11 月 24 日消息，人工智慧或許正在驅動未來，但它正以消耗地球資源為代價實現這一目標。
每一次聊天機器人的回覆、每一張 AI 生成的圖像，背後都依賴於耗電量與用水量巨大的大型數據中心。而目前，其中大部分電力仍來自化石燃料，隨著人工智慧應用的快速擴張，碳排放量也持續攀升。
數以百萬計的服務器全天候不間斷運行，其環境代價急劇上升，致使數據中心整體能耗已超過許多國家的全國用電總量。
更嚴峻的是，隨著 AI 系統運行時間延長、設備老化，其能耗需求與碳足跡的增長速度進一步加快。
針對這一問題，加州大學河濱分校（University of California, Riverside）一項最新研究提出了一種創新解決方案，可同步應對 AI 能源失控使用背後的污染排放與硬體損耗兩大挑戰。
研究人員開發了一套名為「聯邦碳智能」（Federated Carbon Intelligence, FCI）的系統，旨在降低大型數據中心的碳排放，同時延長支撐 AI 模型運行的服務器使用壽命。
與現有僅通過錯峰調度、在清潔能源比例較高時段處理任務的做法不同，FCI 採取了更深層次的優化策略：它將環境碳強度數據與各服務器實時硬體狀態（如溫度、老化程度、磨損情況）相結合，實現 AI 任務的智能化動態分配。
研究團隊負責人米赫里・奧茲坎（Mihri Ozkan）指出：「我們的研究結果表明，僅靠清潔能源無法實現 AI 的真正可持續發展。AI 系統會老化、會升溫，其運行效率隨時間動態變化，而這些變化均會帶來可量化的碳成本。」
通過仿真模擬驗證，該團隊證實：FCI 可在五年內減少高達 45% 的二氧化碳排放，同時將服務器集群的平均服役壽命延長 1.6 年。
該系統通過持續監測服務器的服役年限、實時溫度與磨損狀態，優先繞開已處於高負荷或性能衰退狀態的設備，從而減少硬體故障風險，並降低對高能耗、高耗水冷卻系統的依賴。
米赫里・奧茲坎表示：「通過將服務器實時健康狀況與電網碳強度數據相融合，我們的框架可自主學習如何調度 AI 任務，在削減碳排放的同時，保障硬體設備的長期運行可靠性。」
這一「清潔能源 + 智能硬體管理」的雙重策略，彌補了當前可持續發展實踐中的關鍵盲區。儘管現有措施多聚焦於提升可再生能源使用比例，但奧茲坎強調：頻繁更換老化服務器本身即蘊含顯著碳排放。
服務器製造過程會產生大量「隱含碳排放」（embodied emissions）。FCI 通過延長硬體服役周期，有效削減了新設備生產所隱含的環境負荷。
另一位研究負責人詹吉茲・奧茲坎（Cengiz Ozkan）補充道：「我們不僅實時降低運行過程中的碳排放，更通過延緩硬體退化，減少了未來設備更換所需的資源投入。防止不必要的損耗，意味著我們既削減了當下的能耗，也減輕了明日硬體生產的環境足跡。」
研究人員介紹，該系統可根據不斷更新的工作負載需求、區域電網碳強度及服務器健康數據，動態決策每一項 AI 任務的處理時機與地點。
值得強調的是，此類自適應框架的部署無需新增硬體設施。「構建這一自適應框架並不需要購置新設備，僅需對現有系統進行更智能化的協同優化即可。」米赫里・奧茲坎強調。
目前，研究團隊正積極尋求與雲服務提供商合作，推動 FCI 在實際運營中的數據中心開展實地測試。他們指出，在 AI 算力需求迅猛增長的當下，這一舉措已刻不容緩。
IT之家注意到，該研究成果已發表於《材料研究學會・能源與可持續性》（MRS Energy and Sustainability）期刊。
