碳排放：大型语言模型的可持续性挑战-koko官网下载

智道

栏目主持人：於兴中

这些庞大模型的训练和部署伴随着高昂的环境成本。大型语言模型产生的碳排放问题已成为一个紧迫议题，引发了人们对人工智能发展可持续性及其生态责任的担忧

□王聿清

近来，关于大型语言模型、世界模型与小语言模型的讨论不绝于耳。ibm等机构的研究指出，尽管小模型往往构建在大模型的基础之上，但不少业界观点认为，凭借高效率与低成本，小模型在特定商业场景中或将逐步取代大模型。然而，在技术迭代的喧嚣背后，大模型本身所引致的一些负面问题却常被忽视，其中最显著的便是碳排放危机。

openai的gpt系列、谷歌的gemini等模型彻底革新了自然语言处理(nlp)技术，并催生了如聊天机器人、内容生成和研究辅助工具等的广泛应用。但与此同时，这些庞大模型的训练和部署却伴随着高昂的环境成本。大型语言模型产生的碳排放问题已成为一个紧迫议题，引发了人们对人工智能发展可持续性及其生态责任的担忧。

本文将探讨大型语言模型的全生命周期碳排放（即碳足迹）的因果链路、环境影响的成因以及应对这一挑战的技术与治理策略。

大型语言模型的碳排放溯源

大型语言模型的全生命周期碳排放主要源于训练、微调（fine-tuning）和运行部署全生命周期中的高耗能计算活动。

首先，海量计算需求耗能。大型语言模型的训练依赖庞大数据集，词元（token）规模往往可达数百亿到数千亿级别，需要强大的计算能力进行处理。例如，gpt-3拥有1750亿个参数，需要在高性能硬件（如gpu或tpu）上进行数周甚至数月的训练。研究人员估计，训练一次gpt-3消耗约1287兆瓦时的电力，并产生约552公吨二氧化碳排放。随着模型规模持续扩大，计算负担可能显著增加，进一步推高能源消耗。

其次，数据中心耗能。大型语言模型通常在大型数据中心进行训练和部署，这些数据中心除计算本身外，还需要大量电力用于冷却系统与基础设施维护。其碳足迹的高低，取决于数据中心所在地的电网碳排放强度（carbon intensity）与能源结构。若数据中心主要由煤炭或天然气供电，其碳排放将远高于使用风能、水能、太阳能等可再生能源的设施。国际能源署（iea）指出，数据中心及数据传输网络约占能源相关温室气体排放的1%量级。随着ai等数字化负载增长，这一影响带来的减排压力可能进一步加重。另据iea《electricity 2024》执行摘要，数据中心用电在2022年约为460twh（terawatt-hour，万亿瓦时），并预计到2026年可能超过1000twh，ai等新负载被认为是重要驱动因素之一。

再次，研发过程中的重复训练与调参耗能。训练大语言模型往往并非一次性过程。迭代实验、超参数调优和多轮重训是ai研发的常见做法。每一轮循环都需要大量计算资源，使得研发过程本身成为高能耗过程。研究人员通常会训练同一模型的多个版本以优化性能，从而带来累积能耗。对此，有研究者曾指出，在某些高强度nlp研发场景（尤其是涉及神经架构搜索nas的实验）中，累计耗电与排放可能达到很高量级：其估算案例显示，可能消耗约656347千瓦时电力并产生约284公吨二氧化碳排放。这表明当研发进入“反复试验—搜索—再训练”的循环，碳足迹会以累计方式迅速放大。

最后，部署与运行阶段同样耗能。即使训练完成，大型语言模型的部署与运行（生成与输出）仍需要持续的计算资源，尤其是聊天机器人或虚拟助手等实时高频应用。对于面向数百万用户的大规模服务而言，运行阶段的长期能耗可能非常巨大。尤其是对于chatgpt等面向海量用户的实时ai服务，其日益增长的需求进一步加剧了这一问题，因为服务器需要24/7全天候运行以适应全球需求。

有研究与评论指出，在大规模、长期运行的场景下，运行阶段的排放可能接近甚至超过训练阶段，因此不能只关注“训练一次”的排放。据google公开披露，其机器学习工作负载的能耗结构大致为约60%用于运行、40%用于训练，这进一步说明部署阶段的治理同样关键。

决定碳足迹强度的关键变量

基于以上分析，决定碳足迹强度的主要因素有4个：

一是模型规模与架构。遵循模型缩放定律，模型规模越大、参数越多，训练所需的计算能力就越高。例如，参数规模为1750亿的gpt-3的训练能耗，在数量级上远超参数规模为15亿的gpt-2。这种对更大模型规模的追求，构成了碳排放增长的结构性动因。

二是电网碳排放强度。碳排放在很大程度上取决于为数据中心供电的电网结构：在煤电主导的地区训练模型，其单位用电对应的碳排放通常高于清洁能源占比较高的地区。谷歌和微软等公司正试图通过投资建设碳中和数据中心来缓解由此带来的环境、社会和治理（esg）合规压力。

三是硬件能效比。gpu、tpu等专用加速器的能效进步有助于降低单位算力的能耗；更节能的硬件可显著降低训练与运行的碳足迹，但目前硬件效率的提升尚未完全抵消模型规模扩张带来的能耗增长。

四是算法优化的采用率。稀疏训练、模型蒸馏和参数高效学习等优化技术能够降低大型语言模型的计算需求，然而，目前这些技术在产业界的“渗透率”（adoption rate）仍然有限，尚未能在大规模应用中形成对冲高能耗的有效屏障。

正在探索的应对策略

为应对大型语言模型带来的环境挑战，研究人员与研究机构正在探索“源头替代、过程优化、末端核验”的综合缓解策略。

第一，向可再生能源转型。谷歌、微软和亚马逊等科技公司承诺在数据中心使用更多可再生能源，以降低碳足迹。例如，谷歌曾提出到2030年实现100%使用无碳能源。然而，需客观认识到，ai算力需求的爆发式增长给这一目标的实现带来了巨大压力。尽管如此，在可再生能源更丰富且电网碳排放强度更低的地区部署训练集群，仍是目前最直接的减排手段。

第二，提升模型效率与“最小必要原则”。模型剪枝、量化和知识蒸馏等技术可以在不显著降低性能的前提下，压缩计算开销。在许多垂直领域，用针对特定任务训练的“小模型”替代通用大模型，不仅符合数据处理的“最小必要原则”，避免算力过度配置，也是降低生态足迹的有效合规路径。

第三，优化系统与部署范式。通过更合理的计算调度、缓存与批处理策略，可以显著降低运行阶段的单位能耗。此外，去中心化方案（如边缘计算与端侧协同、就近计算与调度优化）在特定场景下虽能降低集中式负载与传输成本，但其减排效果受限于终端设备能效、通信开销与电力结构，仍需要借助可量化的生命周期评估（lca）或相关核算框架进行严格核算，以验证其环境收益是否成立。

第四，把减排“落到可核验”的披露机制。提高模型训练与部署碳足迹报告的透明度，例如披露能耗、能源使用效率（pue）、电网碳排放强度等关键指标，并采用生命周期评估框架，有助于组织识别低效环节并采纳更环保的做法。否则不同项目之间难以横向比较，也容易被质疑为“口号式减排”，甚至引发“漂绿”争议。当企业标榜“绿色ai/碳中和模型”时，应当基于可追溯的第三方核验数据，这不仅是企业社会责任（csr）的体现，更是未来构建算法环境合规体系的基石。

构建科研、规制、市场的协同机制

诚如前述，大型语言模型的碳足迹并非单一环节的产物，而是由训练与反复迭代、数据中心能效与电网碳排放强度以及运行规模化部署共同驱动的系统性结果。因此，技术改进需要在治理框架中被持续激励、衡量并调整。大型语言模型对环境的冲击，不仅在于技术层面的挑战，更触及人工智能发展的伦理边界与代际责任。随着大型语言模型的规模与调用强度持续攀升，行业必须超越单纯的性能竞赛，转而构建一个能源效率、可再生能源与算法优化并重的系统性治理安排。

具体而言，这一路径包括3个维度：

第一，科研维度的开放协作。推动“绿色ai”的开放研究与协同创新，鼓励学界与产业界在模型压缩、节能算法以及碳足迹核算口径与披露标准方面开展联合攻关，提高结果的可复现性与可比较性，使能效改进与减排成效能够被量化评估与横向对照。

第二，规制维度的激励与约束。政府与监管机构应发挥引导作用，通过制定能效标准、完善碳足迹披露与第三方核验要求，并辅以税收优惠等政策工具，促使高能耗ai实践主动对齐可持续发展目标。这意味着ai治理需要从单纯的“安全监管”拓展为同时涵盖“环境合规”的综合治理。

第三，社会维度的市场问责。提高公众与投资者对ai环境影响的认知，能够形成有效的市场倒逼机制。当企业采购开始引入“低碳”指标、esg评价影响融资与声誉成本时，需求侧压力将推动供给侧在运行效率、部署策略与能源结构上持续优化。

大型语言模型重塑了人工智能的版图，但其环境代价不容忽视。大型语言模型训练与部署的高能耗与高碳排的现实，凸显了构建可持续人工智能（sustainable ai）的紧迫性。通过转向清洁能源、采用高效算法以及建立更透明的行业监管规范，我们可以在保持技术革新的同时，将其生态影响控制在可接受的范围内。随着ai深度嵌入社会运行，平衡技术进步与环境正义，将是通往未来的必由之路。

（作者系澳门大学博士生）

责编：肖莎