nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
提要：随着人工智能和机器学习技术的迅猛发展，它们在各个行业中的应用已带来深远的变革。然而，随之而来的计算能力需求却引发了显著的能源消耗、温室气体排放以及对环境的负面影响。长期以来，人工智能的快速发展一直以对能源的无止境需求为代价。传统的人工智能大模型训练和运行过程往往需要大量计算资源，这不仅消耗电力，还导致数据中心的水资源消耗（用于冷却设备）及温室气体的排放。
随着DeepSeek模型的高效迭代，可能会减少对大规模数据中心扩展的需求。然而，效率的提升亦可能导致人工智能应用的增加，从而潜在地抵消杰文斯悖论所带来的可持续性收益。未来，人工智能在更广泛的技术开发与场景应用中，必须在创新与环保之间寻求平衡。构建具有价值导向的、环境友好的人工智能，不仅是一个技术问题，更是一项社会责任，旨在推动人类走向更加可持续的未来。
随着人工智能和机器学习技术的迅猛发展，它们在各个行业中的应用已带来深远的变革。然而，随之而来的计算能力需求却引发了显著的能源消耗、温室气体排放以及对环境的负面影响。因此，可持续的（即绿色的）人工智能的兴起不仅是技术发展的必然趋势，也是保护地球环境的重要举措。在刚刚结束的巴黎人工智能行动峰会上，“确保人工智能为人类和地球的可持续发展服务”已成为全球共识。
长期以来，人工智能的快速发展一直以对能源的无止境需求为代价。传统的人工智能大模型训练和运行过程往往需要大量计算资源，这不仅消耗电力，还导致数据中心的水资源消耗（用于冷却设备）及温室气体的排放。斯坦福大学发布的《2024人工智能指数报告》显示，meta的Llama 2 70B模型的碳排放量约为291.2吨，这相当于一位旅客从纽约到旧金山的往返航班排放的291倍，亦是一个普通美国人一年碳排放量的16倍。2024年年底，中国人工智能初创公司深度求索（DeepSeek）横空出世，通过比meta等公司少消耗50%-75%的能源，向世界证明了更智能的算法而非仅仅是更大的数据中心，才是未来技术的突破。这也为更加环保和社会友好的可持续人工智能发展理念提供了中国方案。
可持续人工智能的核心理念在于通过优化算法、提升硬件效率以及采用可持续的数据管理实践，以减少人工智能系统在运行过程中的环境影响。从狭义上讲，可持续性强调人工智能技术在开发、训练和运营过程中的能源效率、数据持续性和透明度。从更广泛的视角来看，人工智能的可持续发展旨在将其作为应对社会和环境挑战的有效工具，以提供应对气候变化、资源管理和环境保护等问题的更高效、数据驱动的解决方案。
早在一个多世纪前，关于能源效率对地球资源影响的不利观点便已被提出。1865年，英国年轻学者威廉?斯坦利?杰文斯（William Stanley Jevons）在其著作《煤炭问题》中指出，随着煤炭储量的迅速枯竭，英国作为工业超级大国的地位可能很快会受到威胁。然而，在杰文斯看来，节俭并非解决之道。他认为，任何资源效率的提升都将导致长期资源消耗的增加，而非减少。更高的能源效率会降低能源的隐含价格，进而提高投资回报率和需求量。杰文斯以英国钢铁工业为例，指出如果技术进步使高炉在生产铁时使用更少的煤炭，则利润将随之上升，从而吸引新的投资进入铁生产领域。同时，价格的下跌将刺激额外的需求。实际上，构建人工智能模型同样受到杰文斯悖论中所谓反弹效应的影响。这正是我们无法确保更高效的人工智能行业能够真正导致能源使用的全面减少的原因。
从人类大脑及其具身性的智能演化角度来看，智能与环境之间始终存在高度的互动与融合。人类大脑这一复杂的传感、通信、控制和记忆网络，在五亿多年的演化过程中不断扩大其规模和复杂性，却始终未失去在动态环境中自适应的能力。更为重要的是，大脑在能源效率方面堪称奇迹。研究表明，人脑大约拥有860亿个神经元，仅消耗12瓦的功率——这一能耗甚至低于一盏普通灯泡。人类大脑的运作为人工智能在这一领域的发展提供了宝贵的借鉴。
另一方面，生物智能的具身性通过优化身体形态、利用环境动力学、提升学习效率以及受到进化选择的影响，使其在实现能量效率方面具备显著优势。某些生物的身体结构进化出高效的运动方式，这不仅降低了能耗，还提高了其在特定环境中的生存能力。因此，智能不仅是具身的，还是延展至环境中的。当前的具身机器人和自动驾驶汽车正朝着这一方向发展，但人类仍能更优势地利用感知运动技能，轻松地导航和操纵物理世界，其能耗亦显著较低。深入探讨具身智能、环境与能效之间的关系，将为设计更高效的智能系统和机器人提供重要指导。这种方式不仅有助于更好地理解智能现象，同时也推动技术进步，实现可持续发展的目标。
然而，早在一个多世纪前，关于能源效率对地球资源影响的不利观点已引起关注。1865年，英国学者威廉?斯坦利?杰文斯（William Stanley Jevons）在其著作《煤炭问题》中指出，随着煤炭储量的迅速枯竭，英国作为工业超级大国的地位可能很快会受到威胁。然而，在杰文斯看来，节俭并非解决之道。他认为，任何资源效率的提升都将导致长期资源消耗的增加，而非减少。更高的能源效率会降低能源的隐含价格，进而提高投资回报率和需求量。杰文斯以英国钢铁工业为例，指出如果技术进步使高炉在生产铁时使用更少的煤炭，则利润将随之上升，从而吸引新的投资进入铁生产领域。同时，价格的下跌将刺激额外的需求。实际上，构建人工智能模型同样受到杰文斯悖论中所谓反弹效应的影响。这正是我们无法确保更高效的人工智能行业能够真正导致能源使用的全面减少的原因。
随着DeepSeek模型的高效迭代，可能会减少对大规模数据中心扩展的需求。然而，效率的提升亦可能导致人工智能应用的增加，从而潜在地抵消杰文斯悖论所带来的可持续性收益。未来，人工智能在更广泛的技术开发与场景应用中，必须在创新与环保之间寻求平衡。构建具有价值导向的、环境友好的人工智能，不仅是一个技术问题，更是一项社会责任，旨在推动人类走向更加可持续的未来。
作者系华东师范大学哲学系副教授
来源：中国社会科学网
责任编辑：李秀伟
新媒体编辑：苏威豪
如需交流可联系我们