環(huán)球零碳

碳中和領域的《新青年》

首圖來源：Paxibay

撰文 | Bell

編輯 | 小瀾

→這是《環(huán)球零碳》的1783篇原創(chuàng)

從流暢對話的聊天機器人到即時生成的創(chuàng)意圖像，我們的生活如今已經(jīng)離不開AI。

然而，每一次智能交互的背后，都伴隨著包括電力與水資源在內(nèi)的巨大能源消耗——而目前大部分數(shù)據(jù)中心的電力仍依賴化石燃料。

這不僅推高了全球碳排放，更伴隨著服務器因持續(xù)高熱作業(yè)而加速老化，形成了一種“效率下降—能耗上升—排放加劇”的循環(huán)。

面對這一全球性緊迫挑戰(zhàn)，加州大學河濱分校的研究團隊開發(fā)出了一套名為“聯(lián)邦碳智能（FCI）”的系統(tǒng)。

該系統(tǒng)不僅有望將AI推理任務產(chǎn)生的碳排放大幅降低45%，還能將服務器集群的使用壽命平均延長約1.6年。

圖說：面向可持續(xù)人工智能的聯(lián)邦碳智能：跨異構硬件集群的實時優(yōu)化

來源：https://doi.org/10.1557/s43581-025-00146-1

值得關注的是，與當前僅將計算任務轉(zhuǎn)移至能源更清潔時段的方法不同，F(xiàn)CI更進一步。

它通過整合環(huán)境數(shù)據(jù)與每臺服務器的實時物理狀態(tài)信息，能夠動態(tài)地將推理任務分配給最合適的硬件節(jié)點，從而實現(xiàn)能效與硬件健康度的雙重優(yōu)化。

該研究成果近期發(fā)表于權威期刊《MRS能源與可持續(xù)性》，試圖勾勒出一個更聰明、更綠色的AI未來。

當前主流的數(shù)據(jù)中心智慧調(diào)度系統(tǒng)——“碳感知”調(diào)度系統(tǒng)主要關注電網(wǎng)碳強度，主要目標是將計算任務安排在電網(wǎng)清潔能源充沛（如風力、太陽能發(fā)電高峰）的時間或地區(qū)進行。

這就像在電價低的夜晚使用洗衣機，確實有效，但忽略了硬件老化對能效和碳排放的長期影響。

因為服務器并非永葆青春的機器，在持續(xù)高強度運算下，硬件性能會因熱應力、老化和故障累積而逐漸下降，導致完成同樣推理任務需要耗費更多電力，產(chǎn)生更多熱量和排放。

圖說：FCI系統(tǒng)與現(xiàn)有調(diào)度系統(tǒng)比較

來源：《環(huán)球零碳》制圖

以往的系統(tǒng)大多忽視了這臺“機器”自身的健康狀況，只關心外部“電力”是否綠色。

而加州大學河濱分校的米赫里·奧茲坎和陳吉茲·奧茲坎教授夫婦領導的團隊正是洞察到了這一盲點。

他們創(chuàng)造性地將“硬件健康”與“電網(wǎng)碳強度”置于同等重要的地位，設計了一套名為“聯(lián)邦碳智能（FCI）”的實時大腦。

這套系統(tǒng)的智慧，在于其三大感知層構成的“閉環(huán)思維”。

首先，它通過一個名為“AI硬件健康狀態(tài)（SoH-AI）”的指標，持續(xù)為每臺服務器“把脈”，監(jiān)測其因溫度和負載累積導致的“衰老”程度。

其次，它可以實時接入全球電網(wǎng)的碳強度數(shù)據(jù)流，清晰掌握不同地區(qū)、不同時刻電力的“清潔度”。

最后，它還會深入了解每個AI任務的具體需求：如延遲容忍度、批處理大小、模型精度靈活性等工作負載數(shù)據(jù)。

圖說：聯(lián)邦碳智能（FCI）三層架構

來源：https://doi.org/10.1557/s43581-025-00146-1

基于這三重感知，F(xiàn)CI系統(tǒng)就可以開始扮演最高效的“調(diào)度指揮官”。

它不再僅僅尋找最綠的電力，而是綜合計算：如果將這個任務分配給那臺雖然地處綠電區(qū)域但已“年老體衰”的服務器，雖然電力清潔，但機器效率低下，總排放可能反而更高。

或者，另一臺服務器雖地處碳排放稍高的電網(wǎng)，但正值“壯年”且散熱良好，總體碳足跡可能更優(yōu)。

通過避免使用已經(jīng)超負荷運轉(zhuǎn)或性能下降的機器，F(xiàn)CI 可以防止故障發(fā)生，并減少對高能耗、高耗水冷卻的需求。

研究人員表示，F(xiàn)CI是首個將實時碳信號與硬件健康遙測深度融合的聯(lián)邦調(diào)度框架。

其目標就是在滿足任務速度要求的前提下，找到這個碳排放與硬件損耗總和最低的“最優(yōu)解”。

為了驗證這一構想，研究團隊構建了一個高度仿真的數(shù)字世界：一個由1000臺異構AI加速器（包括頂尖的Cerebras晶圓級引擎、英偉達A100/H100 GPU和谷歌TPUv5i芯片）組成的全球分布式集群，并模擬了該集群在五年部署周期內(nèi)的運行情況。

他們將FCI與幾種現(xiàn)有策略進行對比：完全無優(yōu)化的靜態(tài)分配、僅考慮電網(wǎng)碳強度的調(diào)度、以及僅考慮硬件健康的調(diào)度。

結果令人振奮：與靜態(tài)基線相比，僅碳感知策略能減少約22%的碳排放，僅老化感知策略能減少約28%，而將二者深度融合的FCI框架，實現(xiàn)了高達45%的累計減排。

圖說：四種推理調(diào)度策略在五年部署期內(nèi)的累計排放量

來源：https://doi.org/10.1557/s43581-025-00146-1

更妙的是，通過避免將重負載持續(xù)壓給已老化的機器，F(xiàn)CI將整個服務器集群的平均使用壽命延長了1.6年。

這種雙管齊下的策略——更清潔的能源利用和更智能的硬件管理——彌補了當今可持續(xù)發(fā)展戰(zhàn)略中的一個重大缺口。

雖然大多數(shù)努力都強調(diào)可再生能源，但奧茲坎夫婦指出，更換老舊服務器本身也會帶來碳排放成本。

服務器制造會產(chǎn)生大量的隱性排放。FCI 通過延長硬件壽命，減少了生產(chǎn)新機器所帶來的隱性環(huán)境負擔。

圖說：可持續(xù)性性能雷達圖比較了四種人工智能推理調(diào)度策略

來源：https://doi.org/10.1557/s43581-025-00146-1

不過，該系統(tǒng)在現(xiàn)階段也面臨一定挑戰(zhàn)：當系統(tǒng)過于激進地規(guī)避高碳或老舊節(jié)點時，可能會將任務發(fā)送到更遠或更慢的服務器，導致響應延遲增加。

因此，F(xiàn)CI最適合對延遲要求不高的推理工作負載，例如LLM批量處理、圖像識別等任務，這類工作負載的調(diào)度決策可以容忍亞秒級的調(diào)整。

同時研究人員也表示，F(xiàn)CI的強化學習大腦能夠?qū)W習這種權衡，根據(jù)任務對延遲的容忍度動態(tài)調(diào)整策略。

對于那些對分秒必爭的實時交互，它可以適度放寬碳約束；而對于可以排隊處理的批量任務，則可以大膽追求極致低碳。

這種靈活性，使得它能夠適配從要求嚴苛的在線推理到后臺模型訓練的各類AI工作負載。

研究人員表示，下一步是與云服務提供商合作，在真實的數(shù)據(jù)中心測試FCI。

日益增長的數(shù)據(jù)中心消耗的電力已經(jīng)超過包括瑞典在內(nèi)的一些國家的電力消耗量。

“人工智能的發(fā)展速度超過了支撐它的能源系統(tǒng)的發(fā)展速度，” 陳吉茲·奧茲坎說道?！癋CI框架表明，實現(xiàn)與氣候相適應的計算是可行的——而且不會犧牲工作性能?！?/p>

未來，F(xiàn)CI框架還可以進行擴展，集成電網(wǎng)碳強度預報，實現(xiàn)前瞻性調(diào)度；同時還可以納入前瞻性環(huán)境目標，支持基于科學碳目標（SBTi）的碳預算管理。

FCI標志著AI基礎設施從 “性能優(yōu)先”向“可持續(xù)性優(yōu)先” 的范式轉(zhuǎn)變。

通過將碳排放和硬件健康嵌入調(diào)度核心，F(xiàn)CI使可持續(xù)性成為AI系統(tǒng)的內(nèi)生行為，而非外部約束，為實現(xiàn)氣候友好型、自優(yōu)化的AI基礎設施奠定了基礎。

Reference：

[1]https://link.springer.com/article/10.1557/s43581-025-00146-1

[2]https://news.ucr.edu/articles/2025/11/20/smarter-ai-processing-cleaner-air

[3]https://interestingengineering.com/energy/artificial-intelligence-tool-cuts-emissions

熱門閱讀

（點擊圖片跳轉(zhuǎn)閱讀）