当你每一次点开ChatGPT时，千里之外的数据中心就在消耗资源——冷却水、电力、算力。单次AI请求的消耗微不足道，但乘上每天数十亿次的使用量，数字将触目惊心。

2024年，全球数据中心耗电415太瓦时，占全球用电量的1.5%。到2030年，这一数字将翻倍，相当于日本全国一年的用电量。再加上芯片里的稀有矿物、堆积如山的电子垃圾、不断攀升的水消耗——AI的能耗究竟会对环境产生多大影响？这个问题亟须正视。

高盛预测数据中心的能源需求来源：高盛

与此同时，AI发展也带来了巨大的环境效益。AI技术可帮助优化电网调度、提升可再生能源预测精度，推动传统高耗能行业的生产流程升级，还能为气候变化建模、极端灾害预警提供更为精准的技术支持。这种“双刃剑”属性，让AI的环境影响讨论变得更加复杂。

另一个不容忽视的问题是，在AI治理的讨论中，美欧长期占据主导：硅谷定调，布鲁塞尔立法，全球跟着走。全球南方国家作为AI产业链的资源提供者、新兴市场，却很少能发声回应AI给自己国家带来的环境影响，更难以参与到全球AI环境规则的制定过程中。

今年7月在日内瓦举行的联合国AI治理全球对话开幕式上，一份白皮书打破了这种单声道叙事，开始郑重回答人工智能与环境之间的关系。

这份由金砖国家三个大国的重要智库——国家高端智库复旦大学中国研究院、俄罗斯自然与人民基金会、印度帕勒基金会联合撰写，联合国互联网治理论坛环境动态联盟支持，并在这次联合国对话中发布的《人工智能与环境白皮书》，把人工智能的环境足迹与环境效益纳入同一分析框架、系统探讨人工智能与国际可持续发展的关系，也是金砖国家智库首次联手，把“全球南方”的视角带入了AI环境治理的讨论桌。著名经济学家杰弗里·萨克斯教授为《白皮书》作序时，称之为“具有里程碑意义的文件”。

7月18日，在2026世界人工智能大会期间，由复旦大学中国研究院主办的《人工智能与环境白皮书》国际研讨会上，来自俄罗斯、印度和中国的专家，继续探讨人工智能与环境的关系。

7月18日，由复旦大学中国研究院主办的《人工智能与环境白皮书》国际研讨会在上海召开

那么，这份白皮书具体揭示了什么？

8930吨碳、66亿立方米水、6200万吨电子垃圾

它首先算了一笔账：AI的环境成本，到底有多大？

2012年的时候，训练一次AlexNet会排放0.01吨二氧化碳，这个量几乎可以忽略不计。2020年，训练一次GPT-3，排放量达到588吨。2023年的GPT-4，这个数字来到了5184吨。2024年的Llama 3.1 405B，数字变成了8930吨……很难想象，2030年我们面对的AI能耗会到什么地步？

但训练AI只是这个问题的冰山一角。Facebook的实测数据显示：在已部署的AI系统中，推理贡献了约65%的碳排放，训练只占35%。随着AI走向亿级用户，这个比例只会更悬殊。

这张图展示了训练不同AI模型产生的碳排放量。斯坦福AI指数报告2026

Mistral AI第一次把单次查询的账单摊开：一个400-token的回复，会排放1.14克的二氧化碳，消耗45毫升的水——水，可能是AI账本里最被忽视的一行。

OECD预测，到2027年，AI相关用水量可达66亿立方米，这相当于英国半年的用水总量。更值得警惕的是：数据中心往往建在水资源最紧张的地方。以印度为例，印度有6亿人面临高至极端水压力，班加罗尔作为印度的科技中心、数据枢纽，却面临着地下水枯竭、未来净可用水量归零的严峻风险。中国“东数西算”把算力往西部赶，某种程度上是对这种矛盾的回应，但全球范围内，AI的水消耗仍在以一种近乎不可见的方式加剧区域资源竞争。

除了水以外，硬件本身的代价，同样惊人。

一台2公斤的电脑，生产需要约800公斤原材料——稀土、锂、钴、镓、铜。这些矿产的开采和冶炼，不仅涉及栖息地破坏、水污染和长期生态毒性，其环境影响还不成比例地集中在全球南方。

等这些原材料被制成GPU后，在数据中心里通常只有3到5年的寿命。更新周期越短，淘汰越快，废弃的硬件堆积成山——2022年全球电子垃圾已达6200万吨，而AI专用设备产生的废料尚未被单独统计。算力越强，硬件迭代越快，电子垃圾的增长曲线只会更陡。

因此，AI的碳足迹，不是“模型越大越糟糕”这么简单。

Google的GLaM有1.2万亿参数，比GPT-3大近7倍，训练能耗却只有后者的三分之一——关键在于架构设计和硬件效率。DeepSeek也证明，优化技术可以把训练成本降低20倍。换句话说，技术上有办法让AI变得更干净。

但设计权在谁手里？不在监管者手上，也不在公众手上。GPU制造商不公布环境产品声明；科技公司不把AI专用排放从数据中心账单里单独列出来；欧盟AI法案甚至在最终文本中删掉了碳排放透明度条款。在“由谁负责把AI变干净”这件事上，至今没有明确的制度答案。这些“看不见”的机制，恰恰是问题的核心。