當你每一次點開ChatGPT時，千里之外的數據中心就在消耗資源——冷卻水、電力、算力。單次AI請求的消耗微不足道，但乘上每天數十億次的使用量，數字將觸目驚心。

2024年，全球數據中心耗電415太瓦時，占全球用電量的1.5%。到2030年，這一數字將翻倍，相當於日本全國一年的用電量。再加上芯片裡的稀有礦物、堆積如山的電子垃圾、不斷攀升的水消耗——AI的能耗究竟會對環境產生多大影響？這個問題亟須正視。

高盛預測數據中心的能源需求來源：高盛

與此同時，AI發展也帶來了巨大的環境效益。AI技術可幫助優化電網調度、提升可再生能源預測精度，推動傳統高耗能行業的生產流程升級，還能為氣候變化建模、極端災害預警提供更為精準的技術支持。這種“雙刃劍”屬性，讓AI的環境影響討論變得更加複雜。

另一個不容忽視的問題是，在AI治理的討論中，美歐長期占據主導：硅谷定調，布魯塞爾立法，全球跟着走。全球南方國家作為AI產業鏈的資源提供者、新興市場，卻很少能發聲回應AI給自己國家帶來的環境影響，更難以參與到全球AI環境規則的制定過程中。

今年7月在日內瓦舉行的聯合國AI治理全球對話開幕式上，一份白皮書打破了這種單聲道敘事，開始鄭重回答人工智能與環境之間的關係。

這份由金磚國家三個大國的重要智庫——國家高端智庫復旦大學中國研究院、俄羅斯自然與人民基金會、印度帕勒基金會聯合撰寫，聯合國互聯網治理論壇環境動態聯盟支持，並在這次聯合國對話中發布的《人工智能與環境白皮書》，把人工智能的環境足跡與環境效益納入同一分析框架、系統探討人工智能與國際可持續發展的關係，也是金磚國家智庫首次聯手，把“全球南方”的視角帶入了AI環境治理的討論桌。著名經濟學家傑弗里·薩克斯教授為《白皮書》作序時，稱之為“具有里程碑意義的文件”。

7月18日，在2026世界人工智能大會期間，由復旦大學中國研究院主辦的《人工智能與環境白皮書》國際研討會上，來自俄羅斯、印度和中國的專家，繼續探討人工智能與環境的關係。

7月18日，由復旦大學中國研究院主辦的《人工智能與環境白皮書》國際研討會在上海召開

那麼，這份白皮書具體揭示了什麼？

8930噸碳、66億立方米水、6200萬噸電子垃圾

它首先算了一筆賬：AI的環境成本，到底有多大？

2012年的時候，訓練一次AlexNet會排放0.01噸二氧化碳，這個量幾乎可以忽略不計。2020年，訓練一次GPT-3，排放量達到588噸。2023年的GPT-4，這個數字來到了5184噸。2024年的Llama 3.1 405B，數字變成了8930噸……很難想象，2030年我們面對的AI能耗會到什麼地步？

但訓練AI只是這個問題的冰山一角。Facebook的實測數據顯示：在已部署的AI系統中，推理貢獻了約65%的碳排放，訓練只占35%。隨着AI走向億級用戶，這個比例只會更懸殊。

這張圖展示了訓練不同AI模型產生的碳排放量。斯坦福AI指數報告2026

Mistral AI第一次把單次查詢的賬單攤開：一個400-token的回覆，會排放1.14克的二氧化碳，消耗45毫升的水——水，可能是AI賬本里最被忽視的一行。

OECD預測，到2027年，AI相關用水量可達66億立方米，這相當於英國半年的用水總量。更值得警惕的是：數據中心往往建在水資源最緊張的地方。以印度為例，印度有6億人面臨高至極端水壓力，班加羅爾作為印度的科技中心、數據樞紐，卻面臨着地下水枯竭、未來淨可用水量歸零的嚴峻風險。中國“東數西算”把算力往西部趕，某種程度上是對這種矛盾的回應，但全球範圍內，AI的水消耗仍在以一種近乎不可見的方式加劇區域資源競爭。

除了水以外，硬件本身的代價，同樣驚人。

一台2公斤的電腦，生產需要約800公斤原材料——稀土、鋰、鈷、鎵、銅。這些礦產的開採和冶煉，不僅涉及棲息地破壞、水污染和長期生態毒性，其環境影響還不成比例地集中在全球南方。

等這些原材料被製成GPU後，在數據中心裡通常只有3到5年的壽命。更新周期越短，淘汰越快，廢棄的硬件堆積成山——2022年全球電子垃圾已達6200萬噸，而AI專用設備產生的廢料尚未被單獨統計。算力越強，硬件迭代越快，電子垃圾的增長曲線只會更陡。

因此，AI的碳足跡，不是“模型越大越糟糕”這麼簡單。

Google的GLaM有1.2萬億參數，比GPT-3大近7倍，訓練能耗卻只有後者的三分之一——關鍵在於架構設計和硬件效率。DeepSeek也證明，優化技術可以把訓練成本降低20倍。換句話說，技術上有辦法讓AI變得更乾淨。

但設計權在誰手裡？不在監管者手上，也不在公眾手上。GPU製造商不公布環境產品聲明；科技公司不把AI專用排放從數據中心賬單裡單獨列出來；歐盟AI法案甚至在最終文本中刪掉了碳排放透明度條款。在“由誰負責把AI變乾淨”這件事上，至今沒有明確的制度答案。這些“看不見”的機制，恰恰是問題的核心。