Apakah Kesan Alam Sekitar AI?

Dikemas kini Julai 2026

Kesan alam sekitar AI ialah tenaga, air, pelepasan karbon, dan sisa elektronik yang dihasilkan melalui latihan dan penggunaan model AI, terutamanya melalui pusat data, cip, dan sistem penyejukan di sebaliknya. Ia meliputi keseluruhan kitaran hayat AI, daripada pembuatan perkakasan hingga inferens harian, dan ia berkembang lebih pantas berbanding yang diambil kira oleh kebanyakan pelan kelestarian syarikat.

Bagi pemimpin perniagaan, persoalan "apakah kesan AI terhadap alam sekitar" bukan lagi sekadar teori akademik. Ia timbul dalam soal selidik ESG vendor, dalam usaha wajar perolehan, dan dalam laporan kelestarian yang kini perlu dijelaskan oleh syarikat kepada lembaga pengarah dan pengawal selia. Angka sebenar Google dan Microsoft di bawah menunjukkan sebabnya: pelepasan kedua-dua syarikat ini melonjak dua digit dalam tempoh setahun, hampir sepenuhnya disebabkan oleh pertumbuhan infrastruktur AI. Jika syarikat anda membeli, membina, atau menjual semula alat AI, ini ialah item yang akhirnya perlu anda ambil kira, bukan sekadar statistik menarik.

Empat Tunjang Jejak Alam Sekitar AI

Kesan alam sekitar AI bukan satu perkara sahaja. Ia terdiri daripada empat masalah sumber yang berasingan tetapi disebabkan oleh infrastruktur yang sama.

Empat tunjang ini tidak semestinya bergerak seiring. Sebuah pusat data yang beroperasi menggunakan elektrik bersih masih boleh membebankan bekalan air tempatan. Sebuah kemudahan dengan penyejukan cekap masih boleh bergantung pada grid yang berat bergantung pada karbon. Menganggap "kesan alam sekitar AI" sebagai satu angka tunggal menyembunyikan sumber tertentu yang sebenarnya tertekan di sesuatu lokasi, dan perbezaan itu lebih penting berbanding mana-mana peratusan tajuk utama.

Latihan lawan Inferens: Dari Mana Sebenarnya Jejak Ini Datang

Kebanyakan liputan mengenai kesan alam sekitar AI menumpukan kepada latihan, iaitu peristiwa sekali sahaja yang menarik perhatian apabila sebuah makmal menghabiskan berminggu-minggu menjalankan ribuan GPU untuk membina model baharu. Itu memang benar, tetapi bukan lagi tempat kebanyakan jejak itu berada.

Implikasi praktikalnya: sebuah model yang kelihatan cekap dalam penanda aras latihan masih boleh mempunyai jejak alam sekitar yang besar apabila digunakan pada skala besar, kerana inferens berlaku secara berterusan sepanjang hayat sesuatu produk. Sebuah ciri chatbot yang dilatih sekali dan melayani berjuta-juta pengguna selama bertahun-tahun menyebabkan lebih banyak kerosakan alam sekitar terkumpul melalui inferens berbanding melalui proses latihan yang mencipta chatbot tersebut. Itulah peralihan yang sama yang perlu difahami oleh pemimpin perniagaan apabila membajet kos infrastruktur AI: bil berterusan, dari segi wang dan sumber, ialah inferens, bukan latihan.

Angka Sebenar: Berapa Besar Jejak AI Sekarang

Skala ini lebih mudah difahami melalui perbandingan langsung berbanding terawatt-jam mentah.

Penggunaan elektrik pusat data global diunjurkan hampir berganda daripada lebih kurang 415 terawatt-jam pada 2024 kepada lebih kurang 945 terawatt-jam menjelang 2030, hampir 3% daripada jumlah penggunaan elektrik global. Pada kadar pertumbuhan semasa, pusat data global telah menggunakan lebih kurang 448 terawatt-jam elektrik dalam tahun terkini, lebih banyak elektrik berbanding hampir semua negara di dunia kecuali kira-kira 10 buah negara. Penggunaan elektrik itu menghasilkan anggaran 189 juta tan karbon dioksida, lebih kurang sama dengan jumlah jejak keseluruhan negara Argentina, dan menggunakan kira-kira 4.5 trilion liter air untuk penyejukan.

ChatGPT secara khusus dianggarkan menggunakan sekitar 383 gigawatt-jam elektrik setahun, dengan jejak air yang setanding dengan keperluan air domestik tahunan lebih kurang 500,000 orang di Afrika Sub-Sahara. Jenis tugas amat penting di sini: satu pertanyaan sembang rutin dianggarkan lebih kurang 200 kali lebih intensif tenaga berbanding tugas klasifikasi teks asas, penjanaan satu imej AI boleh menggunakan sehingga 1,450 kali ganda garis dasar tersebut, dan penghasilan video AI pendek boleh menggunakan tenaga setanding kira-kira 200,000 tugas klasifikasi asas. Variasi itulah sebabnya "AI" sebagai satu kategori sukar diberikan satu angka: satu sembang sokongan pelanggan yang ringkas dan satu kelompok iklan video terjana-AI bukanlah peristiwa alam sekitar yang sama sekali.

Pelupusan perkakasan ialah bahagian yang paling kurang dibincangkan daripada empat tunjang ini. Penyelidik yang menerbitkan dalam Nature Computational Science menganggarkan perkakasan AI generatif boleh menghasilkan antara 1.2 juta hingga 5 juta metrik tan sisa elektronik setahun menjelang 2030, didorong oleh pusat data yang menukar GPU lebih pantas berbanding perkakasan IT perusahaan biasa. Pendekatan ekonomi kitaran, iaitu memperbaharui komponen dan memanjangkan jangka hayat perkakasan, boleh mengurangkan jumlah itu sebanyak anggaran 16 hingga 86%, tetapi hanya jika pengendali pusat data benar-benar melaksanakannya secara meluas.

Apa yang Sedang Dilakukan Mengenainya

Tiada satu pun daripada ini bersifat statik. Peningkatan kecekapan dan pelaburan tenaga bersih kedua-duanya bergerak pantas, walaupun jumlah permintaan berkembang lebih pantas lagi.

• Kecekapan cip dan model. Generasi GPU yang lebih baharu menghasilkan lebih banyak pengiraan bagi setiap watt berbanding generasi sebelumnya, dan teknik seperti kuantisasi dan pemampatan model mengecilkan jumlah pengkomputeran yang sebenarnya diperlukan bagi sesuatu tugas. Model bahasa kecil dan pengoptimuman inferens berusaha ke arah matlamat yang sama dari sudut yang berbeza: mendapatkan output yang setanding daripada pengkomputeran yang jauh lebih sedikit.
• Teknologi penyejukan. Penyejukan cecair terus-ke-cip dan sistem gelung tertutup yang mengitar semula air dan bukannya menggunakannya secara habis sedang menggantikan reka bentuk penyejatan yang lebih lama, mengurangkan penggunaan air bagi setiap unit pengkomputeran walaupun ketumpatan kuasa rak terus meningkat.
• Perolehan tenaga bersih. Syarikat hyperscaler sedang menandatangani perjanjian tenaga boleh diperbaharui yang besar untuk mengimbangi permintaan pusat data. Google menandatangani perjanjian untuk lebih daripada 12 gigawatt tenaga bersih baharu pada 2025 sahaja, dan Microsoft mengembangkan portfolio tenaga boleh diperbaharuinya kepada 40 gigawatt, naik daripada 34 gigawatt pada tahun sebelumnya. Kedua-duanya masih belum sepenuhnya mengimbangi pertumbuhan pelepasan yang didorong AI, tetapi kedua-duanya bergerak ke arah itu.
• Komitmen positif-air dan bersih-sifar. Beberapa penyedia utama telah berikrar untuk mengembalikan lebih banyak air berbanding yang digunakan oleh pusat data mereka dan untuk mencapai status bersih-sifar atau karbon-negatif menjelang 2030, walaupun laporan kedua-dua syarikat sendiri mengakui pembinaan AI kini mengatasi sasaran tersebut.
• Strategi perkakasan kitaran. Memperbaharui GPU dan memanjangkan jangka hayat pelayan berbanding menggantikannya mengikut kitaran tetap ialah tuas paling langsung untuk menangani masalah sisa elektronik, dan ia masih lagi strategi paling kurang matang berbanding yang lain di atas.

Mengapa Ini Penting bagi Pemimpin Perniagaan dan Pelaporan ESG

Jika syarikat anda melaporkan metrik ESG, menggunakan vendor AI pada mana-mana skala, atau menjawab soal selidik perolehan daripada pelanggan yang berbuat demikian, jejak alam sekitar AI bukan lagi masalah orang lain untuk dijejaki.

• Pelepasan vendor semakin menjadi pelepasan Skop 3 anda. Jika pelepasan infrastruktur AI pembekal meningkat sepertimana yang berlaku kepada Google dan Microsoft, dan anda bergantung pada vendor tersebut untuk alat berkuasa AI, pertumbuhan itu boleh muncul dalam pelaporan pelepasan rantaian bekalan anda sendiri, bergantung kepada bagaimana rangka kerja ESG anda menetapkan skopnya.
• Dakwaan "vendor AI kami neutral karbon" wajar diteliti dengan teliti. Tanya secara khusus sama ada dakwaan itu meliputi Skop 1 dan 2 (operasi langsung vendor) atau meluas kepada Skop 3 (segala-galanya di hulu dan hilir, termasuk pembuatan cip dan perkakasan pada akhir hayatnya). Kebanyakan komitmen awam masih belum mencapai liputan kitaran hayat penuh.
• Jumlah inferens ialah pemboleh ubah yang boleh dikawal. Oleh kerana inferens memacu majoriti besar penggunaan tenaga AI yang berterusan, keputusan produk seperti tingkat model yang anda tetapkan sebagai lalai, sejauh mana agresif anda menyimpan cache pertanyaan berulang, dan sama ada sesuatu tugas memerlukan pemprosesan masa nyata atau kelompok, secara langsung menjejaskan jejak AI anda, bukan sekadar bil AI anda.
• Keperluan pendedahan kawal selia sedang berkembang. Semakin banyak bidang kuasa menambah keperluan pendedahan tenaga dan pelepasan yang menyentuh pengendali pusat data dan, semakin lama semakin banyak, pengguna AI berskala besar. Menganggap ini sebagai isu pematuhan sekarang adalah lebih murah berbanding menyesuaikan pelaporan kemudian.

Satu Pandangan Seimbang

Mudah untuk membaca angka-angka di atas dan membuat kesimpulan bahawa AI adalah kesan negatif alam sekitar yang tidak boleh dipertikaikan. Itu tidak sepenuhnya betul, dan tidak sepenuhnya salah juga.

Jejak ini sebenar, semakin berkembang, dan pada masa ini mengatasi pembinaan tenaga bersih yang bertujuan mengimbanginya; bahagian itu tidak dipertikaikan. Pada masa yang sama, AI juga sedang digunakan untuk pemodelan iklim, pengoptimuman grid, penemuan bahan untuk bateri dan sel solar yang lebih baik, serta kerja kecekapan industri yang mempunyai kelebihan alam sekitarnya sendiri. Kedua-dua belah pihak tidak saling meniadakan. Pendirian jujur bagi seorang pemimpin perniagaan ialah kos alam sekitar AI merupakan perbelanjaan yang sebenar, boleh diukur, dan pada masa ini semakin berkembang, satu perbelanjaan yang wajar mendapat penelitian yang sama seperti mana-mana bahagian perniagaan lain yang intensif sumber, bukannya sama ada panik moral atau lesen bebas kerana "AI turut membantu iklim juga". Kedua-dua dakwaan ini boleh benar pada bahagian berbeza teknologi yang sama pada masa yang sama.

Fakta Penting

• Penggunaan elektrik pusat data global diunjurkan hampir berganda kepada 945 terawatt-jam menjelang 2030, kira-kira 3% daripada jumlah penggunaan elektrik global, naik daripada lebih kurang 415 terawatt-jam pada 2024. IEA
• Pusat data global diunjurkan melepaskan kira-kira 399 juta tan karbon dioksida daripada penggunaan elektrik menjelang 2030 dan menggunakan lebih kurang 9.3 trilion liter air, bersamaan dengan keperluan air domestik tahunan asas bagi 1.3 bilion orang di Afrika Sub-Sahara. United Nations University, UNU-INWEH
• ChatGPT sahaja dianggarkan menggunakan kira-kira 383 gigawatt-jam elektrik setahun merentasi lebih kurang 2.5 bilion gesaan harian, dengan jejak air yang setanding dengan keperluan tahunan kira-kira 500,000 orang di Afrika Sub-Sahara; satu imej terjana-AI boleh menggunakan sehingga 1,450 kali ganda tenaga berbanding tugas klasifikasi teks asas. United Nations University, UNU-INWEH
• Melatih model bersaiz GPT-3 menggunakan lebih kurang 1,287 megawatt-jam elektrik dan menghasilkan kira-kira 552 tan karbon dioksida; menyejukkan sebuah pusat data memerlukan lebih kurang 2 liter air bagi setiap kilowatt-jam tenaga yang digunakannya. MIT News
• Perkakasan AI generatif boleh menghasilkan antara 1.2 juta hingga 5 juta metrik tan sisa elektronik setahun menjelang 2030, walaupun strategi ekonomi kitaran seperti memperbaharui dan menggunakan semula boleh mengurangkan jumlah itu sebanyak 16 hingga 86%. Nature Computational Science
• Jejak karbon operasi Google pada 2025 meningkat 18% berbanding tahun sebelumnya dan kini 81% lebih tinggi berbanding garis dasar 2019, lonjakan yang dikaitkan syarikat itu terutamanya dengan pertumbuhan pusat data AI yang mengatasi penyahkarbonan grid. Google 2026 Environmental Report
• Pelepasan Microsoft bagi tahun fiskal 2025 meningkat 25% berbanding tahun sebelumnya kepada kira-kira 20 juta metrik tan setara karbon dioksida, naik daripada 16 juta tan pada tahun sebelumnya, didorong terutamanya oleh pembinaan pusat data AI yang baharu. Microsoft

Konsep AI Berkaitan

• Apakah Pusat Data AI? - Kemudahan fizikal di sebalik kebanyakan jejak tenaga, air, dan karbon AI
• Apakah Infrastruktur AI? - Keseluruhan tindanan, daripada pengkomputeran hingga pemerhatian, yang menghasilkan jejak alam sekitar ini
• Apakah Inferens AI? - Beban kerja pengeluaran berterusan yang bertanggungjawab bagi 80 hingga 90% daripada jumlah penggunaan tenaga AI
• Inference Optimization - Teknik yang mengurangkan tenaga dan kos menjalankan model AI dalam pengeluaran
• Quantization - Teknik utama untuk mengecilkan saiz model dan pengkomputeran yang diperlukan untuk menjalankannya
• Small Language Models - Alternatif berpengkomputeran rendah kepada model termaju bagi banyak kes penggunaan pengeluaran
• Jumlah Kos Pemilikan AI - Bagaimana kos infrastruktur dan inferens, dari segi kewangan dan alam sekitar, bertambah dari semasa ke semasa
• Model Serving - Lapisan penggunaan tempat inferens, dan kebanyakan jejak berterusan AI, sebenarnya berlaku
• Foundation Models - Model pra-latihan besar yang menjadi punca kebanyakan kos alam sekitar berkaitan latihan
• AI Governance - Rangka kerja penyeliaan yang semakin dijangka merangkumi dakwaan alam sekitar dan ESG

Sumber Luaran

• IEA: Energy and AI, Executive Summary - Unjuran permintaan elektrik pusat data global sehingga 2030
• MIT News: Explained, Generative AI's Environmental Impact - Kos tenaga, air, dan karbon bagi melatih dan menjalankan AI generatif
• United Nations University, UNU-INWEH: Environmental Cost of AI's Energy Use - Unjuran jejak karbon, air, dan tanah bagi pusat data global sehingga 2030
• Nature Computational Science: E-waste Challenges of Generative Artificial Intelligence - Unjuran sisa elektronik daripada perkakasan AI generatif sehingga 2030
• Google 2026 Environmental Report - Pelepasan operasi Google, penggantian air, dan komitmen tenaga bersih
• Microsoft: Responsibly Building the AI Future - Pelepasan tahun fiskal 2025 Microsoft dan kemajuan kelestarian

Sebahagian daripada Koleksi Istilah AI. Terakhir dikemas kini: 2026-07-20