本文為EY永續人工智慧工作小組成員的研究成果，團隊成員包括：Volha Litvinets、Kevin Franco、Mira Pijselman、Cong Li、Rosa Eggink、Angèle Schmidt與Andras Vekassy。本文探討了人工智慧（AI）對環境的影響，並探討了相關機會、現行立法以及企業如何使人工智慧的使用更具永續性。

永續性的概念在聯合國1987年發布的《布倫特蘭報告》中得到了清晰的闡述，該報告將永續發展定義為「既滿足當代人的需求，又不對子孫後代滿足其自身需求的能力構成損害的發展。」這項定義強調了平衡當前需求與未來資源保護的重要性，而這項原則在AI時代尤其重要。

如今，人工智慧具有鮮明的雙重性：它能夠提高效率，並為複雜的環境和社會問題提供創新解決方案，同時也帶來了日益增長的資源需求，其規模甚至開始與整個國家的能源消耗需求相提並論。

在本系列的第一期中，我們將聚焦於AI及其快速商業化所帶來的環境挑戰和機遇，並思考以下三個問題：

  1. 生成式人工智慧（GenAI）對環境的影響有多大？它們帶來了哪些具體挑戰？
  2. 目前有哪些架構和立法來指導AI技術的可持續性？這些方法中還存在哪些差距？
  3. 組織可以透過哪些切實可行的方式將永續性融入其AI開發和部署策略中，以減輕環境影響？

平衡人工智慧的永續效益和風險

隨著AI在各個產業與地區日益普及，許多聚焦於環境議題的應用案例也相繼出現。例如，由聯合國等組織推動的「AI for Good」運動，便專注於探討如何運用AI來協助實現永續發展目標（SDGs），其中許多目標皆與環境永續有關（例如目標13）。根據歐洲議會智庫的估計，到2030年，AI有望協助全球減少1.5%至4%的溫室氣體排放量，直接促進實現目標13中所設定的氣候行動目標。

在近期舉辦的2024年「AI for Good全球高峰會」上，共有超過80項展示，呈現AI在太空探索與環境永續領域的應用潛力，包含AI驅動的天氣預測、水資源管理及廢棄物監測等創新技術。

「AI for Good」計畫如何與SDGs契合：

聯合國永續發展目標（SDGs）：一系列與聯合國SDGs對應的具體AI行動方案。這些行動展示了AI在各領域所帶來的轉型性影響，包括醫療保健、環境保育、教育、災害應變與農業等，突顯AI技術如何推動全球永續發展努力，同時增進整體社會福祉。

然而，隨著AI帶來巨大機會，也伴隨著高度的責任，必須妥善管理其可能帶來的各種影響，因為這項技術對環境、社會與經濟皆可能產生深遠影響。AI系統所涉及的供應鏈及其持續維運過程，會帶來可觀的環境成本，其中包含訓練與維護先進機器學習模型所需的大量能源消耗。這些影響涵蓋整個AI系統的生命週期，從開發階段、部署過程，到後續的持續運作與維護，無一不牽涉其中。

AI的環境足跡—關鍵面向

  1. 能源消耗：由於AI模型結構複雜，因此需要大量的運算能力。這種需求導致高能源使用，特別是在訓練階段，對於較先進的模型而言，訓練過程可能非常耗時。然而值得注意的是，相較於訓練階段，AI模型在推論（inference）階段的能源消耗通常更為可觀。此外，所選擇的模型類型也會影響整體的環境足跡。例如，深度學習、自然語言處理（NLP）以及生成式AI（GenAI）模型，相較於較簡單的分類模型，其能源消耗更為龐大。
  2. 溫室氣體排放：驅動AI系統所需的大量能源，若主要來自非再生能源電廠，通常會導致相當可觀的溫室氣體排放量。
  3. 用水量：大型資料中心是訓練與部署日益先進AI模型所仰賴的核心基礎設施，這些中心需配備冷卻系統以防止過熱並維持運作效能，而這些冷卻系統往往需大量用水。在原本就面臨水資源壓力的地區，這類用水需求可能會進一步加劇水資源短缺的問題。
  4. 硬體與電子廢棄物：支撐AI運作的硬體設備，包括伺服器、GPU及其他專用設備，也會對環境造成影響。這些裝置在製造與淘汰的過程中，涉及大量資源開採、生產排放，以及電子廢棄物的產生，可能導致環境惡化與污染問題。

大型語言模型（LLMs）是一種生成式AI，其特徵是擁有數百億甚至上千億個參數，並透過龐大的資料集進行訓練以生成內容。然而，這類模型所帶來的環境影響也相當可觀。

關於如何讓AI供應鏈更具環境效益的研究仍在持續進行中。應對這些環境挑戰的策略可能包括：提升AI系統的能源效率、使用再生能源供電，以及開發更節水的資料中心冷卻技術。

舉例而言，將大型AI模型部署於邊緣裝置（如智慧型手機、智慧音箱與穿戴式設備）是一種更具永續性的替代方案，並日益受到重視。由於邊緣裝置的運算能力有限，無法執行擁有數十億參數的龐大模型，這項限制反而降低了營運成本與雲端運算中資料傳輸所需的能源。因此，在邊緣裝置上運行的模型往往比雲端系統更具能源效率，大幅減輕其對環境的影響。

除了訓練階段之外，從最終使用者的角度來看，生成式AI在日常使用與持續運作上也存在環境成本方面的疑慮。例如，影像生成所需的能源與碳排放量通常高於文字生成；而具備通用功能的大型語言模型，其能源消耗也往往高於專為特定任務設計的小型語言模型。

隨著AI與永續發展交匯領域的研究持續深入，以及企業在使用生成式AI時對「何時使用、為何使用、如何使用」的意圖更加明確，這些都將成為推動永續AI生態系發展的關鍵要素。

在下一節中，我們將探討可借鏡作為解決AI永續性之矛盾的立法架構。

維持永續性─現行立法

在理解AI的雙面性時，檢視AI的發展與應用是否與更廣泛的永續發展努力相符，顯得尤為重要。那麼，目前有哪些指引可以協助推動AI技術的永續發展與應用？各國政府與國際機構又該如何確認AI系統確實有助於實現SDGs？

首先，讓我們來看歐盟執行委員會的《企業永續性揭露指令》（Corporate Sustainability Reporting Directive, CSRD）。此指令自2023年1月5日起生效，擴大了企業在環境與社會面向的揭露範圍。從2024年起，涵蓋範圍將擴及更多企業，包括在歐盟營收超過1.5億歐元的非歐盟公司，這些企業必須遵循歐洲永續性揭露準則（ESRS）。

為協助企業進行ESG相關揭露，目前已有多項架構可供參考。例如，CDP協助企業揭露其環境資料，內容涵蓋風險管理、環境目標與策略規劃；GRI則提供一套標準化架構，協助企業就更廣泛的ESG議題進行揭露，包括溫室氣體排放、勞動實務、人權以及社區影響等，藉此提升全球透明度與治理品質。

儘管這些揭露框架著重於企業整體影響，但其中也應納入AI系統的考量，並強調在ESG揭露中理解與評估AI所造成的具體影響的重要性。

此外，歐盟也於近期通過了具代表性的《AI 法案》（EU AI Act），這項具有里程碑意義的法規在AI的設計、訓練與使用過程中，也納入了永續性考量。關於AI的環境永續性應如何評估與最小化，歐盟AI辦公室與各成員國將透過即將推出的行為準則與統一標準進一步說明。

同時，美國國家標準與技術研究院（NIST）也制定了AI永續性評估框架，內容包括對模型訓練所造成的環境影響與管理方式進行評估，聚焦於建立可量化的永續性基準，並透過記錄運算資源使用量與碳足跡等關鍵績效指標，來衡量AI系統的可信度。

儘管上述新法規與標準致力於減緩AI對環境的衝擊，但在如何衡量與分配AI生態系中複雜且多元利害關係人的能源使用方面，仍缺乏明確指引。因此，若要符合標準與最佳實務，亟需建立一套可操作的評估架構與方法，來衡量AI所帶來的永續風險。

永續發展領導者的實務考量

簡單來說：要準確評估AI對環境的影響並不容易。這需要建立一套完善的衡量方法，明確釐清AI供應鏈中各方對永續影響的責任歸屬，以及就「有效減緩影響的標準」達成共識。

針對生成式AI，目前已有部分開源工具開始出現，用以解決評估大型語言模型環境影響所面臨的測量困難。這些工具通常會從以下四個主要因素來估算碳排放量：

  1. 模型訓練時間：訓練所需時間會直接影響所需的運算次數，進而影響碳排。
  2. GPU的能源效率：GPU的效能會影響訓練過程中的能源消耗量。
  3. 資料中心的所在地點：資料中心所在區域的電力碳排係數（每千瓦小時電力所產生的CO₂量）會影響整體排放。
  4. 服務供應商的碳抵換措施：若供應商有採取碳抵換策略，可以部分抵消訓練對環境的影響。

然而，這些工具的精確性仍備受關注，主要問題包括：

  • 資料可得性與準確性存疑：特別是在GPU的能源效率與資料中心碳排強度等關鍵數據上，常缺乏透明與可靠的來源。
  • 過度聚焦於模型訓練階段：許多工具僅計算訓練過程的碳排放，卻未充分涵蓋模型微調（fine-tuning）或推論（inference）階段所產生的排放。
  • 工具多為傳統機器學習開發者設計：這些使用者通常能取得詳細技術資訊或直接操作模型原始碼；然而，對於生成式AI開發者而言，他們往往僅能透過應用程式介面（API）使用基礎模型，因此在數據取得上會面臨限制。
  • 較少關注範疇一與範疇二（Scope 1 & 2）以外的排放：目前多數工具著重於企業自身營運與直接用電產生的排放，而對供應鏈與上下游活動所產生的間接排放（即範疇三，Scope 3）著墨甚少。

值得一提的是，雖然近期大型語言模型（LLMs）與生成式 AI（GenAI）廣泛受到社會關注，但我們仍需理解、衡量並揭露傳統判別型 AI 系統（classical, discriminative AI）所帶來的永續影響。

若要更全面地衡量AI系統對永續發展的影響，永續領域的決策者應考量以下幾個面向：

  • 運算操作量：透過計算運算次數，或在由廠商託管的模型中，以模型參數數量與處理字元數（tokens）估算其運算複雜度。
  • 電力使用量：根據硬體效能推估耗電量，雲端服務供應商通常會提供這類數據。
  • 碳足跡：可根據資料中心的碳排強度或碳使用效能（CUE, Carbon Usage Effectiveness）來計算直接碳排放量，但間接排放的量化仍具有挑戰性。
  • 用水量：可透過現場的水資源使用效能（WUE, Water Usage Effectiveness）與電力使用效能（PUE, Power Usage Effectiveness）來評估直接與間接的用水影響。

參考資料：https://www.ey.com/en_nl/insights/climate-change-sustainability-services/ai-and-sustainability-opportunities-challenges-and-impact