环保组织也离不开AI，算力狂飙背后的能源账该怎么算

连最担忧AI环境代价的国际环保组织，也已离不开AI。

路透社近期调研显示，受访的15家国际环保、自然保护和发展组织已全部接入AI应用。即使是对大规模建设数据中心持怀疑态度的国际绿色和平组织，日常办公软件中也普遍集成了AI功能。当AI成为生态保护的关键生产力，快速扩张的算力耗电到底带来了怎样的社会账单？

难以量化的生态价值

AI在科研与生态保护领域的收益十分显著。

1960年，珍·古道尔在坦桑尼亚贡贝开启了野生黑猩猩观察，半个多世纪积累了海量手写笔记，其中混杂着地方方言和专业速记。如果全凭人工辨认录入，预计需耗时13至15年。珍·古道尔研究所借助AI识别与整理工具，将整个数字化进程缩短至约两年，为跨周期的科研检索扫清了障碍。

在肯尼亚，保护机构“拯救大象”（Save the Elephants）曾为航拍影像处理耗费数月人力。2017年一次航测拍下约20万张影像，9名工作人员耗时9个月才排查完毕。如今专用模型几小时内就能完成同样的任务。更重要的是，AI筛查修正了以往人工排查的遗漏，发现此前大象漏计了近三分之一，斑马和长颈鹿漏计接近一半，为保护经费的申请与巡护提供了更精准的底数。

在国内，湖北五峰后河国家级自然保护区自主训练了针对本地物种的AI识别系统。原本数名工作人员需耗费一年分析的4TB野外红外影像，如今一周内即可完成处理，识别准确率超过90%。

这些案例展现了AI在公共利益领域的放大效应，但个别场景的成功，无法完全抵消全行业基础设施激增所带来的能源压力。

电费之外的外部性隐忧

算力设施消耗的不仅是电表上的读数。

国际能源署（IEA）预测，全球数据中心年用电量将从2025年的485太瓦时增至2030年的950太瓦时，接近翻倍，届时将占全球总用电量的3%左右。其中，AI数据中心用电量预计在五年内增至三倍。到2027年，单个先进计算柜的峰值功率可能相当于数十户普通家庭的用电总和。

集中激增的用电负荷使局部电网承压严重。输配电与变电基础设施建设周期通常长达数年，难以迅速满足算力集群的接入需求。若扩网改造费用最终摊入公共电价，原有的普通居民与传统企业事实上就在被动分担科技巨头的扩张成本。同时，高密度冷却系统对缺水地区的水资源管理提出了严峻挑战。

针对算力扩张的环境压力，第31届联合国气候变化大会（COP31）正在推动《安塔利亚人工智能承诺》，呼吁提升能效并强制披露碳排放与水耗。但此类国际倡议多数缺乏实质惩罚与问责机制，受影响社区的参与权及真实资源消耗透明度依然存疑。

杰文斯悖论：能效提升为何带来更多消耗

从技术演进看，芯片能效提升与模型推理优化，并未直接遏制电力需求。

英国经济学家杰文斯早在19世纪就指出：蒸汽机煤炭利用效率大幅提高后，动力成本下降反而激发了工业界更庞大的消费需求。这一“杰文斯悖论”在当今AI领域同样上演。

随着单次Token生成成本下降，企业与个人调用AI的频次与复杂度呈指数级上升。视频生成、深度推理和自主智能体（Agent）等多轮交互任务，单次调用所需的能耗可能是简单文本处理的成百上千倍。使用门槛越低，算力负荷反而越重。

部分机构已开始推行主动的“算力节流”。例如限制高能耗图像生成、利用缓存技术避免重复查询，或将轻量化分析模型直接部署于边缘端设备，减少海量原始数据远程传输带来的网络与中心算力损耗。

算力基建转向效益检验

中国算力基础设施的用电规模同样面临高质量转型。国家发展改革委数据显示，2025年全国算力设施耗电约1960亿千瓦时，占全社会用电量的1.9%，年增速达18.1%。

尽管“东数西算”促进了可再生能源的消纳，但风光电力的波动性与实时计算任务的时延要求之间仍存在天然矛盾。有绿电不等于有有效负荷，更不意味着算力机房能获得稳定回报。

工信部等部门发布的相关绿色算力设施评价体系，已逐步从过去单一的PUE指标转向综合考核单位能耗产出效益、碳效与实际利用率。低PUE并不能掩盖服务器闲置和业务缺失的问题。算力中心的建设重心，正在从比拼机架数量和芯片规模，转向严格考量真实需求与投入产出比。