每一次人工智能部署都会产生碳成本。训练和运行模型需要电力,而电力无论在哪里生成都有其碳足迹。这一成本是真实存在的,也正受到客户、监管机构和公众越来越多的关注。但碳足迹只是账本的一面。真正值得追问的问题不是人工智能的成本是多少,而是它带来了多少回报。
我们没有依靠假设,而是用实际数据来回答这个问题。本文总结了我们的发现。完整白皮书(含方法论)见文末链接。
实测数据,而非预测模型
Akila 的第一代生产级人工智能只做一件事:优化暖通空调(HVAC),也就是建筑能耗中占比最大的供暖、通风和制冷系统。我们在法国、新加坡和中国的七个客户、32 个站点中测算了它的碳回报,覆盖化工制造、零售、物流、健康科技和商业地产等多个领域。
结果在每一个部署案例中都成立。人工智能优化所节省的碳排放,在每个站点、按当地真实电网计算,均超过了运行该人工智能本身所消耗的碳排放。
- 在样本中电网最清洁的地区(法国),回报比仍达 4 倍
- 在碳密集度最高的电网(中国),回报比达到 121 倍
- 在加权平均下,整体样本的回报比为 69 倍
这些数字并非模型估算,而是基于实测电力使用数据、实测节能效果,以及各地实际电网排放系数自下而上构建而成,仅在无法直接测量的情况下才采用已发表的基准数据。完整方法论,包括每项输入数据的质量分级,见白皮书附录。
我们的人工智能碳足迹从何而来
要理解回报,首先要清楚地理解成本一侧。2025 年及延续至 2026 年,我们的人工智能碳足迹分为四大类:
设施优化(51%,13.3 吨二氧化碳当量): 部署在客户站点、运行上述回报数据背后 HVAC 控制系统的硬件。此类别包含电力消耗以及硬件制造的摊销排放。
研发人工智能工具(45%,11.7 吨二氧化碳当量): 用于构建下一代平台的内部智能体工具。这是仅次于已部署设施人工智能的最大单项支出,而这是有意为之的。我们将其视为投资而非开销,并以第一代人工智能已在实际场景中证明的回报作为支撑。
平台人工智能洞察(3%,0.85 吨二氧化碳当量): 已部署的平台功能,例如站点级和组合级的能耗洞察,这些功能已在加速识别能源浪费和降本机会。
内部办公使用(不足 1%,0.03 吨二氧化碳当量): 用于日常非研发办公任务的生产力工具,规模可忽略不计,为完整性列出。
这一拆分很重要。我们目前碳足迹的大约一半已经在以数倍于其成本的回报持续偿还;另一半是有边界的前瞻性投入,其量级与已验证的基础部分相当,而非远超于它。
下一代智能体的构建方向
如果说 2025 年的人工智能只做一件事(节省 HVAC 能耗),目前在研发中的智能体则将同样的方法延伸到更广泛的建筑管理领域。以下是部分在建项目:
- 3D 数字孪生助手: 直接针对建筑的实时数据和 3D 模型(设备、占用率、空气质量、能耗、工单)回答自然语言提问,目前已进入生产测试阶段
- 设施风险智能体(IFM site-risk agent): 识别反复出现的设备故障和检查缺口,在问题升级之前发出预警
- 区域基准分析: 结合组合数据与公共建筑数据库,为投资决策提供更精准的依据
- 组合能耗分析: 在客户整个资产组合范围内标记异常或不一致的能耗模式
- 审计与尽职调查准备: 将非结构化记录(合同、安全、租约)与数字孪生集中比对,降低交易过程中的咨询和法律成本
- 制冷优化: 将已在 HVAC 上验证的机器学习方法延伸至新的系统类型
这些智能体的回报尚未在规模化部署中得到测算,我们对此并不讳言。它们将接受与 HVAC 人工智能同样的检验标准:待其进入客户现场后基于实测数据评估,而非提前预测。
方法论为何与数字本身同样重要
一个回报比数字的可信度,取决于其背后的假设是否站得住脚。我们尽可能自下而上地构建此模型:来自 Azure OpenAI 日志的实测 token 使用数据,来自 Ember 全球电力报告的电网排放系数,来自 Epoch AI 的单 token 能耗数据,并与其他已发布来源交叉核实。每项输入数据均按置信度分级标注,从 T1(实测或官方数据)到 T3(内部代理估算),完整数据表可应要求提供。
我们如实测算了第一代人工智能的回报,包括其自身的碳足迹,采用真实电网数据而非便利性假设。我们将以同样的标准要求下一代智能体。
