《IEEE Access》：Toward Sustainable AI: A Scoping Review of Carbon Footprint and Environmental Impacts Across Training and Inference Stages
编辑推荐：
随着人工智能(AI)快速普及，其在创造社会经济价值的同时也因高能耗引发环境可持续性质疑。本研究通过范围综述方法，系统分析AI碳足迹评估体系，揭示当前研究多聚焦训练阶段而忽视推理阶段累积影响的问题。研究人员创新提出基准化推理评估框架，阐明模型规模、提示复杂度等多维因素对碳足迹的塑造机制，最终提出包含标准化测量协议、动态评估框架等四维治理路径，为构建可持续AI生态系统奠定理论基础。
当ChatGPT在短短两个月内吸引超1亿用户时，鲜有人注意到其背后每次对话响应可能消耗相当于一瓶矿泉水生产的碳排放。这正是人工智能(AI)浪潮中的隐性环境代价——据测算，训练一个大型语言模型(LLM)的碳足迹相当于五辆汽车整个生命周期的排放总量。更值得警惕的是，当前学术讨论大多聚焦于训练阶段的能耗“尖峰”，却忽视了海量用户日常使用带来的推理阶段“长尾效应”。这种认知偏差使得AI可持续发展陷入“盲人摸象”的困境。
为解决这一关键问题，研究团队在《IEEE Access》发表了系统性综述研究。他们采用范围综述(Scoping Review)方法论，对AI碳足迹评估领域的研究进行全景式扫描。通过建立多级文献筛选机制，最终纳入符合严格标准的实证研究进行比对分析。团队创新性地开发了基准导向型框架(Benchmark-oriented Framework)，将碎片化的推理能耗数据转化为可比较的标准化指标，同时引入系统边界定义工具来统一不同研究的数据口径。
研究结果揭示出四大核心发现：
- 1.
方法论异质性导致的数据鸿沟：现有碳核算方法存在显著的技术特异性偏差(Technology-specific Biases)，例如GPU与TPU等不同硬件平台的能耗测量标准不一，使得跨研究对比如同“换算不同货币的汇率”。
- 2.
推理阶段的隐性环境成本：通过对服务规模(Service Scale)与用户行为(User Behavior)的关联分析，发现当AI服务日均调用量达百万次时，推理阶段的年化碳足迹可能反超训练阶段，形成“冰山效应”。
- 3.
多维因子的协同影响机制：研究构建了包含模型参数量(Model Size)、提示词复杂度(Prompt Complexity)、服务环境(Serving Environment)等变量的影响模型，证实增大模型规模带来的边际减排效益会随提示长度增加而递减。
- 4.
生命周期视角的缺失：现有研究普遍忽视嵌入碳排放(Embodied Emissions)——即硬件制造、数据中心建设等上游环节的碳成本，这可能造成高达30%的碳足迹低估。
在讨论部分，作者尖锐指出当前AI碳会计(AI Carbon Accounting)实践存在三大局限：方法论不一致性、技术中心主义倾向以及端到端(End-to-End)系统视角的缺失。为此，他们提出四位一体的治理路径：首先需要建立包含明确边界定义、功能单元(Functional Unit)规范和披露要求的标准化测量协议；其次应设计融合实时用户行为数据的动态评估框架；再者须开发覆盖硬件全生命周期的监测系统；最终要构建平衡模型性能与能源效率的多维可持续性评估体系。
这项研究的突破性意义在于将AI环境影响评估从“作坊式”测量推向“工业化”标准时代。其提出的基准框架不仅为政策制定者提供了可执行的监管工具，更通过揭示推理阶段的长期影响，纠正了行业对AI碳足迹的片面认知。当全球AI算力需求每3.5个月翻倍增长时，这项研究犹如为狂奔的AI产业装上了“环境仪表盘”，指引其向《巴黎协定》的减排目标同步迈进。
