观澜亭︱“含绿量”成“硬杠杠” AI产业发展有了“新标尺”

近日，中央网信办、国家发展改革委、工信部、生态环境部等七部门印发《促进数字化绿色化协同转型发展实施方案（2026-2030年）》，明确发展绿色高效人工智能技术；到2030年，算力设施等重点领域可再生能源电力消费水平要达到所在省份可再生能源电力消纳责任权重水平。

一些人或许会简单将其解读为针对大模型训练高能耗等推出的管控举措，但其深层要义在于，AI产业化抵达关键拐点之际，重塑评判AI产业价值与核心竞争力的评价体系。

代码、模型、数据流……这些概念容易让人产生错觉，似乎数字经济就是虚拟的、无形的。现实是，数字经济高度依赖物质世界支撑。数据显示，训练一次GPT-4需要消耗2.4亿度电，相当于3万户家庭全年用电量——芯片、服务器、机房、通信网络，无一不需要耗费矿产制造，维持运行更要持续消耗电力、水力等资源。当AI走出实验室的演示场景，转向大规模、常态化的商用推理与持续迭代训练，AI本身也成为了亟待提升绿色化水平的领域。能否将绿色价值评判嵌入AI“研发—部署—应用”全周期，决定了AI产业是否具备长期可持续发展能力。

近年来，围绕人工智能等新兴技术的绿色化，企业层面探索不少，有的甚至已将其做成一门生意，但多数属于单点层面局部优化。一些企业将巨型算力集群布局至水电、风电富集区域，依托本地绿电降低算力碳足迹；也有的团队从算法入手，通过模型蒸馏、量化、稀疏化削减冗余计算；又如硬件端，依靠高能效AI芯片、液冷散热等技术压低数据中心PUE（能源使用效率）。究其本质，是在既定框架内做“节流”。发展绿色高效人工智能技术所倡导的则是，将绿色低碳要求前置为内生动力，从源头上寻找匹配资源承载能力的办法。

要从研发环节就攻坚低功耗计算、存算一体、分布式训练等底层技术，从基础设施层面降低训练与数据传输的资源消耗；部署阶段，加强量化、剪枝等模型压缩技术研究，探索轻量化部署方式，在落地前就平衡模型性能与资源成本；应用层面，积极搭建全周期资源消耗评估体系，强化信息披露与评价引导，持续校准AI应用的绿色化方向。

同时，瞄准赋能绿色低碳发展，强化人工智能技术研发应用。比如，在环境监测、能源消费、碳排放、产品碳足迹等关键重点领域借助人工智能手段强化数据互联互通，又如，在资源循环利用、生态修复、碳捕集利用与封存等领域强化大模型与智能体开发应用。借此，为整个社会经济发展腾挪宝贵的能耗与碳排放空间，让其他新兴、未来产业初期生长时，能在资源约束方面获得足够的缓冲地带。

传统产业，大多高耗能，新兴未来产业，大多自带“绿色”，近年来不少人还会习惯性做这种二元划分。而从AI产业的发展能看到，随着产业规模扩张，环境成本加快从“隐性”转为“显性”，在这样的产业里，“绿色”同样是需要源头设计、技术选择、系统约束等共同塑造的“品质”。及时校准发展“标尺”，才能在产业迭代中守住长期增长的底层逻辑。

（大众新闻记者 付玉婷）