AI 减排效果可达自身排放的 4 倍：数据说明一切

Google 的数据中心在 2024 年的 CO₂ 排放量比 2023 年增加了 48%。

这是真实数据。来源于 Google 自己的可持续发展报告。这类数字也正是”AI 是气候威胁”这类标题的素材来源。

但这个等式还有另一面——几乎从未出现在同一篇文章中。

改变对话的比率

2024 年，BCG 发布了关于 AI 净气候影响的最严谨分析之一。其结论在规模上令人惊讶：到 2030 年，AI 每年可能减少 2.6 至 5.3 Gt CO₂ 排放。

AI 自身到那时会排放多少？最保守的估计约为 100 Mt。如果算力需求增长没有配套可再生能源，最悲观的估计为 300-500 Mt。

我们来算一下：

这个比率并非绝对的 4 倍或 10 倍：它关键取决于 AI 在哪里运行以及被应用于什么领域。

这正是大多数讨论中缺失的那句话。

电力能源：最大的已验证潜力

根据 BCG 和 Nature Climate Change 的估算，能源行业集中了每年 1,200 至 1,800 MtCO₂ 的潜在减排量。这是迄今为止杠杆最大的类别。

这些数据已经不是预测——而是实测结果。

DeepMind 与数据中心制冷

2016 年，DeepMind 训练了一个深度强化学习系统来控制 Google 数据中心的制冷。该系统获取数百个变量——温度、压力、流量、气象数据——并学习实时优化。

结果：制冷能耗降低 40%。

这不是估算。这是经过审计的结果，附有可验证的代码和数据，Google 自那以后一直在生产环境中运行该系统。制冷通常占数据中心总能耗的 30% 到 40%，因此对中心总能耗的实际影响约为整体降低 15%。

风力发电预测

风力发电的根本问题不在于发电——而在于预测。一台产出可变的风力涡轮机的市场价值，远低于一台能承诺在特定时间窗口内交付确定电量的涡轮机。

DeepMind 为美国 700 MW 风电装机容量开发了一个预测模型。该系统可提前 36 小时预测发电量，使运营商能够签订确定性交付合同。

结果：同等发电量的经济价值提升 20%。无需更多光伏板，无需更多涡轮机。只是更好地管理信息。

其意义很直接：如果风电更有价值，就会有更多风电被建设。AI 作为可再生能源盈利能力的乘数，产生的系统性效应远超个案本身。

交通运输：物流作为试验场

交通运输约占全球排放的 16%。与能源行业不同的是，AI 在交通领域的应用案例已经产生了超过十年的可衡量成果。

UPS Project ORION 可能是最被引用也最可验证的案例。在大语言模型时代之前，UPS 开发了一个路线优化系统，为每位司机分析数百万种可能的组合。

其年报中记录的结果：每年减少超过 1 亿英里的行驶里程。这相当于每年避免约 100,000 吨 CO₂ 排放——仅 UPS 一家公司，仅路线优化一项。

其他已记录的影响途径：

• 公共交通需求预测： 减少低客座率运行的车辆数量。新加坡等城市的预测系统已证明在不降低服务覆盖范围的情况下，可减少 10-15% 的车辆公里数。
• 受控环境中的自动驾驶（矿山、机场、港口）：智利铜矿中的自动驾驶车辆在相同工作循环中，相比人类驾驶员的能耗降低了 15-30%。

工业：难以减排的行业

钢铁、水泥、化工。这三个工业部门集中了最大比例的难以单纯通过可再生能源消除的排放。它们需要极高温度的热量、排放 CO₂ 作为固有副产品的化学过程，或两者兼有。

AI 并不能从根本上解决这些问题——但可以压缩它们。

GNoME：220 万种新材料

2023 年 11 月，Google DeepMind 发布了 GNoME（Graph Networks for Materials Exploration）项目的成果：通过分子图上的机器学习，发现了 220 万种新的稳定材料。

作为参照：过去 50 年的实验研究中，材料科学总共编目了大约 50,000 种稳定材料。GNoME 在一个项目中将这个目录扩大了 44 倍。

这些材料中包括下一代电池、超导体和低排放工业过程催化剂的候选者。并非所有材料都能投入生产——但即使只有 0.1% 有用，那也代表 2,200 种具有工业潜力的新材料。

预测性维护

钢铁厂中的电弧炉每吨钢消耗 350 至 400 kWh。当发生非计划停机时，在最初几个小时内，重启过程的能耗是正常循环的 2 到 4 倍。

基于 AI 的预测性维护系统——分析振动、温度、电流和使用模式——可以将非计划停机减少 30-50%。在一家年产 50 万吨的中型钢铁厂，这可以相当于每年避免 10,000-20,000 吨 CO₂ 排放。

农业：水、土壤与碳

如果包括森林砍伐在内，农业和土地利用约占全球排放的 22%。而且农业是 AI 具有最多样化行动途径的行业之一。

灌溉优化： 结合气象数据、土壤湿度传感器和卫星图像的 AI 系统在加利福尼亚、西班牙和以色列的试点项目中已证明可减少 30-50% 的用水量。气候效益是双重的：更少的泵水能耗，以及对调节当地水循环的含水层的更少压力。

病虫害早期检测： 利用高分辨率卫星图像对作物进行持续监测，结合计算机视觉模型，能够在虫害初期阶段就发现问题——此时所需的处理量仅为虫害蔓延后的一小部分。在哥伦比亚的咖啡种植园和肯尼亚的玉米田中，试点项目已证明农药使用量减少了 40-60%。

碳汇测量： 森林碳信用市场的一个结构性问题是缺乏客观验证。基于多光谱卫星图像训练的 ML 模型可以估算森林生物量——从而估算储存的碳——精度可与实地清查相当，但可实现全球覆盖，边际成本几乎为零。

科学：压缩研究周期

最知名的案例是 AlphaFold。

2022 年，DeepMind 发布了2 亿个蛋白质的预测结构——几乎涵盖了地球上已知生命的全部蛋白质组。原本需要数十年 X 射线晶体学才能完成的工作，在 18 个月的计算中变成了一个公开免费的数据库。

对气候的影响是间接但真实的：第四代生物燃料、降解塑料的酶、工业过程中的生物催化剂等研究都得到了可衡量的加速。曾经需要 10-15 年的发现周期，在某些情况下已经压缩到了 3-5 年。

GraphCast——Google 的天气预报模型——运行速度是欧洲中期天气预报中心（ECMWF）传统数值模型的 10,000 倍，在大多数参数上精度相当甚至更优。更精确的气候预报不仅在极端天气事件中挽救生命——还能优化高比例可再生能源接入的电网调度。

AI 绿色洗涤的陷阱

文章在这里转变语气。因为已记录的潜力与实际发生的情况之间存在巨大差距。

“AI 应对气候”已经变成了一种营销话术。

大型企业 ESG 报告中以”绿色 AI”名义呈现的项目，80% 实际上是内部流程优化——减少运营成本的同时也减少了能耗，但这些优化在有没有明确的气候议程的情况下都会发生。

4 倍或 10 倍的比率只有在三个很少同时满足的条件下才是真实的：

1. AI 被应用于真正高影响力的场景，而非表面优化。

训练一个模型来预测何时开启办公室灯光（边际影响）与训练一个模型来优化一个 40% 风电渗透率的区域电网调度（系统性影响），两者之间存在本质区别。但在许多报告中，它们被等同计算。

2. AI 使用的能源来自可再生能源。

一个用煤电训练的 AI 去优化可再生能源电网，其净比率比常规核算中看起来的要差。计算有其地理属性——而这个地理属性很重要。

3. 节省的资源没有被回弹效应所抵消。

如果 AI 将某种商品的生产成本降低了 30%，该商品的需求可能增长到总消费量反而上升。这就是应用于 AI 效率的杰文斯悖论。这并非假设：已有初步证据表明，AI 数据中心能源使用效率的提升部分被 AI 服务需求的爆发性增长所抵消。

Google 2024 年环境报告直言不讳地指出：排放同比增长 48%，由 AI 基础设施的能源消耗推动——而他们自己的优化系统当时已在生产环境中运行。收益和成本共存于同一家公司之中。

必要条件：为 AI 提供清洁能源

当前的讨论存在一个结构性悖论。

AI 可以成为加速能源转型的最强大工具。但如果 AI 本身由煤炭或天然气驱动，其自身碳足迹的增长速度将快于它在其他行业产生的减排效益。

大型科技公司深知这一点。他们的应对方式颇具启示：

• Microsoft 获得了宾夕法尼亚州三里岛核电站的发电权，为其 AI 数据中心供电。这是美国数十年来首次重新启动核电站，明确由 AI 算力需求驱动。
• Google 在肯尼亚签署了地热能合同——地热是少数具有稳定基荷发电能力的可再生能源之一——为其非洲运营供电。
• Amazon Web Services 是全球最大的企业可再生能源采购方，签约容量超过 24 GW。

但可再生能源合同并不等同于实时使用的可再生能源。一个与风电场签署了 PPA（Power Purchase Agreement，电力购买协议）的数据中心，在无风的时段仍然消耗的是电网混合电力。AI 计算的去碳化需要目前尚不具备所需规模的储能和调度解决方案。

AI 既非天生绿色，也非天生具有破坏性。它是一种放大工具。它放大我们已经在做的事情：如果我们严谨地将其瞄准气候问题，它可能是我们拥有的最强大的工具。如果我们用它做更多同样的事情，它只会加速问题。

我能做什么？

• 如果你是企业或运营负责人： 财务论点和气候论点是一致的：用 AI 优化工业能耗同时降低成本和排放。第一步不是启动 AI 项目——而是拥有数据。对仪器仪表和遥测系统的投资是任何优化系统能够学习的前提。

• 如果你从事能源或工业领域： 潜力最大的行业是发电、重工业和货运物流。应用案例已有充分记录，模型也可获取。真正的障碍通常不是技术——而是数据治理以及组织对关键系统进行算法控制的抵触。

• 如果你是投资者或 ESG 基金管理者： 将 AI 应用于能源或工业，每欧元投资的减排比率超过其他绿色投资类别。但需要专项尽职调查：应用于哪个行业？减排的基准线是什么？AI 基础设施本身是否使用可再生能源？

• 如果你是公民或气候活动人士： “AI 破坏气候”和”AI 拯救气候”这两种叙事同样不完整。请要求有条件的版本：AI 如果应用于高影响力行业，如果使用清洁能源，如果通过治理避免回弹效应，才能实现 4 倍减排。

Google 2024 年排放增长 48% 是真实的。DeepMind 通过强化学习将制冷能耗降低 40% 也是真实的。两个数据并存。理解为什么——以及在什么条件下一个能够超越另一个——正是气候危机所需要的那种思考方式。

数据没有说 AI 对气候是好是坏。数据说的是：如果我们知道往哪里瞄准，它可以起到决定性作用。