为了全面评估AI解决方案的环境影响，有必要从其生命周期的三个主要阶段入手：生产、使用和结束生命周期（End of Life）。
一、生产阶段：这一阶段涉及硬件设备的制造，包括原材料的提取、加工和组装。生产过程通常伴随着较高的能源消耗和废弃物产生，因此，减少这一阶段的环境负担是实现AI可持续性的关键之一。
二、使用阶段：涵盖了AI系统在运行期间的能耗、数据采集、处理及存储等活动。使用阶段的能源效率和碳排放问题是当前评估AI可持续性的重点。优化算法、提高能效、采用清洁能源供电等方式均可有效降低这一阶段的环境影响。
三、结束生命周期阶段：涉及设备的废弃处理、回收或再利用。如果处理不当，电子废物可能会对环境造成长期的危害。因此，建立完善的回收体系，促进资源循环利用，是减轻环境负担的重要途径。
在评估AI解决方案的环境影响时，需要至少考虑以下五种关键指标：
一、生物多样性：代表对土地利用、生物多样性等方面的影响。保护生物多样性不仅是维护生态系统健康的基础，也是应对气候变化的重要组成部分。
二、ADP（大气沉积物潜力）：衡量空气污染的程度。空气污染不仅影响人类健康，还会对生态环境造成损害。
三、Humtox（人类毒性）：衡量物质对人体健康造成的危害。化学品和其他有毒物质的使用与排放，可能对人群健康构成威胁。
四、水：代表水的使用或水质影响。水资源的合理利用和水质保护对于维持生态平衡至关重要。
五、GWP（全球变暖潜能值）：衡量温室气体排放对气候的影响。减少温室气体排放是应对全球变暖的核心措施之一。
从当前的影响分布来看[ Ligozat, Anne-Laure, et al. "Unraveling the hidden environmental impacts of AI solutions for environment life cycle assessment of AI solutions." Sustainability 14.9 (2022): 5172.]，上图展示了一个简单的矩阵，其中横轴表示AI解决方案生命周期的不同阶段，纵轴则表示相关的环境影响指标。图中深蓝色方块位于使用阶段和GWP之间，这表明当前的关注点主要集中在AI在使用阶段的能源效率和碳排放问题上，而其他环境影响指标在评估AI的低碳发展时则被相对忽视。一个常见的误区是认为只要使用可再生能源，环境可持续性问题就能迎刃而解。事实上，生物多样性在数据中心可持续发展目标中可以发挥更大的作用，但尽管运营过程中通常会同时考虑能源效率和污染防治，却鲜有人深入探讨生物多样性保护。生物多样性的丧失会削弱生态系统应对气候变化的能力，因此，缺乏将生物多样性与低碳转型和环境治理价值相联系的广泛讨论是一个亟待解决的问题。
此外，随着AI发展对于淡水资源的消耗也是巨大的，而这部分问题同样未得到相应的重视。例如，谷歌在其《2024年环境报告》中提到，2023年该公司的水足迹相比前一年增加了17%，冷却其数据中心所需的总水量达到了61亿加仑，这一增长与用电量的增加相匹配。这一水量相当于每年灌溉美国西南部41个高尔夫球场所需的水量。这一数据反映出，即使是在积极采用清洁能源的背景下，AI技术的发展也会对水资源造成显著影响。
引导与管理：构建可持续AI的策略
为了全面理解AI技术的环境足迹，可以从其生命周期的不同阶段对其进行评估，包括第一级直接影响、第二级间接影响以及第三级深远影响。通过对这些不同层面的影响进行综合考量，可以有针对性地采取措施，促进技术发展与环境保护的和谐共生。
第一级影响（直接影响）
与AI服务相关的设备在其生命周期各阶段产生的直接影响主要包括：
一、原材料提取：这一阶段涉及将原材料从自然界中开采出来，如金属和其他矿物资源的开采。为了减少这一阶段的环境负担，可以通过使用模块化设计来方便未来的升级和维护，减少因技术更新换代而导致的硬件淘汰频率；并且鼓励制造商设计易于维修和升级的产品，通过软件升级和硬件维护延长电子设备的使用寿命。
二、制造：包括将原材料转化为实际设备的过程，例如制作GPU、服务器及其他硬件组件。在生产过程中，应优先使用可再生能源供电，减少化石燃料的依赖；实施环保生产流程，使用可回收或生物降解的材料，减少对环境的影响。
三、使用：设备在运行期间的能耗，包括数据的获取、处理和分析，以及模型训练和推理过程中消耗的能量。为了降低这一阶段的能耗，可以通过采用高效算法开发，减少计算所需时间和资源；通过改进AI算法来降低计算复杂度，减少训练和推理所需的能量消耗；以及使用更高效的神经网络架构或压缩模型大小，以减少能耗。
四、报废处理：设备达到其使用寿命后，如何处理和回收这些设备，包括电子废弃物的管理和回收。为了解决这一问题，应建立电子废弃物回收和再利用机制，确保废弃设备中的有用部件得到重新利用，并实施安全的电子废物回收计划，确保废旧设备中的有害物质得到妥善处理。
第二级影响（间接影响）
这些影响源于AI解决方案的实际应用，包括但不限于：
一、优化现有系统：通过AI进行分布式能源资产的综合管理；或是检测建筑物内的占用情况来优化能源消耗，提高整体系统的运行效率。
二、实现精细控制：当AI应用于智能建筑或其他自动化系统时，可以实现更精细的控制，从而节省能源和资源。
第三级影响（深远影响）
这些影响是由于引入了AI解决方案而引起的更广泛的社会或技术变化，包括但不限于：
一、反弹效应：效率提升导致成本下降，可能会促使人们增加消费，从而抵消了最初的节能效果。
二、行为改变：AI的引入可能会影响个人的行为模式，例如，如果智能系统使得室内温度更加舒适，用户可能会选择更高的温度设置。
三、系统转变：随着时间的推移，AI可能会驱动整个行业的变革，例如，自动驾驶汽车可能会改变交通模式和个人出行习惯。
四、持续改进与模拟：采用ASI策略（避免—转移—改进），通过AI技术预测和预防不必要的资源消耗，优化资源分配，改进现有系统和流程。
为了构建可持续发展的AI，我们必须采取综合的引导和管理措施,以全生命周期视角切入，更全面地从政策、企业实践推动AI的环境可持续发展。只有在实现经济效益的同时兼顾社会责任和环境保护，AI技术才能真正造福于人类社会。
（注：TFLOPS作为一个衡量计算机性能的单位，在高性能计算（HPC）和图形处理单元（GPU）的能力评估中被广泛采用。“FLOPS”（每秒浮点运算次数）这一术语中的“Tera-”前缀表示万亿，因此，1 TFLOPS意味着每秒钟可以执行一万亿次浮点运算。）
（作者陈钰什，New Energy Nexus首席研究员，ISO可持续金融科技工作组专家，China ESG Alliance特别顾问，中国环境科学学会碳达峰碳中和专委会委员，著有《变革:元宇宙与数字经济》。本文仅代表个人观点。责编邮箱：yilin.yuan@ftchinese.com)