 2”模型在近 18 个月运行周期内的生命周期进行了分析。该研究遵循法国政府的“节俭 AI 指南”，主要关注三个方面：温室气体排放、水资源消耗和材料消耗。研究发现，温室气体排放和水资源消耗主要集中在模型训练和推理阶段，分别占比 85.5% 和 91%。数据中心建设和终端用户设备所产生的环境影响相对较小。
具体而言，Mistral 的审计报告指出，生成约一页纸内容的单个平均提示（400 个 tokens）所产生的边际环境影响相对较低，约为 1.14 克二氧化碳排放和 45 毫升水消耗。然而，在过去的 18 个月中，模型训练和数百万甚至数十亿次提示的运行，导致了显著的累积效应：总计 20.4 千吨二氧化碳排放，相当于 4500 辆普通内燃机汽车一年的排放量；以及 28.1 万立方米的水蒸发，足以填满约 112 个奥运会标准游泳池。
为了更好地理解这些数字，我们可以将 Mistral 模型的环境影响与其他常见的互联网活动进行比较。例如，Mistral 指出，一次平均 LLM 查询所产生的二氧化碳排放量，相当于在美国观看 10 秒流媒体视频，或者在法国观看 55 秒（法国能源结构更清洁）。根据 Mozilla 基金会的数据，这与进行 4 到 27 秒的 Zoom 会议相当。此外，根据 Carbon Literacy 的数据，发送一封被 100 位收件人完整阅读的电子邮件 10 分钟所产生的二氧化碳排放量，相当于 22.8 次 Mistral 提示。
当然，直接比较这些活动的社会和环境“价值”并非易事，很大程度上取决于我们对 AI 工具输出价值的评估。然而，人们对于这些不同任务的社会禁忌、个人负罪感和整体网络抱怨程度，可能与其相似的环境足迹并不一致。因此，下次听到有人警告说 AI 能源消耗正在“摧毁”地球时，我们有必要对此进行更深入的思考。
呼吁更多数据公开
Mistral 公布的数据与其他评估 AI 环境影响的研究结果基本一致。例如，加州大学河滨分校的一项研究估计，美国用于 OpenAI 的 GPT-3 模型的平均 AI 数据中心，每次 LLM 提示消耗近 17 毫升水。2024 年发表在《自然》杂志上的一项研究估计，ChatGPT 每次查询的平均二氧化碳排放量为 2.2 克（包括训练和推理时间）。
与之前的第三方估计相比，Mistral 直接提供信息无疑增加了这份最新研究报告的可信度。然而，Mistral 也表示，其数据仅代表对模型总环境影响的“初步估算”，其中 GPU 生命周期影响等关键数据仍依赖于估算。Hugging Face AI & Climate 负责人 Sasha Luccioni 也指出，Mistral 发布的信息缺乏重要的方法论细节以及关于模型总能耗的信息（而非基于能耗估算的排放量）。
尽管如此，Luccioni 仍称这份报告是“在 AI 模型环境影响评估方面迈出的重要一步”，并希望其他 AI 公司能够效仿。Mistral 也呼吁其他模型制造商提高环境影响方面的透明度，认为这些比较结果“有助于创建评分系统，帮助买家和用户识别碳、水和材料密集度最低的模型”。
AI 碳足迹：解析 Mistral 环境审计报告的关键发现
Mistral 公司最近发布了一份关于其大型语言模型（LLM）环境影响的综合报告，引起了 AI 社区的广泛关注。该报告详细分析了 AI 模型的碳足迹，并为行业提供了一个重要的参考框架，以评估和减少其对环境的影响。以下是对该报告关键发现的详细解析：
1. 生命周期评估（LCA）方法：
Mistral 采用了生命周期评估（LCA）方法，该方法是一种评估产品或服务从“摇篮到坟墓”全过程环境影响的综合方法。在 AI 模型的背景下，LCA 涵盖了从数据收集和模型训练，到模型部署和推理的各个阶段。通过 LCA，Mistral 能够全面了解其 LLM 在整个生命周期中的环境足迹。
2. 三个关键环境指标：
该报告重点关注三个关键环境指标：
- **温室气体排放：**主要以二氧化碳当量（CO2e）衡量，反映了 AI 模型在生命周期中产生的各种温室气体的总排放量。
- **水资源消耗：**衡量 AI 模型在训练和推理过程中消耗的水资源量，尤其是在数据中心冷却方面。
- **材料消耗：**评估 AI 模型对非可再生资源的需求，包括用于制造服务器硬件的金属和矿物。
3. 训练与推理阶段的环境影响：
报告指出，AI 模型的环境影响主要集中在训练和推理阶段。训练阶段需要大量的计算资源和能源，导致大量的温室气体排放和水资源消耗。推理阶段虽然单次查询的影响较小，但由于查询量巨大，其累积效应也不容忽视。
4. 单次查询的边际影响：
Mistral 的研究表明，生成 400 个 tokens（约一页纸内容）的单次平均查询产生的边际环境影响相对较低，约为 1.14 克 CO2e 排放和 45 毫升水消耗。然而，重要的是要认识到，这些数字是平均值，实际影响可能因模型大小、硬件效率和能源结构等因素而异。
5. 累积环境影响：
尽管单次查询的影响较小，但 AI 模型的累积环境影响却十分显著。Mistral 估计，其 “Large 2” 模型在 18 个月内产生了 20.4 千吨 CO2e 排放和 28.1 万立方米的水蒸发。这些数字强调了 AI 行业采取措施减少其环境足迹的迫切性。
6. 与其他互联网活动的比较：
为了更好地理解 AI 模型的环境影响，Mistral 将其与常见的互联网活动进行了比较。例如，一次平均 LLM 查询的 CO2e 排放量相当于在美国观看 10 秒流媒体视频。虽然这种比较有助于将 AI 的环境影响置于更广阔的背景下，但重要的是要考虑不同活动的社会和经济价值。
迈向可持续 AI 的未来：行业行动的必要性
Mistral 的环境审计报告为 AI 行业敲响了警钟，提醒我们 AI 技术的快速发展伴随着潜在的环境风险。为了确保 AI 的可持续发展，行业需要采取以下行动：
1. 提高透明度：
Mistral 呼吁其他 AI 模型制造商提高环境影响方面的透明度。通过公开数据和方法论，行业可以建立一个更清晰的 AI 环境足迹图景，并促进最佳实践的分享。
2. 采用更高效的硬件和算法：
开发更高效的硬件和算法是减少 AI 环境影响的关键。例如，使用专门的 AI 加速器（如 GPU 和 TPU）可以显著提高计算效率，从而减少能源消耗。
3. 优化数据中心能源结构：
数据中心是 AI 模型训练和推理的主要能源消耗者。通过采用可再生能源（如太阳能和风能）并提高能源效率，数据中心可以显著减少其碳足迹。
4. 探索联邦学习和边缘计算：
联邦学习和边缘计算等新兴技术可以减少 AI 模型对集中式数据中心的依赖。联邦学习允许多个参与者在不共享原始数据的情况下协作训练模型，而边缘计算则将计算任务推向设备端，从而减少数据传输和能源消耗。
5. 建立环境影响评估标准：
行业需要建立统一的环境影响评估标准，以便对不同的 AI 模型进行比较。这些标准应涵盖温室气体排放、水资源消耗、材料消耗等关键指标。
6. 鼓励可持续 AI 的创新：
政府、企业和研究机构应共同努力，鼓励可持续 AI 的创新。例如，可以资助研发更环保的 AI 算法和硬件，并推广可持续 AI 的最佳实践。
结论：
Mistral 的环境审计报告为我们提供了一个宝贵的视角，让我们得以了解 AI 技术对环境的潜在影响。通过提高透明度、采用更高效的硬件和算法、优化数据中心能源结构以及探索新兴技术，我们可以共同努力，确保 AI 的可持续发展，并最大限度地发挥其为社会带来的益处。
