可持续扩展AI：领导者须避免的四大误区

人工智能 (AI) 正在亚洲以惊人的速度扩展，但该地区的基础设施、能源系统和可持续发展框架正努力跟上其步伐。 

新加坡在2025年8月推出了一项新的数据中心标准，旨在提高热带气候下的信息技术（IT）能源效率，目标是通过更智能的设备选择和优化的运营，将能耗至少降低30%。

中国正在试验用水下数据中心来削减冷却成本，而印尼和马来西亚等市场则在收紧环境、社会和公司治理 (ESG) 的报告规则。 

这传达的信息很明确：人工智能不能再建立在不可持续的基础之上。为了负责任地扩展人工智能，新加坡和亚太地区的商业与技术领导者应避免以下四个错误： 

1. 为简单任务选择过大的模型 

许多首席技术官和工程主管为了充分利用新兴创新的潜力，正在积极采用尖端、高容量的人工智能模型。

然而，在大型模型上运行推理（即人工智能模型实际生成答案或预测的过程），每次查询所消耗的能源，可能是更小、更优化的替代模型的10到100倍。

使用一个拥有1750亿参数的模型来对客户邮件进行分类或提取基本数据点，就好比开着一辆货运卡车去买菜。

您应考虑应用场景是否真的需要尖端功能，或者一个更小、更高效的模型，甚至传统的机器学习方法，是否能以极低的环境成本达到相似的效果。最明智的人工智能领导者关注的不是模型的大小，而是其适用性。 

2. 忽视节能的基础设施和部署方式 

首席信息官和IT领导者在决定人工智能的环境足迹方面扮演着关键角色。在燃煤供电的数据中心与由可再生能源支持的数据中心运行相同的工作负载，其碳足迹可能相差10倍。

同样，如果未能实施模型优化技术，例如量化（一个减少内存和计算需求的过程）、剪枝（移除模型中较不重要或冗余的部分）或知识蒸馏（一种机器学习技术），就意味着模型在推理过程中会消耗不必要的过高能量。 

明智的组织会审查其数据中心或云服务提供商的可再生能源承诺，并优化模型架构以提高效率，而不仅仅是追求准确性。您应确保可持续性成为基础设施战略的核心部分，而不是事后才考虑的因素。 

3. 忽略数据管理和存储实践 

首席数据官和分析团队常常忽视，在没有治理政策的情况下无限期地存储海量数据集，会导致数据中心不必要的能源消耗。 

数据是人工智能的燃料，但不良的数据管理会造成巨大的隐性成本。许多组织“以防万一”地收集和存储海量数据，却没有明确的生命周期管理政策。

冗余、过时或琐碎的数据仍然需要能源来进行存储、备份和维护。应实施数据治理框架，定期评估数据价值、建立保留政策并使用压缩技术。

您应考虑是否需要永久存储原始数据，或者经过处理的、较小的数据集是否足以满足您的人工智能应用需求。 

4. 未能衡量和监控AI的全面可持续性影响 

衡量人工智能全面影响的责任往往分散在首席财务官、首席可持续发展官和技术团队之间。然而，如果没有明确的衡量框架，组织就缺乏优化或证明进一步投资合理性所需的可视性。简而言之，无法衡量就无法管理。 

现在是时候停止将人工智能的可持续性视为事后才考虑的问题了。对人工智能系统的能源使用和碳排放缺乏可视性，使得优化性能或追踪可持续发展目标变得困难。 

从第一天起，就应该建立对人工智能运营的衡量和监控机制。应部署能够监控关键效率指标的工具，例如每项任务消耗的能源、每次互动产生的碳排放，以及每千瓦时的处理速度。

同时追踪可再生能源使用情况和碳减排量等环境指标，以及节省的时间和流程效率等生产力指标，可以全面地展现人工智能的投资回报率。

这种双重关注的方法有助于持续改进，并为投资于更高效、更可持续的人工智能实践提供合理的依据。 

从一开始就将可持续性融入AI 

归根结底，实现人工智能的可持续性是一项明智的商业决策，其意义不仅仅在于减少碳排放和缓解环境风险。

更高效的人工智能系统能够降低运营成本、提高性能，并使技术投资在面对日益增长的能源成本和气候法规时更具前瞻性。通过避免这些常见错误，组织可以在利用人工智能变革力量的同时，构建一个更可持续的数字未来。 

关键在于从一开始就融入可持续发展的理念，而不是事后修补。这正是企业在未来获得显著竞争优势的方式。

作者是HPE亚太区咨询与专业服务部高级总监兼总经理