生成性人工智能的环境影响引发了根本性的质疑。 _这种新兴技术消耗着巨大的能源资源._ 其应用的扩展带来了前所未有的生态挑战。数据中心，这一创新的真正“肺”，对现有的能源基础设施施加了重要的压力。 _面对这场革命的隐藏成本，需要提高警惕._ 用于基础设施的水、电和材料对生物多样性和可持续性造成了损害。 _每一次人工智能请求都会产生意想不到的后果._
生成性人工智能模型的能耗
生成性人工智能模型，如OpenAI的GPT-4，需要极大的计算能力进行训练。这个训练涉及到数十亿个参数，导致了惊人的电力消耗。这些技术的能源需求造成了二氧化碳排放的增加，加剧了对电力网络的压力。
能源需求不仅限于训练。这些模型在实际应用中的实施也同样需要大量的能源。数百万用户每天都在使用生成性人工智能，导致了模型性能优化过程中长期的能源消费。
对水资源的影响
数据中心的冷却需求也带来了生态挑战。这些基础设施消耗大量的水来维持适宜的温度，影响到当地的资源。科学文献估计，一个数据中心每消耗一千瓦时电力大约会消耗两升水。
这种高强度的水使用可能严重影响市政供水，引发周边生态系统的干扰。面对为满足数据中心需求而增加的资源提取，水资源管理成为了一项重要课题。
对电力基础设施的压力
新建数据中心的需求日益增长，使得可持续的回应变得困难。所需的绝大部分电力仍然主要来自于化石燃料发电厂。因此，新建筑加剧了应对气候变化的斗争。
对电网的影响也在训练类似GPT-3的模型时显现出来。研究表明，仅训练过程就消耗了约1,287兆瓦时的电，这相当于120个美国家庭一年的电力供应。训练阶段的能量消耗会有显著波动，引发消费峰值的不可预测性。
计算机硬件的环境影响
对生成性人工智能模型至关重要的图形卡在其生态足迹方面也表现出自身的问题。其制造的复杂性所需的能源消耗高于中央处理器。所需材料的提取过程助长了污染性的采矿实践，危害环境。
TechInsights的一项研究表明，主要的GPU制造商在2023年发货了385万块这些设备。对这些组件需求的持续增长加剧了与其生产相关的环境挑战。原材料的运输方式也增加了相当大的碳足迹。
推理过程中的能耗
模型训练后的能源需求并未消失。每次与这些技术的交互，比如一次ChatGPT请求，都消耗着相当于标准网页搜索的五倍电力。公众在这些方面意识的缺失减少了限制这些工具使用的激励。
随着生成性人工智能模型在各种应用中变得日益普及，推理过程中的能源需求也将不断增加。每一个后续版本的模型通常需要更多的能源进行训练，因为它们拥有比前辈更多的参数。这一现象突显了认真评估环境影响的必要性。
寻求人工智能开发的可持续性
为了使生成性人工智能技术的发展负责任，迫在眉睫的是进行对环境和社会成本进行严格分析。评估感知利益与实施成本之间的关系对未来决策至关重要。研究人员呼吁对人工智能的影响进行系统化的理解，强调对新能源需求达成共识的必要性。
人们达成共识，认为需要采取总体方法来理解所需的努力，以最小化环境影响。在创新和政策的不同参与者之间建立对话，可以为人工智能技术的可持续使用描绘出更平衡的路径。
常见问题解答
生成性人工智能模型的环境影响是什么？
生成性人工智能模型在其训练和推理阶段消耗了大量电力，如果能源来自化石燃料，将显著增加温室气体排放。
数据中心的使用对环境为什么是个问题？
数据中心是生成性人工智能运作所需的，需大量的能源和水用于冷却，给当地资源带来了极大压力，并对周边生态系统产生了影响。
哪些自然资源受到生成性人工智能的最大影响？
水资源受到特别影响，因为一个数据中心每消耗一千瓦时电力可能需要多达两升水，这可能会影响市政供水。
模型的AI如何产生环境废物？
人工智能模型生命周期较短，导致能源浪费，因为性能更强的模型往往迅速发布，使得之前的模型就此过时，造成了资源的不持续利用。
能源消费波动如何影响电网？
生成性人工智能模型在训练的不同阶段产生消费波动，需要特别管理电网，通常由柴油发电机提供，这加剧了环境影响。
有哪些努力在使生成性人工智能更加可持续？
研究人员和专家正在探索优化模型能源效率和利用可再生能源的解决方案，以降低人工智能操作的碳足迹。
半导体行业在人工智能的环境影响中扮演什么角色？
制造用于生成性人工智能的复杂硬件，如GPU，因原材料的提取和复杂的制造过程而产生大量二氧化碳排放。
是什么使生成性人工智能比其他形式的人工智能更耗能？
生成性人工智能模型训练所需的能源密度特别高，其能耗是传统计算工作负载的七到八倍。
用户如何能为减少生成性人工智能的环境影响贡献力量？
用户可以通过限制对生成性人工智能工具的使用，提高对其能源足迹的认识，并选择整合可持续实践的服务，从而减少自身的影响。
