随着人工智能的发展，大型语言模型（LLM，例如GPT-4和 Grok-4）与小型语言模型（SLM，例如Phi-3 ）之间的争论日益激烈，尤其是在人工智能模型对环境的影响方面。据国际能源署（IEA，2025）预测，到 2030 年，数据中心的电力消耗预计将达到 945 太瓦时（TWh），人工智能的可行性正受到严重质疑。
在《可持续发展杂志》（2025 年）和近期的文章中，微软首席战略官梅兰妮·中川 (Melanie Nakagawa ) 关于提高效率的评论表明，SLM 可能是一种更环保、更具成本效益的方式，可以取得非常成功的成果。
什么是 LLM 和 SLM？为什么它们对可持续性如此重要？
语言学习模型（LLM）是拥有数十亿个参数的大型人工智能系统，它们在庞大的数据集上进行训练，以处理诸如自然语言生成等复杂任务。例如Claude 3（200 亿个参数）和Llama 3（70 亿个参数）。
相比之下，空间光调制器（SLM）结构紧凑且经过优化，通常采用 10B 参数，例如Gemma（2-7B）或Mistral-7B。它们旨在高效地在智能手机等边缘设备上运行。
GPT-4 的训练产生了近 5,184 吨二氧化碳当量（斯坦福人工智能指数，2025），相当于美国 200 个家庭的年排放量。这凸显了可持续性方面的差距。由于 SLM 架构更轻量级且数据使用量更少，因此可以将这种碳足迹减少高达 90%。随着ESG 政策（例如欧盟人工智能法案（2025））的不断完善，“合理调整模型规模”将成为企业的一项必要条件，而不仅仅是一个选项。
另请阅读：Meta 的 AI 森林地图以亚米级精度革新碳排放追踪。
法学硕士如何应对环境挑战？
LLM 等人工智能模型对环境的影响源于其巨大的能源和资源需求：
- 培训实施：数千个 GPU 连续运行数周，消耗数千兆瓦时的电力。训练 谷歌的PaLM （540B 参数）使用 2,500 兆瓦时 并发出 超过 1,100 公尺 吨二氧化碳当量, 相当于每位乘客乘坐五次跨大西洋航班。
- 推理：大规模使用法学硕士课程会进一步增加压力。2023 年，谷歌消耗了 6.4亿加仑的水 在全球范围内，与 95% 数据中心用水量（约6.1亿加仑）。这在缺水地区尤其令人担忧。
- 碳增长: Nakagawa 警告称，不受限制的法学硕士扩张可能会导致人工智能的 碳足迹 到 2030 年。然而，截至 20 年中期，只有不到 2025% 的数据中心完全采用可再生能源。
LLM 和 SLM 在数量上有何区别？
方面 |
LLM（大型语言模型） |
SLM（小型语言模型） |
|---|---|---|
典型尺寸 |
100B+ 参数（GPT-4 ~1T 估计，GPT-3 = 175B） |
<10B 参数（Phi-3 = 3.8B、Gemma-2B、Mistral-7B） |
训练能量 |
GPT-3 ≈ 1,287 兆瓦时 为了训练 |
米斯特拉尔-7B ≈ 50-70兆瓦时 （按比例估算） |
二氧化碳排放量 |
GPT-3 ≈ 500–550 吨二氧化碳 每次训练（哥伦比亚气候) |
BLOOM-Z（7B 变体）≈ 10–20 吨二氧化碳 （按比例） |
用水 |
每 0.5-10 个提示约 50 升（适用于 ChatGPT/GPT-3 类模型） |
低得多（每个等效任务<0.1 L，基于设备） |
培训费用 |
10万至100亿美元（GPT-4预估>100亿美元） |
100 万至 1 万美元（由初创公司/财团培训的开源 SLM） |
推理效率 |
延迟较高，主要是 基于云 |
低延迟，通常 边缘能力 （可在笔记本电脑/手机上运行） |
部署 |
需要大型数据中心（NVIDIA GPU 集群、数千个 A100/H100） |
可以在消费级 GPU 甚至移动设备上运行 |
使用案例 |
复杂推理、企业人工智能、多模式助手 |
轻量级应用程序、设备上的人工智能、隐私保护推理 |
另请阅读：气候技术如何重塑城市，迈向净零排放未来
SLM 提供哪些可持续发展优势？
- 能源效率： 微软的 Phi-3 和其他模型在翻译等专门任务上表现出色，同时仅使用 LLM 十分之一的计算量。
- 减少传输排放： 根据 Microsoft Azure 可持续发展报告（2025 年），设备上的处理可以减少高达 80%.
- 减少碳排放： Hugging Face 计算出，在训练期间，Mistral-7B 发射的 42公吨二氧化碳当量，而 LLM 的排放量则高达数百吨。
- 钢材的循环经济：SLM 通过在旧设备上运行来延长硬件寿命。
- 现实世界的采用：谷歌的 Gemma 已经为可持续农业应用程序提供支持，以优化用水量。
扩展 AI 规模的更可持续、更负责任的方式是通过 SLM，它直接解决 AI 模型对环境的影响。
另请阅读：人工智能对电网的影响
SLM 能否在高影响力应用中完全取代 LLM ？
不完全如此。LLM 在通用智能和多模态任务（例如 Claude 3 的图像-文本推理）方面仍然表现优异。然而，混合方法正在弥合这一差距：
- 混合人工智能：常规查询由 SLM 处理，升级问题则发送给 LLM。这可减少约 70% 的排放量
- 医疗保健用例：经过精细调整的 SLM 现在能够以更少的能耗实现与 LLM 相媲美的诊断精度。
- 企业采用：68% 使用 SLM 的企业报告了更高的准确性和投资回报率。
SLM 尚未完全取代传统光模块，但由于量化和压缩技术的发展，其可行性正在迅速增长。
科技公司如何减轻人工智能对环境的影响？
绿色人工智能越来越受欢迎：
- Microsoft：目标是到 2030 年实现碳负排放，优先发展可持续土地管理 (SLM)。
- OpenAI：承诺到 1 年将其绝对温室气体排放量（范围 2、3 和 42.7）减少约 2030%，
- xAI： 由太阳能供电的数据中心现已运行 格罗克-4.
- 硬件进步： NVIDIA 的 Grace Hopper 超级芯片降低了 SLM 和 LLM 的能源消耗。
- 法规: 加州人工智能透明度法案（2025年） 要求企业披露人工智能排放量。
这些措施表明，减轻人工智能模型对环境的影响正在成为一项政策要求和市场优势。
另请阅读：人工智能对电网的影响
常见问题解答
问：LLM 和 SLM 在现实世界中的碳足迹差异是什么？
答：单次LLM查询会排放2-5克二氧化碳当量，而SLM仅排放0.1-0.5克（哥本哈根大学，2025）。这表明，大规模部署人工智能模型会对环境产生显著影响。
问：有没有工具可以测量人工智能模型的排放？
答：是的，包括 CodeCarbon 和 MLCO2 计算器，现在已嵌入 Hugging Face。
问：到 2030 年，SLM 会主导人工智能吗？
A：IDC（2025 年）预测 SLM 将占据AI 市场约 40% 的份额，尤其是在移动和边缘计算领域。
问：企业如何在 LLM 和 SLM 之间做出选择？
答：评估任务的复杂性。使用 SLM 开发轻量级、高效的应用程序，使用 LLM 进行深入研究，并与 ESG 和可持续发展目标保持一致。
另请阅读：2025 年碳捕获技术：当前有效技术及未来创新方向
0条评论