Environmental Cost of AI's Energy Use: Carbon, Water and Land Footprints
United Nations University Institute for Water, Environment and Health (UNU-INWEH)2026-06-2056 页
报告概述
本报告由联合国大学水环境与健康研究所（UNU-INWEH）在成立30周年之际发布，是迄今对AI能源使用环境足迹最全面的评估之一。报告超越仅关注碳排放的框架，系统量化了AI运行所需电力产生的碳、水和土地足迹。研究对象包括AI模型训练与推理阶段的能耗、全球数据中心的电力消耗及其环境影响，以及不同电力结构下环境足迹的地域差异。报告采用全球平均足迹强度因子和区域电力混合数据，分析AI从基础设施到终端使用的全链条环境成本，旨在为政策制定者、行业和用户提供负责任AI发展的科学依据。
报告的核心结论
AI的推理阶段能耗占总量80%-90%，远超训练阶段。
尽管训练前沿模型如GPT-4消耗50-70 GWh电力，但持续推理服务数十亿用户产生的累积能耗更为巨大。ChatGPT每天处理约25亿次提示，仅文本查询年耗电约383 GWh，而图像和视频生成能耗更高。随着AI普及，推理成为主导环境负担源。
2025年全球数据中心电力消耗相当于一个国家排名第11位，AI是主要驱动因素。
2025年数据中心耗电448 TWh，超过法国全年用电量。AI工作负载占约20%，预计2030年升至40%。如果数据中心是一个国家，其电力消耗将排全球第11。这种增长正在推高碳、水和土地足迹，尤其在化石燃料依赖度高的地区。
AI环境足迹高度依赖所在地电力结构，低碳不等于低水或低土地足迹。
水电主导的巴西电网碳足迹低于全球均值77%，但水足迹和土地足迹分别是全球均值的近三倍。核电或水电的法国碳足迹极低，而煤电为主的印度碳足迹高。因此，评价AI可持续性需同时考虑碳、水、土地三维度，避免环境负担转移。
任务类型和模型选择导致能耗差异达数个数量级，用户行为至关重要。
一个典型AI图像生成能耗是文本分类的1450倍，高清视频可达20万倍。模型架构和设置也影响巨大：高效模型可将单次图像能耗降低30-45倍。用户通过选择轻量模型、精简输出和避免非必需高耗能任务，可显著减少个人环境影响。
报告回答的关键问题
AI训练和推理哪个更耗能？
推理阶段更耗能。虽然训练GPT-4等大模型消耗50-70 GWh电力，但一旦部署，持续推理产生的能耗占总量的80%-90%。ChatGPT每天处理约25亿次查询，年耗电约383 GWh，远高于训练的一次性消耗。
数据中心对环境有哪些主要影响？
2025年全球数据中心耗电448 TWh，碳足迹1.89亿吨CO₂e，水足迹4.5万亿升，土地足迹6900 km²。数据中心需要大量电力和冷却水，导致碳排放、水资源消耗和土地占用。AI工作负载目前占其用电的20%，预计2030年升至40%。
AI的碳足迹、水足迹和土地足迹之间有何权衡？
不同能源结构存在权衡。例如，水电为主的巴西碳足迹低，但水足迹和土地足迹高；煤电为主的地区碳足迹高，但水/土地足迹较低。因此，不能仅凭低碳评价AI可持续性，需综合考虑三种足迹，避免将负担转移至其他环境维度。
普通用户如何减少使用AI的环境影响？
用户可选择轻量模型、使用简洁模式减少输出长度、优先使用传统搜索而非生成式AI、避免不必要的高分辨率图像和视频生成。报告估计，若ChatGPT启用简洁模式减少30%字数，每年可节省87-98 GWh电力。
报告中的代表性数据
448 TWh
2025年全球数据中心电力消耗
2025，相当于全年供应撒哈拉以南非洲13亿人口住宅用电2.6年，若视作国家则电力消耗排名全球第11位。
50-70 GWh
GPT-4训练能耗范围
训练期约100天，相当于撒哈拉以南非洲46万人的年住宅用电量；碳足迹约25,000吨CO₂e；水足迹约6亿升；土地足迹约0.9 km²。
>415 Wh
单个AI视频生成最高能耗
单次生成，高分辨率长视频生成能耗超过200,000次文本分类，相当于一个10瓦LED灯泡运行42小时的水足迹（4.1升水）约等于一人两天的饮用水需求。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整报告包含全球AI市场增长数据，如2023年1890亿美元预计2033年增至近5万亿美元，以及企业投资超5800亿美元等市场分析。
- 报告提供了GPT-3、GPT-4、GPT-5、LLaMA等前沿模型训练能耗和环境足迹的详细估算与对比，包括碳、水、土地三维度。
- 包含全球数据中心分布地图，显示美国占近一半，仅32个国家拥有AI专用云算力，且90%集中在中美两国。
- 报告分析了各主要数据中心所在国的电力结构差异，并计算了碳、水、土地足迹强度，揭示不同地区的环境权衡。
- 详细分类了AI任务（文本分类、生成、图像、视频）的单次能耗范围，并给出了模型选择、分辨率等参数对能耗的影响数据。
- 报告讨论了效率提升的反弹效应（杰文斯悖论），指出效率改善可能因使用量增加而抵消环境收益。
- 提出了可持续AI的六项指导原则：透明、高效设计、公平正义、全生命周期责任、全球合作、可持续使用。
- 报告明确了政府、开发者、用户、投资者、国际机构等各利益相关方的具体责任和行动建议。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
