本报告回顾了评估人工智能（AI）系统在整个生命周期中环境影响的常见方法。报告指出，尽管在方法和工具方面取得了进展，但不同生命周期阶段（如训练、推理和供应链）的测量、分析和报告仍存在重大不一致性。
核心问题：当前对AI环境影响的测量方法存在广泛问题，主要体现在：
- 过度依赖估算和代理：在评估AI训练阶段的能源消耗时，普遍使用估算值而非实时遥测数据，导致最终测量结果不确定性高。
- 生命周期边界不一致：对“训练”阶段的定义在不同研究中差异很大，经常排除研发阶段，而研发阶段的累积排放量可能很大。
- 单位不统一：AI模型环境影响评估结果的单位多种多样（如每标记、每推理、每任务、每用户会话、每单位时间、每部署实例、每训练周期、每用户），难以比较和进行成本分配。
- 碳近视症：大多数评估只关注二氧化碳排放，忽视了水使用、电子垃圾、矿产耗竭和生物多样性等其他影响。
- 推理阶段和用户行为被忽视：推理阶段（即模型的操作使用）的排放量往往被忽略，而用户行为（如提示长度、重试、使用大型模型）对整体推理排放有重大影响，但很少在分析中体现。
- 供应链排放（范围3）和隐含排放报告不足：芯片制造、硬件运输和电子垃圾等供应链排放通常被排除在外，隐含碳和采矿影响跟踪和报告不佳。
- 水资源使用和基础设施开销不透明：水资源使用数据稀少且非标准化，特别是来自超大规模提供商的数据。冷却等能源开销（如PUE）经常被忽略。
- 缺乏工具和方法之间的标准化：不同的工具和报告格式阻碍了可比性。对于摊销方法、基准协议或生命周期会计模型没有共识。
- 以碳为中心的指标掩盖了更广泛的影响：大多数研究只关注CO₂e，忽略了水、矿物、生物多样性丧失和能源来源透明度等。
AI生命周期阶段分析：
- 训练阶段：是环境影响最大的阶段，主要由于需要大量计算资源。报告建议使用实际能源测量值，并考虑整个生命周期（包括推理）的碳足迹。应建立基于生命周期的框架和明确的边界，并从模型生产者和数据中心获取更详细的信息。
- 推理/使用阶段：虽然每单位活动的能源强度可能低于训练，但由于使用频率高和长期使用，可能对总排放量有更大贡献。报告建议开发实时遥测工具，创建可分配的指标（如每推理、每标记），并基准测试不同的部署选项。
- 供应链和范围3阶段：包括硬件制造、运输和处置的上游和下游生命周期影响。报告建议整合产品生命周期评估（LCA），并使用标准框架（如ISO 14040/14044）进行范围3排放和隐含碳评估。
研究结论和建议：
- 采用基于生命周期的系统思维方法来评估和设计具有环境可持续性的AI系统。
- 引入具体的环境披露要求，以提高AI供应链的透明度，并确保全面报告能源使用和排放。
- 继续推进绿色AI实践，利用AI解决其自身环境挑战。
- 改善AI能源测量标准化，提倡直接能源测量而非代理估算，并确保计算基础设施的全面电力跟踪。
- 使用更节能的AI硬件来减少每次计算的排放量，并确保报告透明且无代理。
- 发展基于遥测的工具，提供对工作负载、会话或模型级别排放的细粒度、实时洞察。
- 研究用户交互模式如何影响AI能源消耗，并探索界面设计如何鼓励低排放使用。
- 研究摊销训练排放的标准模型，以及如何在服务、用例和生命周期阶段之间归因环境成本。
- 建立对生命周期阶段边界（如构建-训练-运行）和影响报告推荐单位（如每标记、每会话、每任务）的共识。
- 支持对与AI硬件相关的隐含排放、水资源使用、矿物开采和报废影响进行详细研究，包括云基础设施和最终用户设备。
通过解决这些测量中的差距，行业可以更全面地了解AI的环境足迹，从而做出更明智的决策以优化AI运营，并推动跨各个部门的可持续AI实践的采用。
