應對生成式人工智能對氣候的影響
生成式人工智能（Generative AI）數據中心的爆炸性增長，預計將導致溫室氣體排放量大幅上升。研究人員現正尋求解決方案，以減少這些環境損害。
根據2025年4月國際能源署的報告，全球數據中心的電力需求將在2030年前翻倍，達約945太瓦時，超過日本的整體能源消耗。這些數據中心主要用於訓練和部署AI模型。高盛2025年8月的分析指出，約60%的新增電力需求將依賴燃燒化石燃料，導致全球碳排放增加約2.2億噸。作為對比，駕駛一輛燃油車行駛5000英里約排放1噸二氧化碳。
MIT和全球的科學家及工程師正致力於各種創新與干預措施，從提升演算法效率到重新設計數據中心，減少AI的碳足跡。
考慮碳排放的全貌
討論生成式AI碳足跡時，通常只關注「運營碳」——即數據中心內GPU等強大處理器的能源消耗，卻往往忽略「隱含碳」，即建造數據中心本身所產生的碳排放。MIT林肯實驗室的高級科學家Vijay Gadepally指出，建造和改造數據中心所用的鋼筋混凝土、空調設備、硬件及纜線等，所消耗的碳排放非常龐大。這也是為何Meta和Google等公司正探索使用更環保的建築材料，如大規模木材。數據中心建築龐大，能耗密度為普通辦公樓的10至50倍。
Gadepally強調：「運營碳只是部分問題，我們正在努力減少運營排放的同時，也應該更多關注隱含碳。」
減少運營碳排放的策略
在減少數據中心運營碳排放方面，有許多類似節能家居的方法。例如，降低能耗就像關掉不必要的燈一樣有效。MIT超級計算中心的研究顯示，把GPU的能耗調降至約30%，對AI模型性能影響甚微，且有助於硬件散熱。
另一方法是使用能耗較低的計算硬件。訓練如GPT-5這類大型生成式AI，往往需要數百個GPU同時運作，但工程師可透過降低硬件精度或使用專門優化的處理器，達到差不多的效果。
此外，訓練深度學習模型時，約一半電力用於提升最後2至3%的準確度。提前停止訓練，或在某些應用中只追求70%的準確度（如電商推薦系統），可大幅節省能量。
研究團隊還開發工具，避免在訓練過程中浪費多達80%的計算資源，既節能又不損失模型準確度。
利用效率提升
計算硬件的創新，例如半導體晶片上晶體管密度提升，仍持續推動AI模型的能效顯著改善。儘管大多數晶片自2005年起能效提升速度放緩，GPU每焦耳能完成的計算量仍以每年50%至60%的速度增長。
MIT電腦科學與人工智能實驗室的Neil Thompson指出，新的模型架構能以更快速度解決複雜問題，消耗更少能源，這種效率提升約每8至9個月翻倍。他提出「negaflop」概念，比喻因演算法優化而避免執行的計算操作，相當於節省的電力。
透過「剪枝」神經網絡中不必要的部分及數據壓縮技術，用戶未來可能用更小型的模型完成同樣任務，顯著減少環境負擔。Thompson強調：「提升模型效率是減少AI環境成本最重要的工作。」
最大化節能效果
Gadepally補充，並非所有電力的碳排放相同，1千瓦時電力的碳排放量會隨時間（日夜、季節）大幅波動。工程師可利用這種彈性，調整AI工作負載，將部分運算推遲到可再生能源比例較高的時段，以降低碳足跡。
MIT能源倡議的研究員Deepjyoti Deka提出「智慧數據中心」概念，通過多公司共用計算設備，靈活調整AI任務，提升能源效率並減少對化石燃料的依賴。他們正在建立數據中心的靈活性模型，優化深度學習模型訓練與部署的能源使用策略。
此外，長效能源儲存系統可存儲多餘的可再生能源，於需求高峰期使用，降低柴油備用發電機的依賴，極大改變數據中心的能源組合。
MIT和普林斯頓大學合作開發的GenX軟件，則用於電力行業的投資規劃，幫助企業選擇最佳數據中心地點，減少環境影響。選址方面，Meta在瑞典北部冷涼的盧萊亞設有數據中心，利用天然氣候減少冷卻能耗。甚至有政府考慮在月球建造數據中心，利用幾乎全由可再生能源提供的環境。
AI本身的解決方案
目前，地球上的可再生能源發展速度跟不上AI的快速增長，這是降低其碳足跡的一大障礙。MIT前氣候與能源AI負責人Jennifer Turliuk指出，新建可再生能源項目的審批流程往往耗時多年。
研究者正嘗試利用AI加速可再生能源系統接入電網的過程，例如通過生成式AI簡化連接研究，縮短項目審批時間。
AI還能優化太陽能和風能的產量預測，尋找新設施的理想地點，進行設備預測性維護及故障檢測，監控輸電線路容量，最大化效率。
Turliuk和團隊開發了「淨氣候影響得分」（Net Climate Impact Score）框架，幫助政策制定者和企業全面衡量AI項目的環境成本與未來潛在利益。
她強調：「每天都很重要，我們正走在一條氣候變化後果可能來不及挽救的路上。這是一次千載難逢的機會，推動創新，讓AI系統碳排放更低。」
—
評論與啟示
這篇報道深刻揭示了生成式AI帶來的能源與氣候挑戰，同時展示了MIT及全球研究者如何從多角度出發，嘗試減輕這些影響。AI技術的快速發展與廣泛應用，無疑會增加全球數據中心的能源需求，並帶來巨大的碳排放壓力。報告中提及的「運營碳」與「隱含碳」的區分，提醒我們不能只看眼前的能耗，更要關注基礎設施建設的長期環境負擔。
數據中心選址、建築材料的創新、硬件效率提升、演算法優化、運算負載調度等多重策略結合，才有可能在不犧牲AI性能的前提下，實現可持續發展。尤其是「negaflop」的概念，給人以啟示：未來AI不應只追求更強的計算力，更要追求更聰明、更節能的設計。
此外，AI本身也能成為推動綠色能源發展的助力，從加速可再生能源接入、優化電網運行，到預測維護與政策制定，無疑擴展了AI的社會價值。
然而，報告也暗示了現實的困境：能源轉型的政策與基建滯後，阻礙了AI碳足跡的快速下降。這需要政府、企業和學術界的密切合作，以及政策層面的積極推動。
對香港及全球讀者而言，這篇報道提醒我們，面對AI帶來的環境挑戰，不應視其為遙遠的未來問題，而是當前急需關注的議題。香港作為國際金融及科技樞紐，更應積極參與相關研究與政策制定，促進綠色AI發展，為全球氣候目標貢獻力量。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
