为什么不能只测量训练阶段就了事？
大多数公众关注的是训练大型AI模型所消耗的能源，但这只是冰山一角。训练是一次性成本，而推理——即运行模型来回答查询的行为——在模型部署后会发生数百万甚至数十亿次。2023年一项关于生成式AI推理的研究发现，对于像ChatGPT这样的服务，推理的累积能源和碳排放影响可能很快超过训练，尤其是在用户数量增长的情况下[7]。这意味着，如果只衡量训练，你可能会严重低估AI系统的真实足迹。
多项综述证实了这一盲点。一篇2026年的范围综述指出，尽管训练环节已被广泛研究，但“大规模服务运营过程中产生的累积环境足迹，尤其是推理阶段，受到的关注相对较少”[3]。另一篇2025年的综述提出了一个六维框架，明确将训练与部署（推理）作为独立但相互关联的阶段纳入其中[2]。关键在于：仅凭训练环节来衡量是不完整的。
各研究在哪些方面达成共识？
多篇论文达成广泛共识：一个覆盖人工智能全生命周期的标准化、透明化测量框架至关重要——但目前尚属空白。一篇2026年关于语言模型的论文指出，"现有基准测试和论文极少报告能耗数据，造成了严重的信息鸿沟"[1]。同样，2023年一份碳足迹工具指南提到，虽然存在多种在线计算器，但它们得出的估算结果差异巨大：一项对四款计算器的对比研究发现，针对同一AI查询，估算值相差超过50倍[6]。这使得用户几乎无法比较不同模型或做出知情选择。
另一个共识是，硬件选择与模型架构至关重要。2025年一篇关于环保型AI训练的章节指出，模型剪枝、节能硬件和绿色数据中心等策略已被证实可有效减少碳排放[4]。谷歌研究人员在2022年的一篇论文中预测，若整个机器学习领域采用最佳实践——例如使用更高效的硬件并优化训练计划——尽管需求持续增长，到2030年训练产生的总碳排放量仍可能下降[8]。这表明，测量不仅关乎核算，更能推动实质性的减排。
哪些方面的证据仍不明确？
最大的差距在于缺乏对芯片制造和硬件生命周期排放的持续报告。尽管有多篇论文呼吁纳入制造过程中的“隐含排放”[3]，但此处的九项研究均未提供具体数据，说明芯片制造相对于训练或推理环节的碳排放贡献比例。这是一个关键缺失，因为先进AI芯片的制造本身能耗极高，会产生自身的碳足迹。
另一个尚未解决的问题是，如何公平地比较不同模型及其应用场景。2024年一篇关于神经转译器的综述发现，在17项主要研究中，仅有9项报告了训练时间和设备细节，而报告实际排放量的研究更少[5]。这种零散的报告方式使得我们难以判断，例如，一个长时间训练的小模型与一个短时间训练的大模型相比，究竟孰优孰劣。作者呼吁“对排放量进行更详细的报告，并更深入地理解与训练时间相关的碳足迹”[5]。在报告标准普及之前，任何单一数据——无论是来自训练、推理还是制造环节——都应被视为临时性参考。
关于这些来源
该回答基于8篇经同行评审的研究——发表于2022年至2026年间，其中6篇为2024年及以后发表，2篇发表于Q1期刊，总被引次数达370次——这些研究是从9篇通过质量筛选的研究中选出的最相关成果，而9篇研究又源自从超过5亿篇论文的数据库中检索到的68篇文献。
本文引用的文献
评估语言模型的碳足迹：迈向人工智能的可持续发展
这项2026年的研究对比了小语言模型（TinyLlama、nanoGPT）在训练和推理过程中的碳排放量，并发现现有基准测试极少报告能耗数据，从而造成了显著的信息缺口。
当机器学习模型退役、衰退或过时：算法、软件与硬件综述
这份2025年的综述提出了一个六维可持续人工智能框架（包括电网优化调度、资源高效架构和能耗感知算法），并呼吁建立标准化方法，以衡量人工智能在整个生命周期中的能源消耗。
迈向可持续人工智能：训练与推理阶段碳足迹与环境影响的系统性综述
这项2026年的范围界定综述发现，推理阶段的排放所受到的关注远少于训练阶段，并提出了包括制造过程中隐含排放在内的全生命周期监测方案。
通过生态友好型AI训练减少机器学习中的碳足迹
本章回顾了2025年减少人工智能碳足迹的策略，包括模型优化、剪枝、节能硬件和绿色数据中心，并附有来自谷歌、OpenAI和IBM的案例研究。
评估碳足迹：理解训练设备的环境成本
这篇2024年关于神经转译器的综述发现，在17项主要研究中，仅有9项报告了训练时间和设备细节，而报告实际排放量的研究更少，凸显了改进报告规范的必要性。
人工智能的能源与环境足迹
这篇2026年的文章比较了四款人工智能环境足迹计算器，发现针对同一查询的估算结果差异超过50倍，凸显了标准化披露的必要性。
减少生成式AI推理的碳排放（当前及2035年展望）
这项2023年的研究对ChatGPT的推理工作负载进行了建模，结果表明，推理过程的累积能源消耗和碳排放影响可能超过训练阶段，尤其是在用户数量不断增长的情况下。
机器学习训练产生的碳足迹将趋于稳定，随后逐步缩减。
谷歌研究人员在2022年发表的一篇论文指出，尽管需求持续增长，但通过采用四项最佳实践（例如高效硬件、优化训练），到2030年机器学习训练的总碳排放量有望下降。