思考型AI模型的二氧化碳排放量高出50倍——却常常毫无意义

这种转换以及其他计算过程都会产生二氧化碳（CO₂）排放。然而，许多用户并未意识到这些技术伴随的巨大碳足迹。如今，德国的研究人员通过一组标准化问题，测量并比较了不同已训练大型语言模型（LLM）的二氧化碳排放量。

"提问已训练LLM对环境的影响很大程度上由其推理方式决定，显式推理过程会显著推高能耗和碳排放，"该研究的第一作者、慕尼黑应用科技大学研究员马克西米利安·道泽（Maximilian Dauner）表示，该研究发表在《传播前沿》（Frontiers in Communication）期刊上。"我们发现启用推理功能的模型产生的二氧化碳排放量比简洁响应模型高出50倍。"

会'思考'的AI排放量最高

研究人员在涵盖多学科的1,000个基准问题上评估了14个参数规模从70亿到720亿不等的LLM。参数决定了LLM学习和处理信息的方式。

启用推理的模型平均每个问题会产生543.5个"思考"标记（token），而简洁模型每个问题仅需37.7个标记。思考标记是推理型LLM在生成答案前额外产生的标记。更高的标记使用量始终意味着更高的二氧化碳排放量。然而，这并不必然意味着生成的答案更准确，因为详尽的细节并非总是回答正确的必要条件。

准确率最高的模型是具备推理能力的Cogito模型（700亿参数），准确率达84.9%。该模型产生的二氧化碳排放量是生成简洁答案的同规模模型的三倍。"目前我们看到LLM技术存在明显的准确性与可持续性权衡，"道泽指出，"所有排放量保持在500克二氧化碳当量以下的模型，在正确回答1,000个问题时的准确率均未超过80%。"二氧化碳当量是衡量各种温室气体气候影响的单位。

问题主题也导致了显著不同的二氧化碳排放水平。需要冗长推理过程的问题（如抽象代数或哲学）产生的排放量比更直接的科目（如高中历史）高出六倍。

践行审慎使用原则

研究人员表示，希望他们的工作能促使人们对自身AI使用做出更明智的决定。"用户可以通过提示AI生成简洁答案，或将高性能模型的使用限制在真正需要其能力的任务上，从而显著减少排放量，"道泽强调。

模型选择对二氧化碳排放量影响显著。例如，让DeepSeek R1（700亿参数）回答600,000个问题所产生的二氧化碳排放量，相当于一次伦敦至纽约的往返航班。而同等排放量下，Qwen 2.5（720亿参数）在保持相近准确率的同时，能回答超过三倍数量的问题（约190万个）。

研究人员指出，其研究结果可能受到所选硬件、地区能源结构差异导致的排放因子变化以及所检验模型的影响。这些因素可能限制研究结果的普适性。

"如果用户了解其AI生成输出（例如随意将自己转换成动作玩偶）的确切二氧化碳成本，他们可能会在何时及如何使用这些技术方面变得更加审慎和有选择性，"道泽总结道。