思考型人工智能模型的二氧化碳排放量高出50倍——而且往往徒劳无功（注：严格遵循技术细节，"50x"译为"50倍"，"CO2"保留专业术语&q

这种转换以及其他计算过程会产生二氧化碳（CO₂）排放。然而，许多用户并未意识到这些技术背后巨大的碳足迹。如今，德国的研究人员使用一套标准化问题，测量并比较了不同已训练大型语言模型（LLM）的CO₂排放量。

"询问已训练LLMs对环境的影响很大程度上取决于其推理方式，显式的推理过程会显著推高能耗和碳排放，"该研究的第一作者、慕尼黑应用科学大学研究员Maximilian Dauner表示，他是发表在《Frontiers in Communication》期刊上这项研究的主要作者。"我们发现，启用推理功能的模型产生的CO₂排放量比简洁响应模型高出50倍。"

"思考型"人工智能碳排放量最高

研究人员在涵盖多个学科的1,000个基准问题上评估了14个LLM，其参数量从70亿到720亿不等。参数量决定了LLMs学习和处理信息的方式。

推理模型平均每个问题生成543.5个"思考"token，而简洁模型每个问题仅需37.7个token。思考token是推理型LLM在生成答案前产生的额外token。更高的token足迹总是意味着更高的CO₂排放量。然而，这并不必然意味着最终答案更正确，因为详尽的细节并非总是正确性所必需的。

最准确的模型是启用推理功能、拥有700亿参数的Cogito模型，准确率达到84.9%。该模型产生的CO₂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技术中固有的准确性与可持续性之间的权衡关系，"Dauner说。"在排放量低于500克二氧化碳当量的模型中，没有一个能在正确回答1,000个问题上达到80%以上的准确率。"二氧化碳当量（CO₂ equivalent）是用于衡量各种温室气体气候影响的单位。

主题内容也导致CO₂排放水平存在显著差异。例如，需要冗长推理过程的问题（如抽象代数或哲学）导致的排放量比更直接的主题（如高中历史）高出六倍。

践行审慎使用

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，或将高容量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，"Dauner指出。

模型选择对CO₂排放量有显著影响。例如，让DeepSeek R1（700亿参数）回答60万个问题所产生的CO₂排放量，相当于从伦敦到纽约的往返航班。与此同时，在产生相同排放量的情况下，Qwen 2.5（720亿参数）能以相似的准确率回答三倍多的问题（约190万个）。

研究人员表示，他们的结果可能受到研究所用硬件选择的影响。硬件产生的排放因子可能因地区能源结构组成而异，并且受检模型的选择也会影响结果。这些因素可能限制研究结果的普适性。

"如果用户了解其AI生成输出的确切二氧化碳成本——比如随意将自己变成动作人物——他们可能会在使用这些技术的时机和方式上更具选择性和深思熟虑，"Dauner总结道。