谷歌因开发人工智能5年内碳排放激增近50%，AI是全球“净零”排放的天敌吗？

人工智能（AI）在加速还是拖累全球实现“净零”排放？

根据谷歌最新发布的《2024年环境报告》，由于扩建支持AI的数据中心，该公司2023年的温室气体排放量比2019年大幅增加了48%。

另一家科技巨头微软公司也在今年5月承认，自2020年以来，该公司排放量增加了近三分之一，这很大程度上也是因为数据中心的建设。

不过，一些预测性的研究认为，AI未来有能力提高能源效率，助力气候转型。微软联合创始人比尔·盖茨近日表示，尽管AI将使全球电力需求增加2%到6%，但AI也可以“加速减少6%以上的电力需求”。

谷歌首席可持续发展官凯特·勃兰特（Kate Brandt）也预测称，该公司的排放量“会继续上升，然后再向目标下降”。

安永战略与交易咨询服务合伙人萧富升对记者表示，AI算力扩容所需的大量电力是当前不可规避的一个主要问题。但AI技术正成为能源转型和降低能耗的强大驱动力，通过精准调度和需求响应，为构建节能高效的未来电网铺平道路。

AI威胁“净零”目标

根据国际能源署（IEA）的数据，使用OpenAI旗下的聊天机器人ChatGPT进行一次查询，耗费的电量为2.9瓦时，而谷歌搜索只需0.3瓦时，只有前者的约1/10。

布鲁金斯学会的一份研究称，具有大量功能的生成模型每次查询所需的功耗远高于传统应用，所需的硬件水平也超出了特定任务计算系统。人们对要求模型执行的任务越广泛，所需的能源和碳排放量就越大。根据AI初创公司Hugging Face和卡内基梅隆大学研究人员的研究，生成一张图像所需的能量可以为一台智能手机充满电。

与此同时，最近英国政府支持的一份关于人工智能安全的报告称，科技公司使用的能源来源的碳密度是计算技术环境成本的“关键变量”。然而，AI模型训练的“相当大部分”仍然依赖于化石燃料能源。

布鲁金斯学会还称，随着时间推移，与AI训练相关的能源消耗将逐渐增加，而不是减少。训练早期的聊天机器人模型（如GPT-3模型）产生了500公吨的温室气体排放，相当于传统汽油动力汽车行驶约100万英里。同样的模型在训练阶段需要1200多兆瓦时，相当于一百万个美国家庭一小时的能耗。而大语言模型未来的迭代可能会不断提高这些指标，GPT-4等更新版本的需求量更大，产生的碳排放量也更高。

IEA预测称，到2026年，取决于部署增加的速度和计算流程的效率等因素，与数据中心、加密货币和AI相关的电力消耗可能会增加至620到1050太瓦时。这意味着全球电力需求“至少增加一个瑞典，最多增加一个德国”。

谷歌在最新报告中表示，该公司在2030年实现净零排放目标存在“显著的不确定性”，未来AI对环境影响也“复杂且难以预测”。微软今年也承认，由于其人工智能与数据中心建设等战略，该公司2030年的净零目标“登月计划”可能不会成功。

与此同时，对AI环境影响相关的担忧不仅仅是能源或排放。快速增长的AI基础设施也需要土地和水。据英媒引用的一项数据，到2027年，AI的用水量可能高达66亿立方米，接近英格兰年用水量的三分之二。布鲁金斯学会也称，在美国西南部的一些用水密集型数字基础设施项目，给已经饱受缺水之苦的社区造成了压力。

谷歌也在其最新报告中承认，2023年该公司数据中心的耗电量将增加17%，约占全球数据中心耗电量的7%至10%。其数据中心的耗水量也比上一年增加了17%。

科技巨头对减排负责？

比尔·盖茨（Bill Gates）近日表示，大型科技公司“非常愿意”为使用清洁能源支付额外费用，以“证明他们在使用绿色能源”。

的确如此，根据亚马逊官网介绍，该公司在全球拥有500多个太阳能和风能项目，仅去年就投资了100多个，连续第四年成为全球最大的可再生能源企业买家。今年1月，微软还聘请了一位核技术总监，负责开发原子反应堆，为其数据中心供电。今年5月，谷歌也宣布在日本签署两份新的太阳能购电协议（PPA），支持建设新的太阳能项目，为日本电网增加60兆瓦的清洁能源容量。

不过，根据谷歌的报告，由于一些清洁能源项目在2023年终止，其可获得的可再生能源数量减少。同时，该公司数据中心的耗电量“超过了”谷歌在美国和亚太地区上线更多清洁能源项目的能力。

与此同时，可再生能源可能无法跟上AI扩展步伐。IEA警告说，尽管2023年全球可再生能源容量以过去20年的最快速度增长，但根据当前各国政府计划，到2030年，全球可再生能源可能只会增加一倍。此外，风能和太阳能等陆上可再生能源项目可以在不到六个月内开发完成。然而，许多发达国家的规划监管可能会使这一过程增加数年。海上风电场和水电方案面临类似的挑战，建设时间还需要两到五年。

萧富升对第一财经记者表示，未来，科技公司可以从技术突破、资源共享和新能源利用等方面入手减少AI的能源需求，但是相关解决方案都并不容易实现。

他称：“技术的突破需要大量的人力、物力和资本的支持，需要解决新型芯片的商业化落地和持续性能提升问题，资源共享要求确保算力租赁服务的可靠性和成本效益，同时需要建立有效的资源共享机制，而新能源利用则需要克服可再生能源的间歇性和不稳定性，并在能源管理上实现智能化和高效化，同时还需考虑与现有能源基础设施的兼容性和过渡问题。”