人工智能适度规模化的商业案例亦是环保案例

人工智能已成为董事会的优先事项，但在竞相部署人工智能的浪潮中，首席执行官们并未高度重视其环境足迹。

到目前为止，我们中许多人已经听说过有关人工智能能源和水资源消耗的那些引人注目的统计数据。

一项被广泛引用的估算显示，使用一个强大的人工智能模型生成单张图片所消耗的能量，可能与为一部智能手机完全充电相当。

据路透社报道，Alphabet董事长John Hennessy称，与大型语言模型（LLM）进行一次典型的文本交互，其能耗可能是普通Google搜索的10倍。

水资源消耗也引发了类似的担忧。一个美国中型数据中心平均每年消耗4.164亿升水，足以为大约1000个家庭供应一年的用水量，而大型和超大规模数据中心的耗水量则要多出几个数量级。

我们需要一种对人工智能部署采取适度规模化（rightsizing），或称适度洗牙（right-scaling）的方法：即在设计和选择人工智能系统时，要使模型的规模与任务的复杂性相匹配，同时从一开始就将能源和环境成本视为设计约束，而不是可以忽略的外部成本。

在实践中，这种方法意味着在部署前要先发问：这个任务是否真的需要一个前沿模型，或者一个更小的、为特定目的构建的模型能否完成同样的目标？

随着人工智能融入商业运营，企业的目标应该是避免使用超出任务所需的人工智能。

优化效率

对于设计或采购人工智能解决方案的组织和公司而言，有几项原则可以用来指导选择规模适度的工具。

例如，在为特定任务定制LLM时，可以实施一些简单的设计原则来降低能源和水资源的消耗。

一个设计良好的系统能够自动将简单、常规的查询路由至更快速、轻量化的方法，仅在任务真正需要时才将其升级至更重量级的人工智能推理模型。

一篇2025年的研究发现，对人工智能任务应用模型选择，可将能耗降低近28%，全球范围内可节省31.9太瓦时（terawatt-hours）的电力，相当于五个核反应堆的年发电量。

在设计特定领域的LLM时，有一些最佳实践可为适度规模化的方法提供指导。

与将每个任务都视为全新任务的系统相比，通过缓存技术存储和重用针对常见查询的、经过验证的推理方法，有助于提供更快、更一致的响应，而能耗仅为其一小部分。

由于大多数组织已经以报告、数据库和其他专家知识的形式拥有了宝贵、可信的信息，一个精心设计的系统将依赖于一个精简、准确的知识库，以确保人工智能系统从可信的知识库中提取信息，而不是依赖于可能产生高幻觉率和错误率的大型通用模型。

这也能使特定领域的LLM在具体使用场景中更有帮助，同时将计算需求保持在最低水平。

最后，设计以效率为优化目标的输出也有助于实现解决方案的适度规模化。更长、更冗长的输出需要消耗更多的能源和水，而输出优化则有助于减少这些影响。

更优化的采购

由于企业通常无法控制计算基础设施的位置，采购或许是它们影响其人工智能应用在能源和水资源消耗方面最大的杠杆。

正如现在企业通常会要求供应商披露其碳足迹或劳工实践一样，同样的方法也可以通过采购实践延伸到人工智能供应商身上。

要求解决方案提供商按单次查询、单次部署和规模化部署等维度披露其模型的能源和水资源消耗，能将一项无形的成本转变为可管理的成本。

然而，IBM发现，在其服务的企业中，虽然有63%计划将生成式人工智能应用于“可持续IT计划”，但只有23%在IT项目的设计和规划阶段就考虑进行可持续性评估。

这种脱节现象凸显了一个机会，即企业应将可持续的人工智能使用视为一项从一开始就应遵循的核心设计原则，而不仅仅是一个下游的合规问题。

政策杠杆

由美国圣何塞市组建的GovAI联盟是公共部门的一个例子，该联盟鼓励政府机构要求人工智能供应商披露其产品的环境影响，包括模型训练或每次使用所消耗的能源和水资源。

政府拥有比采购更大的杠杆。他们可以强制规定，数据中心的建设必须与开发可再生能源以满足其电力消耗的要求相结合，同时部署更高效的冷却技术以减少用水量。

与此同时，这些措施仍可能是不够的。杰文斯悖论（Jevons paradox）提醒我们，效率的提升也可能推动技术的使用，从而导致总体需求增加。

就人工智能而言，更快、更高效的芯片、更清洁的电力和更好的冷却技术可能会减少每项人工智能任务的环境足迹，但如果部署不受控制，它们也无法阻止总能源成本的飙升。

这就把我们带到了一个许多董事会正在回避的现实问题面前。如果企业不从一开始就扪心自问这个根本性问题：人工智能到底是不是正确的解决方案，那么为技术进行适度规模化将是毫无意义的。

作者是北卡罗来纳大学教堂山分校的公共政策、环境、能源与生态学副教授。她创立并领导数据驱动环境实验室（Data-Driven EnviroLab）。