AI 的隐性碳排放游离于企业气候核算之外

Google News 推送了一项 Sierra Club 调查，其中揭示出一个引人注目的矛盾：AI 最大的碳排放或许并不在科技公司披露的数据之中。

这份于 8 月 31 日发布的报告考察了“赋能排放”（enabled emissions），即 AI 让化石燃料开采、炼制或发电变得更高效后所产生的额外污染。这类排放不同于数据中心用电带来的排放；它们源于客户在部署 AI 后借其实现的活动。

这一差别显著拓宽了气候争论的范围。Microsoft、Google、Amazon 和 Meta 都发布了运营及供应链相关数据，尽管它们的报告边界各不相同。这些披露很少将全球产量的变化归因于某一项具体 AI 服务。

一项于 8 月发表的同行评审研究估计，在其测试的所有均衡采用情景中，AI 辅助提升整个能源经济生产率都会增加年度二氧化碳排放。模型估算的增量为 0.47 至 18 亿吨。

这一结果并不证明每一种 AI 应用都会增加排放。它说明，仅衡量服务器可能会遗漏更大的经济影响。AI 既可优化风电场，也可帮助石油生产商定位储量、管理油井并降低开采成本。

因此，核心冲突并不是高效计算与低效计算之争，而是企业气候核算与 AI 产品在现实世界中所促成活动之间的矛盾。

Sierra Club 报告为 Google News 带来了什么

该报告将关注点从运行 AI 的机器，转向这些机器可能扩大规模的工业生产。

大量关于 AI 的环境报道都从数据中心切入。这个重点合乎逻辑，因为计算设施消耗电力、需要用水，并包含高碳排设备。一些设施还依赖燃气轮机或柴油发电机。

这项 Sierra Club 调查指出，这一熟悉的足迹并不完整。它将视线引向 AI 辅助化石燃料生产所导致的污染，而这类污染通常不在科技公司披露的排放清单范围内。

第二层影响更难被看见。云服务提供商可以估算某项工作负载消耗的电力，也可以将服务器制造足迹的一部分分摊给客户。

但提供商通常无法判断，其系统通过改善勘探或炼油厂表现，究竟让多少额外石油流入市场。即便这种关系已知，既有碳核算体系中也没有标准位置可用于记录它。

底层研究将这一影响称为赋能排放。该术语描述了 AI 为高碳行业带来的生产率提升所引发的额外温室气体排放。

赋能排放与范围 3 排放（Scope 3 emissions）并不相同。范围 3 涵盖价值链中的间接污染，包括采购设备、建筑材料、商务出行，以及某些已售产品的使用。

一家科技公司的范围 3 清单可以包括服务器制造，但未必包括其软件带来的每一种下游经济后果。核算边界遵循既定的企业关系，而非每一种市场反应。

这一区别解释了为何该报道通过 Google News 引发关注。它质疑企业可持续发展公告中使用的数据，但并未声称这些数据必然虚假。

一家公司可以遵循现行核算规则，却仍然呈现其技术气候后果的不完整图景。合规性与完整性是两个不同的问题。

该报道出现之际，围绕数据中心的反对声音已不再局限于环保组织。公用事业公司、监管机构、居民以及费率支付者倡导团体，正越来越多地质疑：谁来提供新增电力，谁来为电网升级买单。

然而，运营用电只是问题的一部分。如果 AI 还能让化石燃料生产变得更便宜，其影响就会远远超出承载模型的设施。

这一重新框定之所以重要，是因为企业气候报告往往将有益的客户应用与有害应用分开处理。企业会突出电网优化、可再生能源预测和能源效率带来的避免排放。

它们很少公布用于钻井、炼制、石化生产或化石燃料发电的 AI 所对应的等量估算。这样的不平衡会让益处可见，却将危害留在框架之外。

Sierra Club 的报告将这种遗漏转变为核心新闻事件。它要求读者依据经济后果来评判 AI，而不仅仅是依据电表读数。

碳核算账本止步于数据中心

现有报告可以计算服务器的用电量，却可能遗漏运行其上的软件所带来的额外生产。

温室气体清单将排放分为三个大类。范围 1 涵盖公司控制的排放源所产生的直接排放。范围 2 涵盖与采购电力及类似能源相关的排放。

范围 3 则涵盖价值链中的其他间接排放，包括数据中心建设、硬件制造、运输、采购服务以及已售产品的最终使用。

对于 AI 提供商而言，每一类都包含棘手的计量问题。电力可能来自多个电网，而合同采购的可再生能源与基于所在地的核算方法可能得出不同总量。

硬件构成另一项挑战。先进加速器需要高耗能的半导体制造、专用内存、网络设备、冷却系统、钢材、混凝土，以及频繁的设备更换。

国际电信联盟将隐含排放定义为材料获取、生产和报废处理全过程中的生命周期污染。其 AI 评估指南建议将训练和推理分别报告。

这一指引改善了可比性，但仍取决于系统边界。生命周期评估可以扩大这些边界，但最终仍必须决定哪些后果应归属于产品。

Google Cloud 现在在其客户足迹方法中描述了硬件隐含碳。该公司的 碳核算方法包括材料开采、运输和设备制造。

AWS 同样将硬件及某些建筑物的隐含排放纳入其客户报告边界。这些都是有意义的改进，因为客户需要的不只是用电估算。

两种方法都不会自动捕捉全市场范围的赋能排放。一家石油公司可能在同一生产项目中使用多家云服务提供商、内部系统和第三方模型。

分析人员随后需要建立可信的反事实情景。他们必须估计：如果没有 AI，原本会产生多少生产，以及能源市场将如何回应新增供给。

这项任务并非不可能，但它不同于传统归因。它需要经济建模、客户使用信息，以及关于价格、替代、需求和政策的假设。

当供应商将 AI 描述为通用服务时，报告缺口会进一步扩大。一项通用服务可以在一个账户中支持可再生能源预测，也可以在另一个账户中支持油藏建模。

云服务提供商也可能无法完整掌握客户工作负载。隐私保护、合同边界以及分层软件服务，都可能掩盖最终应用。

这构成了真实的计量难题，而不只是简单的信息披露失误。当标准、数据和归因规则尚未明确时，企业无法可靠地报告一个数字。

不过，不确定性并不能成为将这种影响视为零的理由。这正是 Sierra Club 报道带来的关键压力。

企业报告可以承认这一类别，披露已知的化石燃料行业关系，并发布情景分析。它们也可以将实测排放与模型估算的后果区分开来。

如果缺少这些补充，读者可能会将经过精确计算的运营足迹误认为 AI 的完整气候影响。在狭窄边界内的精确性，并不意味着该边界足够全面。

赋能排放颠覆了常见的 AI 气候叙事

当化石燃料生产率和可再生能源生产率被纳入同一经济模型时，AI 的气候收支将发生变化。

这项同行评审 气候模型于 2026 年 8 月 4 日发表于 npj Climate Action。作者将 AI 建模为贯穿相互竞争能源路径的生产率放大器。

研究将生产率提升应用于化石燃料开采、炼制、发电、可再生电力、电网基础设施和部分需求侧活动，随后估算整个经济体系的响应。

在并行采用情景下，模型得出的年度净二氧化碳排放增量为 0.47 至 18 亿吨，相当于 2024 年能源相关排放的 1.2% 至 4.8%。

研究人员估计，单独计算的赋能排放每年为 6 亿至 24 亿吨。他们将这一范围与所引用的 2025 年估算中数据中心产生的 1.8 亿吨进行比较。

据此，模型中的化石燃料行业影响达到所引用数据中心排放的 3.3 至 13.3 倍。这一比较提供了规模参照，但两项估算不应被简单相加。

该研究明确将数据中心数字视为外部参考。其全经济模型讨论的是二阶生产影响，而参考数据覆盖的是直接运营排放。

最重要的结果涉及不对称性。在模型中的净排放达到平衡之前，可再生能源生产率必须比化石燃料生产率快四到五倍。

原因在于，生产率提升发生在一个仍由化石燃料主导的能源体系中。让既有的高碳供应链变得更高效，可能会迅速扩大产出。

AI 可以帮助解读地震数据、识别钻井位置、自动化设备监测并改善炼油厂排程。每种应用都可能降低成本或减少运营中断。

其中一些改进可以降低每桶石油的排放。但更低的生产成本也可能增加总供给、延长资产寿命，并让更多储量在经济上具备开发价值。

这是一种反弹效应：当效率提升大幅降低成本，进而增加总消费或总生产时，就会发生这种现象。更清洁的单位产出并不保证总足迹更小。

可再生能源系统同样能从 AI 中受益。预测可改善电网整合，预测性维护可减少停机时间，更好的规划可支持储能部署。

该模型并未否认这些益处。相反，它将这些益处与 AI 的化石燃料应用一并测试，而非将二者分开呈现。

在研究设定的假设下，在最强的燃料中性情景中，电网和部分效率改善可使年度排放减少约 1 亿吨。它们并不能扭转供给侧结果。

这一颠覆挑战了常见的企业叙事。科技公司常将 AI 的用电需求描述为短期成本，并认为未来的气候应用能够抵消这一成本。

研究发现，并不存在自动偿还效应。结果取决于生产率提升发生在哪些环节、哪些行业采用这些技术，以及政策是否限制高碳扩张。

这一结论仍属于模型推演结果，而非对每一套已部署系统的直接测量。其区间反映了对采用情况、生产率、市场和经济响应的假设。

即便如此，这一机制仍足够可信，值得关注。生产率提升会在相互关联的能源市场中影响产出、价格、投资和消费。

因此，不能仅通过芯片效率来理解 AI 的碳排放问题。当更高效的模型加速高排放活动时，仍可能增加总体污染。

Big Tech 面临承诺与现实的考验

科技公司如今面临压力：它们需要协调气候承诺与向推动化石燃料供应扩张的行业销售 AI 服务之间的关系。

四大云服务和平台公司均作出了重大气候承诺。它们也大力投资于计算设施、加速器、能源合同以及面向客户的 AI 服务。

这些战略正在发生碰撞。AI 需求增加了用电量和建设排放，同时也在能源、制造、交通和资源开采领域创造新的商业机会。

Microsoft 曾提出到 2030 年实现碳负排放的目标。Google 一直致力于实现运营和价值链净零排放，而 Amazon 和 Meta 也各自设定了气候目标。

企业披露信息已经表明，基础设施的快速扩张使这些目标更加复杂。建筑材料、采购硬件和电力消耗的增长速度，可能超过效率措施在其他领域带来的减排速度。

Google 报告称，其温室气体排放总量在 2019 年至 2023 年间增长了 48%。该公司将增长部分归因于数据中心能源消耗和供应链排放。

Microsoft 此前报告称，随着数据中心建设扩张，其排放量较 2020 年基准有所上升。钢铁、混凝土、芯片和电力都加剧了这一压力。

这些数据涉及已被确认的企业排放清单。促成排放构成了第二项考验，因为它将 AI 销售与客户的生产决策联系起来。

石油和天然气行业数十年来一直使用高级分析技术。现代机器学习扩大了地质分析、预测性维护和流程优化的规模、速度与可及性。

供应商可以合理地认为，数字工具能够提升安全性并减少甲烷泄漏。更好的监测可以识别设备故障，并支持更高效的运营。

行业代表也反对将更高能源产量与更低排放视为天然矛盾的假设。他们强调效率、碳管理和不断增长的全球需求。

这种回应针对的是排放强度，即单位产出对应的污染量。而这项新研究强调的是，生产率变化影响供需之后的总排放量。

两项指标都很重要，但它们回答的是不同问题。生产商可以降低单位排放量，同时通过提高产量增加其总体污染。

Big Tech 面临的压力既关乎治理，也关乎测量。服务提供商决定哪些客户能够获得专业团队、定制模型、基础设施支持和公开案例研究。

它们也为安全、监控和武器等高风险用途制定政策。高气候强度应用很少受到同等程度的审查。

可信的回应需要的不只是另一款高效芯片。企业需要对下游应用分类，说明与化石燃料行业的合作，并建立一致的评估规则。

此类政策将带来商业成本。拒绝或限制特定项目，可能会将收入让给气候承诺较弱的竞争对手。

这种张力解释了为何自愿披露可能进展缓慢。面临核算问题的公司，也正从被评估的活动中获得财务收益。

监管最终可能会标准化报告方式，但归因仍然困难。政策制定者需要设定可比、可审计且不易重复计算的边界。

科技公司不应自动承担每一位客户产生的每一项排放。与此同时，供应商声称避免的排放，也需要与其促成的污染获得对称处理。

核心标准应当是一致性。如果一家公司将 AI 帮助客户避免排放计入功劳，那么当 AI 扩大高碳产出时，也应审视可比证据。

否则就会形成单向账本：收益被纳入计算，危害却仍是别人的责任。

这些数字仍无法证明什么

促成排放估算揭示了一项被忽视的风险，但其上下界是情景推演，而非观察到的总量。

该研究采用可计算一般均衡模型，用以呈现行业、消费者、价格和贸易如何响应经济变化。这种方法能够捕捉较简单计算所遗漏的相互作用。

它同样依赖于假设。研究人员必须选择 AI 驱动生产率冲击的规模、采用率、市场弹性、基准能源需求和政策条件。

微小变化可能在全球模型中层层传导。这正是 0.47 至 1.8 吉吨这一结果区间如此宽泛的原因。

该模型并未将每一份云服务合同追溯至具体油田。它无法证明某一模型部署导致了精确数量的新增产量。

它估算的是：当 AI 提升既定行业的生产率时，可能产生的系统性后果。读者应将结果视为情景证据，而非企业排放账单。

作者也与倡导组织存在关联。其中数人隶属于 Enabled Emissions Campaign，该非营利组织聚焦于 AI 的气候后果和技术治理。

他们将这一关联披露为非财务竞争利益。同行评审增强了研究的可信度，但并不能消除不确定性，也无法解决每一个边界问题。

该模型对创新的处理还存在另一项限制。AI 能力、能源技术和采用模式的变化速度，可能快于经济基线的更新速度。

可再生能源应用的表现可能优于当前假设。化石燃料应用也可能面临监管、物理限制、低采用率或需求下降。

反过来也可能如此。若勘探、炼化和发电领域的部署加快，研究中的中位假设可能显得保守。

碳定价缩小了模型中的失衡，但在所测试的定价水平下并未将其消除。这一发现取决于生产者和消费者如何响应价格。

另一个问题涉及因果关系。石油公司本已在推进自动化和生产率提升。分析人员必须区分由 AI 特别促成的改进与普通技术进步。

他们还必须选择反事实情景。没有某一 AI 系统的情况下，生产或许仍会通过另一家供应商、传统软件或增加劳动力来进行。

这些问题使促成排放比用电量更难审计。但这并不意味着这一类别无关紧要。

环境核算已经在避免排放、碳抵消、可再生能源项目和政策评估中依赖反事实推理。挑战在于将同等严谨性应用于有害结果。

另一项风险是重复计算。同一份新增燃料可能同时出现在生产商的价值链、消费者的燃烧排放以及科技供应商建模得出的影响中。

负责任的框架必须清晰标注这些数字。促成排放应补充既有清单，而不应被悄然加入其中。

这项研究也不应抹杀 AI 的有益应用。能够检测甲烷泄漏、优化电网或改善可再生能源预测的系统，可能带来可衡量的益处。

问题在于，这些收益是否超过了其他地方因此被鼓励产生的额外污染。在其均衡采用情景下，研究给出的答案是否定的。

未来证据可能强化或削弱这一结论。更完善的客户层面数据、经独立验证的案例研究以及透明的生产率测量，将降低不确定性。

目前，正确的回应既不是轻率否定，也不是不加质疑地接受。该研究指出了一项现有企业报告未能充分检验的实质性风险。

Google News 读者接下来应关注什么

三个信号将显示，促成排放会成为真正的问责标准，还是仍停留在一项令人不安的研究发现。

第一个信号来自主要云服务提供商的披露。它们下一份环境报告应说明，下游 AI 应用是否被纳入任何气候评估。

有意义的披露应明确应用类别、说明评估边界，并区分观察数据与建模效应。关于有益 AI 的笼统声明无法回应这一批评。

Google、Microsoft、Amazon 和 Meta 还应披露如何处理为化石燃料客户开展的专业工作。相关问题关乎生产影响，而不只是客户名称。

如果一家供应商发布可重复使用的方法论，对竞争对手的压力将会增加。共同的方法将强化该研究的核心论点：这一遗漏是可以解决的。

持续沉默并不能否定促成排放。它只能表明，企业核算仍聚焦于资产和采购能源，而非下游经济结果。

第二个信号是独立复现。研究人员需要用不同的经济模型、假设、区域数据和行业案例研究来检验这一结果。

0.47 至 1.8 吉吨的区间规模足以影响气候政策。如此规模的主张值得经济学家、生命周期专家和能源分析师持续审查。

研究人员还应区分勘探、开采、炼化、运输和发电。AI 对每个阶段的影响可能不同，区域监管也可能改变结果。

直接案例研究尤其有价值。研究可以在控制价格、地质条件、设备和政策的前提下，对比使用 AI 与未使用 AI 的相似运营。

若复现结果接近已发表的区间，将增强建立正式报告标准的理由。若结果显著更小，则会缩小政策关切，但不会抹去其根本机制。

第三个信号是监管或采购政策。政府和大型企业采购方可以要求生命周期评估纳入下游应用风险。

ITU methodology 已强调透明边界、隐含排放、数据质量和独立审查。针对 AI 的规则可以在这一基础上进一步建立。

采购标准可能先于国家层面的监管行动。大型采购方可以要求供应商提供工作负载层面的电力、硬件、水资源和应用影响估算。

金融监管机构也可以要求更清晰地讨论气候转型风险。延长化石燃料资产寿命的 AI 合作关系，可能带来超出年度排放总量之外的风险敞口。

这些政策必须避免虚假的精确性。具有明确假设的透明区间，比由隐藏选择构建的单一数字更可信。

对于开发者和企业采购方而言，眼下的教训很实际。模型效率很重要，但应用设计的影响可能超过效率提升。

团队应当追问：其系统改变了哪些行为、扩大了哪些活动，以及成本下降是否会推高总体消费量。这些问题应与延迟和准确率指标一并考量。

知识工作者也应谨慎看待环境相关声明。“AI for climate”描述的是一个应用类别，而非整个商业产品组合的净影响。

Google News 的最新报道使这一差异愈发难以忽视。数据中心内部的碳排放可测量、可见，而且正得到越来越多的报道。

而由其技术在外部促成的碳排放，仍存在争议、依赖模型，且在很大程度上未被纳入企业账目。正因其不确定性，透明调查才格外重要。

大型 AI 提供商的下一份气候报告应回答一个直接的问题：该公司仅统计其运营的基础设施，还是也统计其技术所促成的生产活动？

在这个问题得到可衡量的答案之前，已公布的 AI 碳排放数据仍将只是一个更庞大系统的局部记录。