（本文作者为 反熵，钛媒体经授权发布）
文 | 反熵
连最担忧AI环境代价的环保组织，也开始使用AI了。
11月7日，路透社采访的15家国际环保、自然保护和发展组织，无一例外都已使用AI。国际绿色和平组织质疑大规模建设数据中心的必要性，自己日常使用的部分软件却也集成了AI工具。
11月9日，第31届联合国气候变化大会（COP31）在土耳其安塔利亚开幕。东道国正推动《安塔利亚人工智能承诺》，回应算力扩张带来的环境压力。当AI已经能帮助人类保护自然，支撑它的电力消耗究竟值不值得？
01 那些难以标价的算力
1960年，26岁的珍·古道尔来到坦桑尼亚贡贝，开始观察野生黑猩猩。此后的半个多世纪，一代代研究人员接续记录，留下大量手写笔记。如今，由她创办的珍·古道尔研究所正在用AI整理这份科研遗产。
许多笔记混杂着当地基哈语和科研速记，单靠人工辨认、录入，原本预计需要13至15年。研究所与亚马逊云科技合作开发了AI工具，用于识别、翻译和整理这些手写记录，预计将数字化工作缩短至约两年。跨越数十年的野外观察资料，也将更便于研究人员检索和分析。
在肯尼亚，野生动物保护机构“拯救大象”（Save the Elephants）也曾为海量照片的整理耗费大量人力。2017年，肯尼亚一处大型保护区开展航空调查，拍下约20万张影像，九名工作人员花了九个月才全部检查完。如今，经过训练的AI模型处理类似规模的资料，只需数小时。
该机构负责人弗兰克·波普向路透社介绍，AI辅助分析还发现，过去的人工调查漏计了约三分之一的大象，斑马和长颈鹿的漏计比例接近一半。动物种群统计关系到巡护安排和争取保护经费，调查结果更准确，保护工作才能有更可靠的依据。
在湖北五峰后河国家级自然保护区，工作人员也曾为影像整理发愁。一次进山就收回160余张红外相机存储卡，市面上的软件又难以准确识别当地物种。保护区便花了两年时间，开发自己的AI识别系统。
如今，这套系统已累计处理超过4TB影像，识别范围覆盖林麝、亚洲黑熊等30余种动物，整体准确率超过90%。据《湖北日报》报道，过去需要两三个人花一年分析的资料，现在约七天就能完成。
这些应用的意义远超过节约人工。珍·古道尔研究所积累数十年的野外观察记录，可以更快用于后续研究；保护区更准确的种群数据，也能为巡护安排和生态保护提供依据。科研与生态保护的收益常常需要多年才能显现，也会由更多人共享。
环保组织已经证明AI在自然保护中的价值。但几个成功案例又无法为所有新增算力项目背书。随着数据中心持续扩建，能源与环境成本也必须得到充分核算。
02 电费之外的代价
国际能源署今年4月预测，全球数据中心年耗电量将从2025年的485太瓦时增至2030年的950太瓦时，接近翻倍，届时约占全球用电量的3%。其中，AI正在成为推动用电增长的重要力量，面向AI的数据中心耗电量预计五年内增至三倍。
数据中心的用电需求往往集中在部分地区，当地电网首先感到压力。变电站和输电线路从规划到投运往往需要数年，难以立即满足大型算力项目集中增加的负荷。国际能源署预计，到2027年，一个先进机柜的峰值功率就可能相当于65户家庭。
扩建电网需要投入资金。如果相关费用通过公共电价回收，原有居民和企业也会分担新增项目的成本。数据中心的冷却系统还可能加重缺水地区的用水压力。科技公司购买绿电可以减少相应的碳排放，却无法代替当地的电网建设和水资源管理。
经济学将这种由他人承担、又未充分计入企业支出的社会负担称为外部成本。大型科技公司为芯片、服务器和电力支付高昂费用，也应当承担自身扩张引起的公共基础设施成本。商业项目的投资决策不能以其他用户被动分担为前提。
现在，COP31正在尝试推动相关治理。主席国土耳其与国际电信联盟共同推动《安塔利亚人工智能承诺》，呼吁提高AI能源利用效率、扩大清洁能源使用，并加强环境影响披露。双方计划于11月16日举行高级别AI圆桌会议，推动政府和企业提出自愿承诺。
然而，这份倡议目前缺乏强制约束。10月27日，世界资源研究所指出，文件缺少有效的问责机制，对受数据中心建设影响的社区参与权，以及用水和空气质量保护，都没有给出充分保障。该机构主张强制披露科技企业的实际耗电量和用水量，并要求企业自行承担新增数据中心所需的电网升级费用，不能把这些成本转嫁给当地居民。
大型科技公司已经为AI基础设施投入巨资，环境责任却不能长期依赖自愿承诺。算力扩张带来的收益可以由企业获得，由此增加的公共成本就应有明确的承担者。
03 省电为何更耗电
1865年，英国经济学家杰文斯在《煤炭问题》中观察到，蒸汽机的煤炭利用效率提高之后，英国的煤炭消费仍持续增长。廉价动力进入越来越多的生产环节，新增需求可能抵消效率进步带来的节约。这个现象后来被称为杰文斯悖论。
一个多世纪后，AI的能效提升也在刺激新的计算需求。
芯片升级、模型压缩和推理优化不断降低单位计算成本，企业使用AI的范围随之扩大。国际能源署指出，视频生成、复杂推理和智能体等任务，单次请求的能耗可能达到简单文本生成的数百甚至数千倍。
今天，AI既能润色邮件，也能在智能体的驱动下连续检索资料、编写程序并反复测试。后者往往需要多轮模型调用。使用成本下降以后，企业倾向于把更多工作交给AI；任务越来越复杂、调用越来越频繁，最终可能抵消技术进步节省的电量。
一些环保机构已经开始控制计算需求。世界资源研究所限制耗能较高的图像和视频生成，通过缓存避免重复查询。美国大自然保护协会则将AI摄像设备安装在商业渔船上，直接分析捕捞影像，减少原始视频向远程数据中心的传输。
芯片能效提高，并不会自动降低整个行业的耗电量。 对于模型服务商和应用企业而言，控制重复调用、优化计算任务也应成为日常运营的一部分。否则，技术进步节省下来的能源，很可能被持续扩张的低效需求消耗掉。
04 算力扩张的中国选择
中国算力设施的用电规模已经相当可观。国家发展改革委今年7月援引相关机构统计，2025年全国在用算力基础设施耗电约1960亿千瓦时，占全社会用电量1.9%，同比增长18.1%。随着大模型应用加速落地，新增电力需求还会继续影响数据中心的布局。
中国拥有规模庞大的电力系统，风电、光伏装机不断增加。“东数西算”推动部分计算任务向西部布局，为利用当地清洁能源创造了条件。但光伏发电高峰不一定与算力负荷同步，风电出力也会随天气变化。对实时业务而言，网络时延还限制着数据中心选址。电源条件优越，并不保证机房有稳定客户和充足的使用量。
算力设施的评价方式也在变化。9月，工信部等五部门发布2026年度国家绿色算力设施评价指标体系，要求关注单位算力能效、单位能耗产出效益，并提高碳效、水资源利用和机柜上架率等指标的权重。
行业常用的PUE主要衡量机房制冷、供配电等辅助系统损耗。即使PUE表现出色，服务器也可能因为缺少业务而闲置。设备仍然折旧，机房仍需维护，没有持续订单的算力项目很难取得合理回报。机柜上架率也不能代替真实的计算负载，更不能证明应用带来了多大收益。
在算力供给快速增加的阶段，中国应当更加重视现有设备的利用效率。模型服务商需要提高有效负载，企业采购AI需要检验具体任务的成本和结果，地方投资算力设施则必须有可靠的市场需求支撑。扩建项目可以带来短期投资，却不会自动形成有竞争力的AI产业。
当机柜数量和芯片规模成为展示成绩的主要指标，低利用率、高折旧的风险就容易被掩盖。对没有稳定业务、长期闲置的算力中心，继续扩建只会放大资源浪费。中国仍然需要先进算力，但每一笔新增投入都应接受真实需求和使用效率的检验。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App