被瓶盖困住的视野，与被误解的AI能耗

一、引言：一瓶盖的隐喻

2025年，一张meme图在中文互联网上流传。

画面很直白：一边是算力与模型迭代的竞赛，另一边是一则关于塑料瓶瓶盖必须系带固定的规定——常被并置在同一张图里，讨论的是优先级，不是给文明排名。

这不是讽刺漫画家的创作，这是现实。

2024年7月，欧盟《一次性塑料制品指令》正式生效：所有一次性塑料饮料瓶的瓶盖，必须通过系带与瓶身保持连接。目的是减少瓶盖被随意丢弃，提高回收率。

但同年，全球数据中心为训练和运行AI消耗的电力，约为400太瓦时——接近整个意大利的年用电量。而这项技术正在重塑医疗、科研、教育、制造的底层逻辑。

这不是说控制塑料排放不重要。这是说：当产业与科研在快速抬高“可用智能”的基线时，公共注意力却容易长期耗在极细、极可见的合规细节上——微观上往往站得住脚，宏观上却可能错过更大的杠杆。

微观的勤奋，往往掩盖了宏观的迷失。

一位在法国的留学生在社交平台分享了这样一段经历：

一位当地同学拒绝使用AI工具，理由是"AI训练消耗太多能源，不环保"。对方神情严肃，仿佛做出了一个重大的道德选择。

然而，这位同学从未问过一个问题：

这位同学本人从出生到有能力思考这个问题，消耗了多少地球资源？

---

二、能耗账里的静态偏误

2.1 容易被放大的数字

"ChatGPT 的能源胃口：训练 GPT-3 消耗的电力相当于数千人全年的用电量"——这类标题在西方媒体上屡见不鲜。

数字本身可能没错。问题在于：这是一个孤立的数字。

任何技术进步都有代价。蒸汽机烧煤，电力网需要铜，互联网需要服务器农场。问题不是"有没有代价"，而是"代价与收益是否匹配"。

当我们把AI的能耗放在一个孤立的框架里审视时，我们犯了一个逻辑错误：用显微镜看成本，用望远镜看收益。

2.2 消失的参照系

任何成本计算都需要参照系。

当我们说"AI训练耗能"时，应该问：替代方案是什么？消耗多少？

如果AI替代的是人类劳动力，那么参照系就是一个人的全生命周期成本。

如果AI替代的是传统工业流程，那么参照系就是旧流程的资源消耗。

如果AI加速的是科研发现，那么参照系就是延后突破的时间成本。

环保主义者常用的论证方式是：把AI的能耗单独拎出来，假装它是在"额外地"消耗地球资源，而不是在"替代"某些现有的消耗。

这不是系统思维。这是会计思维——只记支出，不问替代。

---

三、从零到「能用」：一笔「预训练」账

让我们做一个思想实验。

当我们在讨论"AI训练消耗太多能源"时，隐含的比较对象是什么？

是人类劳动力。

那么，一个公平的比较框架应该是：

从"零"到"具备工作能力"，两边各消耗了多少资源？

对于AI，这叫"预训练成本"。 对于人类，这叫"成长与教育成本"。

3.1 以欧盟人均数据为参照的「预训练」账单

在AI领域，"预训练"是指模型在海量数据上学习，获得通用的语言理解或图像识别能力。预训练完成后，模型才具备"工作"的基础。

人类也有一个类似的阶段：从出生到进入劳动力市场。必须说明的是，以下只是一个“资源消耗量化模型”。生命的终极意义绝非仅仅作为劳动力，将人类生存与机器工具进行绝对的全生命周期核算（LCA）并不完全对等。但作为一个思想实验，它能直观暴露我们在计算系统效率时潜意识的「双标」。我们珍视每一个生命，正因为生命珍贵，我们才需要高效的AI来替代那些重复性、高耗能、低产出的劳动，让人类去从事更有创造力的事业。

在欧洲，一个人通常需要：

• 0-6岁：幼儿期，完全依赖抚养
• 6-18岁：义务教育
• 18-22/24岁：高等教育或职业培训

也就是说，一个欧洲人平均需要22-24年的"预训练"，才能具备进入劳动力市场的基本能力。这22年消耗了多少资源？碳排放：

根据世界银行和欧盟环境署（EEA）数据，欧盟人均碳排放量约为每年7-9吨。取中值8吨计算：

$$8\text{ 吨/年}\times 22\text{ 年}=176\text{ 吨二氧化碳当量}$$

这176吨，包括：

• 食物生产与运输：约48吨
• 住房与取暖：约55吨
• 交通出行：约20吨
• 医疗、教育、公共服务摊销：约53吨

注意：这只是个人直接消费的估算。如果算上社会基础设施（道路、医院、学校、公共建筑）的建设与维护成本分摊，这个数字可能翻倍。水消耗：

• 直接用水：约120万升（22年 × 365天 × 150升/天）
• 虚拟水（食物、衣物等隐含水）：约1.2亿升

食物消耗：

• 22年 × 365天 × 约2,500千卡/天
• 合计：约2,000万千卡

3.2 一个AI模型的"预训练"账单

现在，让我们看看AI的"预训练"成本。

2021年，Google Research团队发表的论文《Carbon Emissions and Large Neural Network Training》指出：

GPT-3的预训练过程，共消耗约1,287兆瓦时电力，排放约552吨二氧化碳当量。

552吨 vs 176吨。

看起来，GPT-3的预训练成本是人类的3倍。

这个数字会被环保主义者反复引用："你看，AI比人还不环保！"

但这个结论忽略了两个关键变量。

3.3 变量一：服务规模

一个22岁的欧洲青年，消耗了176吨碳，只能产出一个人的劳动力。

一个GPT-3级别的模型，消耗了552吨碳，可以同时为超过1亿人提供知识服务。

人均预训练成本：

$$\frac{552\text{ 吨}}{1\text{ 亿用户}}=5.52\text{ 克/用户}$$

五点五克。

这是每位用户分摊的AI"预训练成本"——相当于一只蜜蜂的重量。

而人类呢？

176吨 ÷ 1人 = 176,000,000克/人。

两者的比例是：

$$\frac{176,000,000}{5.52}\approx 31,900,000$$

在"技能初始化"阶段，人类的人均碳成本，是AI的约3,200万倍。诚然，一个优秀的人类（如作家、软件工程师）也能通过其作品服务数百万人，但在知识的实时互动与并发分发上，AI的边际碳成本近乎于零。

3.4 变量二：运行模式

还有一个被忽视的差异：能源调度的灵活性。

人类是"持续消耗型"系统。

无论工作与否，每天都要消耗约2,000千卡维持基础代谢。睡眠时、发呆时、生病时、周末时——能量消耗从不停止。

一个进入劳动力市场的欧洲人，每年继续排放约8吨二氧化碳。工作40年（22岁到62岁），又要消耗320吨。

AI是"按需消耗型"系统。

没有查询请求时，服务器可以待机、休眠、甚至关停。

这种差异意味着：

特性	人类劳动力	AI系统
初始化成本	176吨/人	552吨/模型
服务规模	1人	1亿+用户
人均初始化成本	176吨	5.5克
运行模式	持续消耗	按需消耗
不工作时的成本	约2吨/年（基础代谢）	接近零

3.5 结论：同一套口径下的比较

我们不是在拿"人的一生"和"AI的一次训练"做不公平的比较。

我们是在说：

无论是人类还是AI，要从"零"变成"具备工作能力"，都需要支付一笔"初始化成本"。

• 人类的初始化成本：22年，约176吨碳，1个劳动力
• AI的初始化成本：一次训练，约552吨碳，服务1亿+人（GPT-3在发布后极短时间内就达到了亿级用户）

若有人在社交媒体上转发“AI不环保”的断言，他往往是在用一台“初始化成本约176吨”的生物系统，去对比一台“人均训练成本约5.5克量级”的硅基系统——二者不在同一套核算口径里。

这未必是有效的环保讨论，更像是缺乏系统核算的道德表态。

3.6 「运维」阶段的隐性成本：代谢与按需计算

当我们说“AI费电”时，我们潜意识里假设了它的替代品——人类劳动力——是“清洁”的。但这在物理学上并不成立：人类维持生存与协作本身，同样依赖能源与物质流。

A. 人类的"待机能耗"：生存即排碳

一个成年人即便一动不动躺在床上（待机状态），每天仍需消耗约 2,000千卡 的食物能量来维持基础代谢。

但真正的问题是：这2,000千卡从哪里来？

现代农业是一个高度依赖化石燃料的系统：

• 化肥生产（哈伯法）：每吨化肥消耗约1.5吨煤当量
• 农机运作：柴油
• 食品加工与包装：电力与塑料
• 冷链运输：冷藏车与冷库
• 烹饪：燃气或电力

根据联合国粮农组织（FAO）数据，全球食品系统碳排放约为 每千卡4-7克CO2。

这意味着：

$$2,000\text{ 千卡}\times 5\text{ 克/千卡}=10,000\text{ 克}=10\text{ 千克/天}$$

一个人类"生物服务器"的每日待机成本，约为10千克二氧化碳。而ChatGPT单次查询的碳排放约为0.2-4.5克。虽然当模型每天响应数十亿次调用时，累积的推理（Inference）总能耗依然庞大，但作为一个极度压缩的效率引擎，一个人类"待机"一天产生的碳足迹，仍足够让AI回答2,000-50,000次 查询。若有人以“AI不环保”为由拒绝工具，却未把自身维持生存的食物链碳排纳入同一套账，他当天仅因进食而产生的足迹，有时就足以覆盖模型为其服务很长一段时期的量级——这里的关键是口径一致，不是指责个人。

B. 无法关机的“生物服务器”

人类是一个不可关机、不可通过软件升级来降低功耗的生物系统：

• 废弃物与代谢外溢：一个劳动力每年产生约 500公斤 的生活垃圾，消耗数万升的净水，排泄数吨的污水。
• 能源转化率极低：人类为了获得那点维持大脑运转的化学能，背后是庞大的农牧业产业链——那是全球温室气体排放的最大来源之一。
• 冷启动成本：人类每天必须强制关机（睡眠）8小时，且在关机状态下，能源消耗仅降低不到30%。

C. AI：高度可控的效率系统

AI系统的“运维”具有人类完全不具备的物理优势：

• 弹性伸缩：没有请求时，计算集群可以进入深度休眠，或者将冗余算力分配给其他任务。
• 不同于人类的生物代谢：尽管AI数据中心在散热时也会消耗可观的冷却水，且GPU硬件制造存在隐含碳排放（Embodied Carbon），但AI运转本身不依赖庞大的农业食品链、不制造塑料包装废弃物、不产生生活污水。
• 地理脱钩：AI可以部署在极地利用自然冷却，或者部署在光伏阵列旁使用100%的弃风弃光电力。而人类劳动力必须生活在恒温环境中，且其生存高度依赖化石燃料支撑的社会基建。

结论：如果你真的追求“极致的低碳”，那么大规模使用AI替代低效的人类重复劳动，往往是一条更现实的减排路径。

---

四、欧盟案例：微观合理与宏观节奏

4.1 瓶盖的逻辑

回到那个瓶盖。

欧盟的法规规定：容量3升以下的一次性塑料瓶，瓶盖必须与瓶身保持连接。

这个法规的初衷是好的。它在微观层面是"正确"的。

但问题是：一个文明的智力资源是有限的。

当最优秀的政策制定者、工程师、企业家的注意力，被引导到"如何让瓶盖不脱落"这类问题上时，他们就没有精力去思考：如何让能源系统更清洁？如何让工业流程更高效？如何让AI帮助解决气候问题？

这不是"做了这个就不能做那个"的零和博弈。这是注意力分配的问题，是优先级排序的问题，是战略视野的问题。

这类治理叙事有时呈现为：一边是算力与应用的快速爬坡，一边是极其细分、可感知的分类与回收规则。前者未必“更道德”，后者也未必“错误”，但若公共议程长期向后者倾斜，前者的窗口期并不会因此放慢。

4.2 GDPR：合规成本与市场集中度

2018年，欧盟推出《通用数据保护条例》（GDPR），被誉为"史上最严格的数据保护法规"。

它的初衷是保护公民隐私。这个目标本身没有问题。

但它的副作用，却鲜有人讨论：合规成本，往往对小企业形成难以承受的负担，却同时强化了巨头的护城河。

据国际隐私专业协会（IAPP）估算，《财富》500强企业为GDPR合规支出的总成本超过78亿美元。

这78亿美元，对于谷歌、微软、亚马逊来说，只是财报上的一个数字。但对于欧洲本土的创业公司来说，这可能是在起步阶段就难以承受的门槛。

• 数据收集的合规成本极高
• 数据跨境流动被严格限制
• AI训练的数据获取变得困难

结果是：欧洲在搜索引擎、社交网络、电商平台、AI平台等领域，本土同等量级的平台型公司相对有限；终端用户与中小企业日常依赖的诸多服务，常由域外大型平台提供——这是市场结构的事实描述，不等于对监管初衷的否定。

欧盟限制巨头的意图与隐私价值真实存在；同时，合规强度与市场集中度之间的张力，在多国经验里也不罕见。

监管不应该成为弱者的枷锁和强者的保险柜。当合规成本超过了创新的边际收益，这个系统就更容易滑向低创新均衡。

4.3 AI法案：预防性监管的两难

2024年，欧盟通过了《人工智能法案》，全球首部综合性AI监管法规。

它的核心理念是：基于风险的分级监管——将AI应用分为"不可接受风险"、"高风险"、"有限风险"等类别，分别采取不同力度的监管。

这听起来很理性。但问题在于：

在一个技术快速迭代的领域，"预防性监管"意味着什么？

公共部门仍在评估某一技术的“风险等级”时，产业侧往往已经完成多轮迭代；招聘、用工、供应链等环节对模型的采用，也可能先于统一标准落地。监管必要，但节奏与颗粒度若与迭代速度长期错位，合规成本更容易沉淀为既有平台的护城河，而不是自动转化为公众可感的安全收益。

监管是必要的。但监管的时机和力度，会影响一个经济体把技术红利转化为就业与生产率的速度。

4.4 平台体量与市场结构：对比在说明什么

一个常被拿来讨论的问题：在不依赖域外母公司的情况下，要立刻举出三家欧洲原生、市值常年稳定在千亿美元量级的消费互联网或平台型公司，并不那么容易。

• 美国：苹果、微软、谷歌、亚马逊、Meta、特斯拉、英伟达……
• 中国：腾讯、阿里、字节跳动、美团、拼多多……
• 欧洲：SAP、Spotify、阿斯麦（ASML）等在各自赛道很强，但与上述清单的“平台规模”并非同一口径。

欧洲在工业软件、高端装备、部分内容与音乐平台等领域有世界级公司；在消费互联网与通用AI平台的体量对比上，数字市场结构确实呈现不同重心。这背后有历史路径、语言与市场碎片化、资本与人才流动等多重因素，不宜简化为“文明优劣”或单一道德判断。

当监管默认更偏“先叫停、再论证”时，需要“先试错、再收敛规范”的那类创新，往往更难获得与时间赛跑的试错空间。

当一个文明长期把“不犯错”置于“去进化”之上时，系统内部的摩擦与熵增会自我强化，纠错与追赶的边际成本往往陡升——这更像可观察的组织动力学，而不是一句骂战。

---

五、历史的押韵：技术恐惧的几段回声

历史不会重复，但它会押韵。

5.1 卢德运动：反对机器的工人

19世纪初，英国纺织工人发起了"卢德运动"——他们砸毁机器，认为机器抢走了工作。

他们的恐惧是真实的。他们的行动可以理解。

但历史的判决是：机器没有消灭工作，它创造了更多的工作，更高的生产率，更普遍的繁荣。

那些砸毁机器的工人，未必意识到：在当时的生产力边界下，他们的行动客观上延缓了分工深化与生产率跃迁；历史后来更多记住的是代价由谁承担，而不是谁“更坏”。

5.2 核能争议与化石能源的路径依赖

20世纪后半叶，西方环保运动普遍将核能视为高风险技术。

• 三里岛、切尔诺贝利、福岛——每一次事故都强化了恐惧
• 核电站被抗议、被关闭、被禁止

结果是什么？

化石燃料继续主导能源系统。

一组数据：

1960年代，全球核能发展势头强劲。如果不是环保运动的强力阻击，到2020年，全球核能发电占比可能从现在的10%提升到30%以上。

这意味着：每年减少约40-50亿吨二氧化碳排放。

一部分环保主义者出于"安全"的考虑反对核能，结果在客观上延续了化石燃料的使用周期，让气候治理压力进一步上升。与此同时，舆论场里又常见对高算力训练“不环保”的笼统指责——若两套标准互不贯通，就更容易形成能源政策与技术叙事上的断裂。把它说成单一文明的“虚伪”并无助于减排，要紧的是把账算清、把激励对齐。

5.3 GMO 议题：预防原则被推到极端时

类似的张力在欧洲对待转基因食品（GMO）的议程上也出现过。

"预防原则"若被推向极端：如果不能证明绝对安全，就应该禁止。

但问题在于：绝对安全是不存在的，也不可能是任何技术的标准。结果是：欧洲在农业生物技术应用上相对保守，农民在部分品类上更依赖传统品种与既有投入品结构——利弊需要放在粮食安全、农药负荷与研发管线里分项评估，不宜一句“落后”盖棺。道德高地的代价，往往由普通人默默承受。

---

六、结语：环保是责任，不必是宗教

让我们回到文首那位拒绝使用AI的同学（叙事来自留学圈的见闻，个体不代表任何国家）。

她的选择出于善意。她的担忧不无道理。

但她的思维框架，也可能受到长期可见议程与话语的塑造。

这种框架会倾向于告诉她：

• 技术进步是可疑的
• 能源消耗是罪恶的
• 道德纯洁比效率更重要
• 静态的"不做"比动态的"优化"更高尚

这个框架不会告诉她：

• 一个人从出生到具备工作能力的"初始化成本"是176吨碳，而AI服务的人均训练成本只有5.5克
• AI的"按需分配"能源特性，与人类生理性的持续代谢不在同一物理约束里
• 系统优化比个体禁欲更重要
• 真正的环保是让清洁技术成为最便宜的选择，而不是让一切变得更贵

环保应该是目标，而不是教条。环保应该拥抱效率，而不是恐惧技术。环保应该是系统思维，而不是道德表演。

当一个文明开始用"瓶盖是否脱落"来衡量自己的进步时，它可能已经迷失了方向。

当一个文明把"不犯错"长期置于"去进化"之上时，其发展动能往往会持续走弱。

真正的环保主义者应该问的是：

如何让AI帮助我们更好地理解气候系统？如何让技术进步降低全人类的碳足迹？如何在发展中解决问题，而不是在静止中维护纯洁？

这不是"反环保"的宣言。这是真正环保主义应该有的样子。

一个文明的成熟，不在于它能提出多高的道德标准，而在于它能否在理想与现实、原则与妥协、纯洁与效率之间，找到一条可持续的道路。

那条道路不会经过"拒绝使用AI"的道德高地上。

它会经过艰苦的计算、痛苦的权衡、务实的选择。

但它的终点，是一个真正可持续的未来——而不是一个在道德上自洽、却在物理与资产负债表上难以为继的现在。