大模型的训练成本不仅体现在算力账单上，也体现在环境成本上。一次千亿参数级别的预训练任务，可能消耗数百万度电，排放数百吨二氧化碳当量。由于不同地区的电网结构差异巨大，同样的训练代码在A地可能产生两倍于B地的碳排。要降低AI对环境的影响，第一步是把碳足迹算清楚。本文从训练能耗的构成开始，拆解碳排放计算公式，并介绍绿色AI的几种可落地实践。
训练碳排放从哪里来？
训练大模型时，能耗主要来自GPU或TPU等加速芯片。以一块NVIDIA A100 80GB为例，其峰值功耗约为400瓦，一个8卡节点的IT功耗就超过3千瓦，加上CPU、内存、存储和网络设备，整机功耗可达4千瓦以上。数据中心还需要制冷、配电和UPS等辅助设施，这些额外开销通常用PUE表示。PUE为1.2意味着IT设备消耗1度电，整个数据中心要消耗1.2度电。老式数据中心PUE可能高达1.6甚至更高，这会成倍放大实际能耗。
电力消耗乘上电网碳强度，才得到碳排放。电网碳强度取决于发电结构：水电、风电、光伏、核电占比越高，每度电的碳排越低。例如挪威电网大量使用水电，碳强度可能低于50克二氧化碳当量每千瓦时，而煤电占比较高的地区可能超过700克二氧化碳当量每千瓦时。因此，单纯用一个全球平均值估算碳排会掩盖巨大差异。如果要对外报告或对比实验，应注明所使用的区域电网数据。这一变量也是绿色AI选址策略的核心依据。
除了运营阶段，硬件制造和供应链也有碳排，通常被称为隐含碳。研究者估计，GPU等芯片的制造碳排可能占整个生命周期碳排的相当比例。不过对一次性的训练任务而言，电力和散热造成的运营碳排最直接、最容易测量，当前绿色AI实践也主要围绕运营阶段展开。随着模型规模继续增长，运营碳排的绝对量仍然会快速上升。
碳足迹如何计算：公式、参数与示例
训练碳足迹的基础计算并不复杂，核心关系可以写成：C = E_total × CI，其中C是碳排放，E_total是总能耗，CI是电网碳强度。如果把IT设备功耗、训练时长和数据中心能效也纳入，公式可以展开为：E_total = P_avg × T × PUE。这里的P_avg是IT设备平均功率，单位千瓦；T是训练时长，单位小时；PUE是数据中心总能耗与IT能耗之比。最后把结果除以1000，就能把克二氧化碳当量换算成千克。
下面是一个简单的Python计算示例，演示如何根据GPU功耗、训练时长和电网碳强度估算碳排。实际项目中，P_avg通常来自硬件监控工具，CI可以从电网公开数据或第三方API获取。
# 计算训练碳足迹示例
def estimate_carbon(power_kw, hours, pue=1.2, carbon_intensity_g_per_kwh=500):
"""
power_kw: IT设备平均功率（千瓦）
hours: 训练时长（小时）
pue: 数据中心能效指标，总能耗与IT能耗之比
carbon_intensity_g_per_kwh: 电网碳强度，克CO2当量每千瓦时
"""
total_energy_kwh = power_kw * hours * pue
carbon_g = total_energy_kwh * carbon_intensity_g_per_kwh
carbon_kg = carbon_g / 1000
return total_energy_kwh, carbon_kg
# 示例：8卡A100服务器平均功率约4 kW，训练7天
energy, carbon = estimate_carbon(power_kw=4.0, hours=24*7, pue=1.2, carbon_intensity_g_per_kwh=500)
print(f"总能耗：{energy:.2f} kWh")
print(f"碳排放：{carbon:.2f} kg CO2eq")
这段代码默认电网碳强度为500克二氧化碳当量每千瓦时，属于偏煤电地区的水平。如果碳强度降到50克，同样的能耗对应的碳排会从约403千克降到约40千克，相差十倍。这说明在碳足迹核算中，电网碳强度的影响往往比GPU功耗波动还要大。估算误差也主要来自三个方面：GPU平均功率取不准、PUE取值过粗、碳强度时间分辨率不够。
目前也有一些开源工具可以自动记录训练碳排，例如carbontracker和CodeCarbon。它们可以在训练过程中采集硬件功耗或根据设备型号估算，并输出报告。对于希望长期追踪碳排的团队，把这些工具集成到训练脚本里比人工事后估算可靠得多。
绿色AI实践：算法优化、碳感知调度与能源选择
第一类实践是从算法本身降低计算量。混合精度训练将部分张量用FP16或BF16表示，减少显存占用和计算耗时，通常能带来20%到40%的能耗节省，而且对收敛效果影响很小。模型剪枝、稀疏化和知识蒸馏更偏向模型发布前的压缩，它们通过减少有效参数或换取更小的学生模型来降低推理能耗。参数高效微调方法如LoRA在大模型迁移学习场景下，只需要训练极小比例的权重，能大幅降低微调阶段的算力需求。这些措施的共性在于直接减少了浮点运算次数。
第二类实践是碳感知调度。电网碳强度在一天和一年内是波动的，例如风电在夜间可能更充足，太阳能则在白天出力更高。训练任务对启动时间通常不敏感，可以设置策略：当预测碳强度低于阈值时启动训练，高于阈值时挂起或迁移到其他低碳区域。下面是一个模拟调度逻辑的代码示例。
# 碳感知训练调度示意
from datetime import datetime
def get_grid_carbon_intensity(region, hour):
# 该函数接入电网API，返回当前时段碳强度
# 此处用模拟数据演示
base = {"RegionA": 300, "RegionB": 600}
return base.get(region, 450)
def should_start_training(region, hour, threshold=400):
ci = get_grid_carbon_intensity(region, hour)
if ci <= threshold:
print(f"当前碳强度 {ci} g/kWh，低于阈值，启动训练")
return True
else:
print(f"当前碳强度 {ci} g/kWh，高于阈值，等待低碳时段")
return False
# 示例调用
should_start_training("RegionA", datetime.now().hour)
这种调度思路可以进一步集成到Kubernetes等容器调度平台中。团队可以为不同数据中心的节点打上碳强度标签，让调度器在满足资源约束的前提下优先选择低碳节点。对于跨区域的大规模训练，还可以把不同阶段拆分到不同区域的算力池执行，例如数据预处理在碳排较高的区域完成，梯度同步和参数更新在低碳区域进行。
第三类实践是能源与硬件层面的选择。直接使用低碳电力区域的数据中心，或者通过采购绿电证书抵消部分碳排放，可以快速降低运营碳排。在数据中心内部，提升PUE水平非常关键，液冷、自然冷却和余热回收都能减少辅助能耗。硬件方面，新一代TPU和专用AI加速器的每瓦性能持续提升，但硬件更新需要在新增隐含碳与运营节能之间取得平衡。另外要注意推理阶段的碳排：一个模型上线后可能被调用数百万次，推理耗能甚至超过训练，因此轻量化模型在部署侧同样重要。
从碳足迹报告到治理机制
绿色AI不应只停留在口头倡议，需要进入团队的日常工程流程。建议在实验记录中增加能耗和碳排字段，与精度、参数量、训练时长并列。这样不同模型之间的环境成本可比较，也能倒逼工程师在追求指标时兼顾碳排放。把碳排字段写进模型卡片或发布说明，对行业也是一种正向推动。
企业可以设定一些可操作的碳排预算指标，例如每1000次推理的碳排放量、每1亿参数训练的碳排放量，或者在同等精度前提下比较不同方案的总碳排。如果一个超大模型相比小模型精度提升有限但碳排翻倍，就要重新评估是否值得。很多团队已经开始把碳排纳入模型选型评审，和准确率、延迟、成本一起打分。
量化是第一步，真正的绿色AI需要算法优化、碳感知调度和清洁能源的组合使用。即使先从混合精度训练和简单的碳强度阈值调度做起，也能显著降低大模型的环境足迹。AI可以成为帮助各行各业减排的工具，但前提是训练和推理本身足够绿色。把碳排当作一等公民指标，这件事越早开始越好。