AI 技术正以惊人的速度发展，它承诺着指数级的效率提升和前所未有的问题解决方案。然而，每一次效率的提升都可能带来意想不到的连锁反应，这就是所谓的 “反弹效应”。我们必须以系统性的视角来审视 AI，不能仅仅将它看作是另一种工具，而要将其视为一种能够重塑生产、消费和资源分配基础的“第一性原理”技术。同时，我们也要警惕 AI 发展带来的巨大 能源消耗，这与我们努力实现 脱钩 的目标背道而驰。

什么是反弹效应？

反弹效应 指的是效率提升反而导致总体消费增加，从而抵消了预期节省的现象。这个概念可以追溯到 19 世纪，当时经济学家威廉·杰文斯观察到，更高效的蒸汽机反而导致了更多的煤炭消耗，而不是减少——这就是著名的 杰文斯悖论。简而言之，当一种解决方案变得更具成本效益时，它最终会被更多地使用。

例如，如果一辆汽车的燃油效率提高了 5%，理想情况下，燃料消耗应该下降 5%。但如果实际只下降了 2%，那么 3% 的节省就消失了，这很可能是因为人们驾驶得更快、更远了。这种情况下的反弹效应就是 0.6，即 60% 的潜在节省被“拿回”了。反弹效应可以分为以下几种类型：

• 直接反弹效应（微观层面）：由于某种东西变得更便宜或更有效率，你使用得更多。例如，LED 灯比白炽灯使用的电力少得多。然而，由于 LED 灯运行成本更低，并且被认为更环保，人们往往会安装更多的 LED 灯，让灯亮的时间更长，或者照亮以前黑暗的空间，从而部分抵消了节能效果。

• 间接反弹效应（微观/中观层面）：你通过效率提升节省了金钱或时间，并将这些节省用于其他方面——通常是其他耗能服务。例如，一家公司采用了更高效的云服务器，降低了能源费用。然后，它将节省下来的资金再投资于开发新的 AI 功能——需要更多的计算、更多的数据、更多的服务器。

• 经济范围反弹效应（宏观层面）：由于技术的广泛采用，各个行业发生了系统性变化。价格下降，生产力提高，需求激增。例如，AI 驱动的自动化降低了物流、制造和服务等行业的成本。这些收益提高了利润和需求，从而增加了整个行业的运输、生产和能源使用。

能源市场和交通运输中的反弹效应

反弹效应 在现实世界中的各个领域都有记录。以下是两个例子：

• 能源市场与工业：在能源领域，人们对 反弹效应 的研究最为广泛。一项对 21 项研究的综述发现，能源效率提高引发的经济范围反弹效应为 0.1%–728% (Brockway, 2021)。一项对美国约 8000 户家庭（2010–2018 年）的研究发现，屋顶太阳能的采用导致了 28.5% 的反弹效应；这意味着面板产生的近 1/3 的电力被用于推动新的消费，而不是抵消电网需求 (Beppler et al., 2023)。

• 交通运输：一项对约 82,500 辆美国住户车辆的实证研究，使用了 2009 年全国家庭出行调查的数据，发现燃油效率每提高 1%，车辆行驶里程就增加 1.2%；这支持了 杰文斯悖论，并表明反弹超过 100% (Munyon et al., 2018)。一项对 76 项研究和 1100 多项道路运输 反弹效应 估计的荟萃分析发现，当车辆变得更省油时，人们往往会开更多的车——从而减少了预期的节省。平均而言，燃油效率的提高导致短期内驾驶增加了 12%，长期内增加了 32%——随着时间的推移，气候效益显著下降 (OECD, 2016)。

脱钩：真正的目标

脱钩 指的是经济增长与环境压力之间的关系。在可持续发展方面，绝对 脱钩 是黄金标准：当一个国家的 GDP 增长，而环境影响（例如 CO₂ 排放或资源使用）绝对下降时，就会发生绝对 脱钩。例如，如果一个国家在同一时期内经济增长 3%，但排放量减少 5%，那么它就实现了绝对 脱钩。这表明繁荣不再与环境损害联系在一起。

一个不那么雄心勃勃但仍然值得注意的形式是相对 脱钩，即环境影响继续上升，但速度慢于经济产出。如果 GDP 增长 4%，排放量增长 1%，那就是相对 脱钩：取得了进展，但不足以减少总的环境负担。

目前，包括德国、瑞典和日本在内的 30 多个国家，主要是高收入经合组织成员国，已经实现了 CO₂ 排放与 GDP 增长的绝对 脱钩 (Wang, S. et al. 2022; Hausfather 2021)。排放量下降，而 GDP 继续上升，即使在调整了离岸生产之后也是如此 (Ritchie & Roser, 2023)。

然而，在全球范围内，能源使用和排放仍然与经济活动密切相关。2024 年，与能源相关的 CO₂ 排放量仅增长了 0.8%，而全球 GDP 增长了 3% 以上 (IEA, 2025)。这是一个相对 脱钩 的案例（能源或排放量的增长速度慢于 GDP），这是一个进步的迹象，但不足以使我们回到地球边界之内。

当涉及到物质吞吐量时，情况更加令人清醒——物质吞吐量是指全球经济从开采到处置所使用的原材料（化石燃料、矿物、生物质、金属）的总流量。自 1970 年以来，材料开采量增加了两倍多，而且没有证据表明在材料使用、土地退化或生物多样性丧失方面存在绝对的全球 脱钩 (Bercegol, 2024; Gbadeyan et al., 2024)。包括嵌入式进口在内的材料足迹继续随着经济产出而增加 (Parrique et al. (2019) and Wiedmann et al. (2015)。

AI、脱钩与系统观

那么，AI、能源消耗 和 脱钩 如何结合在一起——我们为什么要讨论这个问题？

因为 AI 既是我们更广泛的可持续发展挑战的象征，也是对其的压力测试。一方面，它承诺在物流、农业和能源优化等领域实现显著的效率提升。另一方面，它的快速增长正在推高电力需求、硬件生产和排放。如果像 AI 这样强大而灵活的技术不能帮助我们减少绝对的环境损害，那么它就会对增长主导的“绿色”转型的可行性提出严重的质疑。

我们需要认识到，相对 脱钩 不足以实现地球的稳定。我们需要在全球范围内转变方向，朝着绝对减少环境损害的方向努力，即使经济和技术在不断发展。这就是 反弹效应 成为一个生存问题的原因——特别是对于像 AI 这样的通用工具而言。仅仅提高效率并不能保证减少影响；事实上，如果底层系统和激励机制保持不变，它可能会在其他地方促使更多的消费和排放。

AI 的能源足迹：更深入的了解

AI 系统，尤其是大型语言模型 (LLM)，是巨大的 能源消耗 大户，因为它们由庞大的计算基础设施提供支持：

• 数据中心目前占美国、中国和欧盟等国家电力总量的 2-4% (IEA, 2024)。这大约相当于瑞典等中等规模国家的全部电力消耗。

• 超大规模中心——由 AWS、微软和谷歌等云提供商运营的大型设施——可以消耗 100 兆瓦或更多的电力容量，如果持续运行，每年可以消耗 800 吉瓦时以上。这相当于数十万户家庭的年用电量 (IEA, 2024)。

• 微软和谷歌报告称，2024 年的用水量分别增加了 20% 和 34%，这主要是由于其不断扩大的数据中心足迹对冷却的需求不断增长。AI 工作负载是这一趋势的关键驱动因素，尽管不是唯一的因素 (Crawford, 2024)。

国际能源署 (IEA) 估计，到 2030 年，全球数据中心的需求可能会增加两倍。其中大部分增长是由 AI 工作负载驱动的。这甚至还不包括完整的生命周期排放：硬件、冷却、物流。

效率提升与需求增长：AI 悖论

计算性能得到了迅速的提高——但需求也同样如此。

自 2010 年以来，用于训练最先进的 AI 模型的计算量平均每年增长 4.6 倍 (Epoch, 2024a)。在 2012 年至 2018 年期间，这种增长尤其极端，当时计算需求每 3.4 个月翻一番——相当于六年内增长了 300,000 倍 (OpenAI, 2018)。虽然这个爆炸性阶段已经放缓，但增长仍然非常高：从 2019 年到 2024 年，训练计算量仍然以每年约 2.5 倍的速度增长 (Epoch, 2024b)。

与此同时，AI 芯片的效率（以 FLOPS/瓦为单位衡量）在过去十年中大约每 2.3 年翻一番 (Prieto et al., 2024 and IEA 2024b)。半导体改进的基础步伐正在放缓：摩尔定律——历史上每两年晶体管密度翻一番——实际上在 2016 年左右结束了 (MIT, 2024)。从那时起，芯片小型化的进展停滞不前，从 14 纳米节点到 10 纳米节点的转变花费了五年而不是两年。

这意味着，即使硬件效率有所提高，计算需求仍然以一个数量级或更多的速度超过效率的提高。随着摩尔定律不再推动指数级增长，获得更多计算能力的唯一途径是构建更大、更耗能的系统——这正是 AI 竞赛中正在发生的事情。

此外，像 GPT-4 这样的模型的训练成本估计已达到 52-62 吉瓦时，足以供 1000 个美国家庭使用 5-6 年 (EvoChip, 2024)。

训练 LLM 非常耗能。GPT-3 使用了 1.3 吉瓦时 (The Verge, 2024)；GPT-4 使用了高达 60 吉瓦时 (EvoChip, 2024) 进行训练。然而，推理——模型部署后持续的能源使用——随着时间的推移，可以与训练相当甚至超过训练。估计表明，ChatGPT 每天的推理用电量为 0.5-1 吉瓦时——相当于 20,000-40,000 个美国家庭的日用电量 (APPA, 2023)。

随着推理成本的下降，使用量激增。对于某些模型，查询价格在 18 个月内下降了 280 倍——从每百万个 token 的 20 美元降至仅 18 个月内的 0.07 美元 (Stanford, 2025)。

结果：无摩擦、低成本的 AI 服务刺激了指数级的需求。除非加以限制或重定向，否则这种增长可能会将我们推向反弹的境地。

我们可以做些什么？

如果我们希望 AI 成为气候解决方案的一部分，那么 反弹效应 必须成为对话的一部分。以下是我们如何开始管理它们：

• 公共部门的杠杆 (Kaack et al., 2022, Freire-González 2021)：

  • 碳定价、绿色税收、与排放相关的补贴。欧盟排放交易体系 (EU ETS) 和绿色协议工业计划支持低碳技术——但目前仍然缺少针对 AI 的具体激励措施。
  • 强制执行清洁能源和计算效率。修订后的能源效率指令要求大型数据中心进行报告，生态设计法规适用于数字设备——但目前仍然缺少针对 AI 系统的具有约束力的标准。
  • 排放透明度、模型使用标签。欧盟 AI 法案引入了通用的透明度规则，但尚未要求披露排放量或模型效率标签。
  • 为针对低影响和气候应用的 AI 模型提供资金。像 Horizon Europe 这样的计划支持气候用例——但对于节能型模型设计或部署，几乎没有激励措施。

• 私营部门的杠杆 (Kaack et al., 2022)：

  • 内部碳定价（包括云排放）。
  • 使用量上限和重新训练限制。
  • 优先考虑低影响应用（例如，物流、气候预测）。鼓励使用用例筛选框架，该框架倾向于具有明确的净积极环境结果的应用。
  • 硬件生命周期评估和排放报告。

我们将何去何从

AI 的环境足迹不仅取决于芯片和数据中心，还取决于选择：

• 我们要构建什么？谁会受益？我们如何评估长期弹性而不是短期增长？

AI 会优化供应链——还是会加速消费？它会帮助我们回到地球边界之内——还是只会扩大利润空间？选择不是在进步和克制之间，而是在盲目加速和有意识的方向之间。

即使是乐观的预测也强调了积极引导的重要性：普华永道 (PwC, 2024) 估计，到 2035 年，全球能源使用量可能会降低 1.1% 至升高 0.1%，具体取决于 AI 的部署方式和地点。如果采用提高能源效率的速度仅为采用速度的十分之一，AI 就可以抵消其自身的足迹。

换句话说，提高效率是可能的，但远非有保证。即使是广泛的、与气候相符的 AI 采用，到 2035 年也可能只会减少全球温室气体排放量的 0.3% 至 1.9%——这是一个有用的贡献，但不能取代更广泛的结构性行动。潜在需求与地球需求之间的差距正是审慎优先事项如此重要的原因。

我们相信支持能够推动现实世界 脱钩 的 AI：减少绝对排放、实现循环材料流动或替代碳密集型和资源密集型流程的技术。这意味着要超越狭隘的性能指标——如准确性、延迟或训练规模——并提出更艰巨的系统级问题：这个模型真的能减少总的能源需求吗？它能避免或转移排放吗？它会加强或重塑哪些物理基础设施或行为？

这并不是呼吁放慢 AI 创新的步伐。而是呼吁从一开始就诚实地对待权衡，并有意识地考虑影响。

对于创始人：将环境影响目标嵌入到您的产品路线图中，并使用生命周期评估或边际减排指标等科学工具来验证它们——而不仅仅是计算效率。

对于投资者：要求排放透明度，支持对气候有利的用例，并挑战在幕后扩大资源使用的商业模式。

在本文中，我们探讨了 AI 的 反弹效应 这一核心概念，并阐述了其对 能源消耗 和全球 脱钩 目标的影响。只有正视这些挑战，才能确保 AI 真正成为可持续发展的一部分。未来的发展方向需要我们持续关注 AI 的环境足迹，并积极寻求能够减少绝对排放、实现资源循环利用的创新技术。