信息与通信技术约占全球碳排放量的 2%，且这一比例仍在上升。要降低排放，必须同时优化两个相互关联的网络：提供电力的能源网络和产生流量需求的信息网络。2017 年至 2024 年间，全球可再生能源装机容量从 2,187 GW 增至 4,443 GW，移动通信流量从每月 14 EB 飙升至 164 EB。传统优化工具面对如此规模的数据和计算已力不从心，人工智能（AI）由此成为关键工具。华中科技大学的葛晓虎团队发表综述论文，指出AI工具在能源与信息网络中的低碳悖论。
图 1 | 可再生能源装机与移动流量同步攀升，AI技术持续演进
AI优化能源网络与信息网络
在能源网络中，风电和光伏出力波动大，火电稳定但碳排放高。深度学习（deep learning）可预测可再生能源发电量，辅助电网调度。强化学习（reinforcement learning, RL）优化光伏和风电资产的设计与运行，提升能量捕获效率。在系统层面，AI 改进负荷预测和异常检测，促进可再生能源并网。类似方法也适用于火电厂，帮助提高燃料效率、减少排放。
图 2 | 深度强化学习预测可再生能源出力，演员—评论家框架优化火电调度
在信息网络中，强化学习根据流量模式和能源供给，实时协调计算资源、网络路由和服务器分配，降低数据中心能耗。深度学习优化数据压缩和路由策略，扩大网络容量而不等比增加能耗。预测性维护提前发现潜在故障，减少系统失效造成的能源浪费。能量感知路由协议动态调整数据包路径，在保证服务质量的同时降低网络能耗。单独优化某一侧远远不够。可再生能源在分钟到小时尺度上波动，网络流量随用户行为和突发事件变化。两种不确定性叠加之后，仅靠供给侧预测或需求侧节能都无法实现低碳运营。核心挑战在于实时协调——让波动的能源供给与变化的流量需求动态匹配。
供需协调的四种AI能力
作者提出，协调能源供给与流量需求需要四种关键能力。第一是时空预测。图神经网络（graph neural network, GNN）结合注意力机制可建模网络拓扑结构，捕捉空间依赖与时间演化规律。联邦学习（federated learning）在保护隐私的前提下利用多源数据提升预测精度。第二是实时决策。深度强化学习通过与环境持续交互学习最优策略，适应动态变化的条件。多智能体强化学习（multi-agent reinforcement learning, MARL）通过去中心化决策提升大规模分布式系统的适应性。第三是多目标优化。碳排放最小化、能效最大化、网络性能保障和服务质量维护往往相互冲突。演化算法如多目标遗传算法和多目标粒子群优化能在大解空间中搜索最优折中方案。第四是可扩展方案。联邦学习和边缘计算解决了集中式方法在大规模系统中面临的数据量和计算复杂度难题。GNN 为流量预测、资源分配和异常检测提供可扩展的支持。
图 3 | 四种AI方法分别应对时空预测、实时决策、多目标优化和可扩展部署
AI自身的碳排放
AI 的减碳潜力受制于自身碳排放。排放来自三个环节：模型训练、部署使用和硬件生命周期。训练阶段能耗随模型规模增长而攀升。训练一个大语言模型产生的碳排放可相当于五辆汽车整个使用寿命的总和。驱动因素包括数十亿参数带来的计算需求、海量数据处理，以及反复调参和架构搜索。应对策略涵盖神经架构搜索（neural architecture search）、迁移学习（transfer learning）、小样本学习（few-shot learning）、联邦学习和碳感知调度等。
图 4 | 架构搜索、迁移学习、联邦学习和自适应训练降低训练能耗
部署阶段的累积排放可能随时间超过训练阶段。模型压缩可将模型体积缩减最多 75%，同时保持约 90% 的原始精度。边缘 AI 将模型部署到终端设备，减少数据传输和集中处理的能耗。自适应推理技术根据输入特征动态调整计算复杂度。稀疏 Transformer 相比稠密模型可降低最多 55% 的能耗。
图 5 | 模型压缩、边缘AI和自适应推理降低部署阶段碳排放
硬件生命周期的环境影响同样显著。专用芯片制造耗能高且依赖稀土元素。AI 技术迭代快于硬件寿命，功能完好的设备提前报废，造成不必要的生产和电子废弃物。3D 芯片堆叠、光子芯片和类脑计算（neuromorphic computing）等新范式提供了潜在出路。例如，一颗类脑芯片仅消耗 65 mW 即可模拟超过 100 万个神经元和 2.56 亿个突触。
图 6 | 高能效芯片、硬件感知架构搜索和类脑计算减少硬件碳排放
展望
作者提出三个研究方向：在网络运营中实现低碳 AI，开发能效更高的大模型，以及将 AI 应用于网络设备全生命周期管理。政策层面需要建立标准化且可验证的 AI 碳排放报告标准，并将 AI 能源需求纳入国家能源规划。产业层面应在 AI 系统全生命周期贯彻碳感知理念。作者特别指出杰文斯悖论（Jevons paradox）的风险：AI 带来的效率提升可能刺激需求增长，反而抵消节能效果。只有将效率提升与严格的治理和可持续发展目标相结合，技术进步才有可能真正转化为碳减排成果。
