使用大语言模型编写代码的环境影响

摘要

1) 一句话总结

本文量化了使用大语言模型（特别是编程智能体）的能耗、碳排放与水资源消耗，指出其个人层面的环境影响相对较小，强调应通过集体行动和政策干预来应对系统性的气候变化及局部电网压力。

2) 关键要点

单次提示能耗低：单次 LLM 查询的能耗极低（中位数约 0.3 至 3 瓦时）。
编程智能体能耗：重度使用编程智能体（如 Claude Code）每天约消耗 1,300 瓦时电量，约占美国人均日用电量的 3.7%。
碳排放量化：每天 1,300 瓦时的用电量约产生 715 克二氧化碳排放，占普通美国人每日碳足迹的 1.6%。
碳排放横向对比：使用编程智能体 1 天的碳排放（约 700 克）等同于淋浴 5 分钟，远低于驾驶燃油车 5 英里（1,500 克）或吃一个牛肉汉堡（5,000 克）。
水资源消耗：全天使用编程智能体约消耗 6.5 升水，仅占美国人均每日水足迹的 0.4%，不会直接加剧气候变化。
局部影响大于全球影响：数据中心占全球电力需求比例较小，但其环境影响（能耗与水耗）高度局部化。
倡导系统性解决方案：应对气候变化需要集体行动（如征收碳税、实行总量控制与交易制度、补贴新能源），而非仅依赖个人精确计算碳足迹。
个人行动建议：在个人层面，减少肉类和奶制品摄入比担忧 LLM 的气候影响更有效；更重要的是向政府和决策机构施压以推动系统性改变。

3) 风险与缺口

数据透明度缺口：AI 公司目前缺乏公开、详细的能源消耗和碳排放数据。
局部电网风险：由于数据中心在全球分布极不均匀，存在对局部电网造成严重压力的风险。
政策与合作缺口：现实中缺乏应对温室气体排放的大规模国际合作和系统性解决方案（如统一的碳税）。

正文

过去一年里，关于大语言模型（LLM）的讨论不绝于耳。除了工作替代、知识产权和道德风险外，人们最关心的往往是其对环境的影响。

简而言之：LLM 的环境影响本质上是一个气候变化问题。虽然个人使用 LLM 带来的影响相对较小，且气候变化最理想的解决途径是集体行动（如税收、补贴和监管），但在系统性解决方案短期内无法实现的情况下，了解特定活动（包括使用 LLM）的相对环境影响依然具有重要意义。

单次 LLM 提示的能耗

在探讨 LLM 的能耗时，数据科学家 Hannah Ritchie 的观点很有参考价值：这确实值得关注，但许多新闻标题存在误导性。

数据中心目前仅占全球电力需求的一小部分，且到 2030 年前在全球电力增长中的占比预计也很小。然而，由于数据中心在全球分布极不均匀，这会带来严重的局部问题——即使对总能源需求影响不大，也会对局部电网造成严重压力。

对于个人用户，Ritchie 建议“不要过度担忧 LLM 的能源和碳足迹”。人们常认为 ChatGPT 是“电老虎”，是因为有说法称其能耗是谷歌搜索的 10 倍。但需要结合语境：谷歌搜索的能耗微乎其微，即使是其 10 倍（通常被认为是 3 瓦时，甚至中位数可能仅为 0.3 瓦时），依然是一个极小的数字。尽管 AI 公司的详细能源数据依然匮乏，但这种以数据为导向的视角有助于我们客观看待问题。

编程智能体的能耗

个人 LLM 提示词的能耗通常基于“中位数查询”，但使用编程智能体（如 Claude Code、Codex 等）在代码库中导航并生成大量代码，其使用量显然远超中位数。

据估计，重度使用 Claude Code 每天大约会消耗 1,300 瓦时的电量。这远高于普通查询的 0.3 到 3 瓦时。如果以美国人均日发电量（基于年均 12,712 千瓦时计算）为基准，1,300 瓦时大约占美国人平均每日用电量的 3.7%。增加近 4% 的用电量并非微不足道，但它的实际破坏力有多大？

编程智能体的气候影响

相比于单纯的用电量，能源消耗对气候的负面影响更令人担忧。

假设美国每瓦时电量排放 0.37 克二氧化碳，且数据中心的碳排放强度比普通发电厂高出 48%，那么每天 1,300 瓦时的编程智能体使用量，大约会产生 715 克的二氧化碳排放。美国人均每日碳足迹约为 44.7 千克，因此这 715 克的排放量大约占普通美国人每日碳足迹的 1.6%。这个比例虽然不大，但确实是可衡量的。

为了更好地理解这一数据，我们可以将其与其他日常活动的二氧化碳当量（CO₂e）排放进行粗略对比（数据存在误差范围，仅供数量级参考）：

观看一小时 Netflix：50 克 CO₂e
一根香蕉：80 克 CO₂e
使用一小时 Zoom：100 克 CO₂e
半杯豆腐：300 克 CO₂e
半杯（全脂）希腊酸奶：400 克 CO₂e
驾驶电动汽车行驶 5 英里：500 克 CO₂e
使用编程智能体 1 天：700 克 CO₂e
淋浴 5 分钟：700 克 CO₂e
驾驶燃油车行驶 5 英里：1,500 克 CO₂e
一个牛肉汉堡：5,000 克 CO₂e
从圣地亚哥飞往芝加哥（单程）：400,000 克 CO₂e

这并不是在用“吃牛肉更破坏环境”来为 LLM 开脱（那属于“比烂”逻辑），而是强调我们在讨论任何活动的碳排放时，都不应脱离实际的生活语境。

水资源消耗

相比于能耗，LLM 的水资源消耗问题相对次要。一次中位数 LLM 查询大约消耗 2 毫升水（如果排除异地发电耗水，则仅为 0.3 毫升）。这意味着全天使用编程智能体大约会消耗 6.5 升水。

普通美国人每天的水足迹约为 1,600 升，这 6.5 升水（主要来自发电所需的水）仅占其每日水足迹的 0.4% 左右。与能源使用一样，水资源消耗也是一个高度局部化的问题，但它不会直接加剧气候变化。虽然值得讨论，但编程智能体的气候影响显然更令人担忧。

应对气候变化需要集体行动

LLM 最大的环境隐患在于其对气候变化的推波助澜。

气候变化是一个需要集体行动解决的问题。在理想情况下，应对温室气体排放这种负外部性问题，最好的方法是征收碳税或实行总量控制与交易制度。然而，在缺乏大规模国际合作（尤其是在美国）和系统性解决方案（如统一的碳税）的现实背景下，公众对“什么是大问题、什么是小问题”的普遍认知，将直接塑造我们的应对方式——无论是作为个人、消费者、企业员工，还是向政府施压的公民。

我们不能指望个人在采取每一次行动时都去精确计算气候影响，也不能奢望企业自动良心发现。但是，建立对各种气候问题的相对影响的共识，能够影响资金流向、研究重点和监管方向。将数据置于具体语境中，有助于我们开展更有意义的对话，并更有效地集中我们的集体力量。

全局与局部，个人与集体

我们可以从两个角度来看待这个问题：温室气体排放导致的全球性气候变化，以及数据中心造成的局部影响。

针对全球气候变化，我们应该：

施压 LLM 开发公司，要求其公布详细的碳排放数据。
施压政客，要求对温室气体排放征税，或至少对产生排放的活动征税以达到类似碳税的效果。
施压政客，要求补贴能降低排放的活动（如增加电网中太阳能和电池技术的应用）。
积极讨论气候变化，并鼓励同事和亲友参与讨论。

针对 AI 数据中心，关注其对局部电网的影响比关注其全球影响更有意义。数据中心分布极不均匀，这使得它们的局部影响远大于全球影响（这类似于养猪场的废料池对周边社区造成的严重困扰）。

在个人层面上，与其过度担忧使用 LLM 编程智能体带来的气候影响，不如少吃肉类和奶制品。但比这两者更重要的是，我们需要与身边的人进行坦诚的交流，并向政府代表施压以采取实际行动。

人们习惯于通过个人行动的视角来看待系统性问题。然而，系统性问题需要系统性的解决方案。如果你对 LLM 的环境影响感到担忧，请将这份精力引向那些真正有能力改变这些系统的决策者和机构。

wsl-docs

探索