算力碳排比：衡量AI环境成本的关键指标

算力碳排比的价值，不在于给模型贴上“绿色”或“不绿色”的标签，而在于把环境成本纳入同一套技术决策语言。单看模型性能、参数规模或数据中心能效，都无法回答一个更关键的问题：为了获得同样的有效计算结果或业务产出，究竟排放了多少碳。

这一指标首先要明确分子与分母。若采用“单位有效算力输出的碳排放”，结果越低越好，适合用于控制训练或推理的环境成本；若采用“单位碳排放可获得的有效算力输出”，结果越高越好，更适合横向比较资源利用效率。两种表达互为倒数，企业内部必须固定口径，否则同一组数据可能得出相反的管理结论。

真正困难的部分在于“有效输出”不能简单等同于GPU运行时长。训练任务可以关注单位碳排带来的模型性能提升；推理服务则更接近单位碳排可完成的请求处理量。对于业务系统，还应进一步判断请求是否创造了有效结果。一个消耗更低、但需要反复调用才能完成任务的模型，未必比单次消耗较高的模型更低碳。

训练与推理要分账核算

训练是集中发生的一次性投入，适合在模型选型前估算；推理则是持续发生的运营成本，需要随调用规模和部署方式动态监测。资料显示，Grok 4单次训练排放约7.3万吨二氧化碳；而推理虽然分散，百万次API调用也可能累计产生约2.7吨二氧化碳。只用训练排放评价模型，容易低估长期服务的环境负担。

核算基础通常包括耗电量、电网碳排放因子和有效输出量。耗电量反映计算活动本身，碳排放因子反映供电地域的能源结构；同一模型迁移到不同地区运行，即使性能不变，碳排结果也可能明显不同。因此，算力碳排比不是单纯的模型属性，而是“模型、硬件、运行方式与电力来源”的组合结果。

避免把高效率误判为低碳

PUE较低说明数据中心基础设施效率较好，却不能直接证明AI服务碳排较低；如果电力来源的碳强度较高，整体排放仍可能很大。另一个常见遗漏是芯片制造环节。资料指出，未计入这一环节可能使碳足迹被明显低估。即使暂时无法精确分摊，也应在台账中保留边界说明，避免把运行期排放误当成完整生命周期排放。

对项目负责人而言，最实用的做法是为候选模型建立碳排台账：分别记录训练碳排、推理碳排、计算口径与对应的有效产出。性能接近的方案中，算力碳排比更优者应获得明确优势；运行后若单位业务碳排持续上升，则应检查调用方式、模型规模与硬件利用率。环境指标一旦进入选型、部署和运营流程，绿色AI才不再只是披露材料中的表述。