李強總理在今年兩會政府工作報告中指出，協同推進降碳減污擴綠增長，加快經濟社會發展全面綠色轉型，要求開展碳排放統計核算，建立產品碳足跡管理體系、碳標識認證制度。同時，強調持續推進“人工智能+”行動，支持大模型廣泛應用。而激活數字經濟創新活力，尤其是發展人工智能產業，對算力和能源有著很大需求。如何將深化數據資源開發利用，促進和規范數據跨境流動，優化全國算力資源布局，發展人工智能，與實現資源高效利用與綠色低碳發展統一起來，對此，本報記者專訪了中國國際技術合作促進會副理事長邵春堡。

邵春堡，中國國際技術合作促進會副理事長，曾任中國電信股份公司監事會主席，公共管理學博士。出版了《未來引擎：從科技革命到全新世界》《未來發展：從數智經濟到共享社會》等著作。

中國環境報：人工智能發展依賴大數據、大算力和復雜算法的協同作用，會給能源資源帶來哪些挑戰？

邵春堡：在數字化向智能化升級的過程中，人工智能的作用越來越重要。理論上，隨著數據處理效率的提升，可以降低人工智能單次計算的算力需求和能源消耗。但現實中，由于模型復雜度、數據規模的指數級增長，以及追求更通用的人工智能目標，使得整體算力和能耗需求仍可能持續上升。

要想讓AI大模型的性能更強，就離不開3個關鍵因素：海量數據、強大的計算能力和復雜的算法。“規模決定性能”“大力出奇跡”成為主流思路。OpenAI首席執行官山姆·奧特曼曾提出一項雄心勃勃的計劃，希望籌集7萬億美元建造人工智能芯片工廠。特朗普提出的5000億美元“星際之門”計劃，也遵循了同樣的邏輯——通過大規模投入算力和能源來推動AI發展。

這就導致算力和能源的需求大幅增加。一項研究報告稱，訓練一個大型AI模型的碳排放量相當于5輛汽車整個生命周期的排放量；使用1750億個參數訓練GPT-3消耗了1287兆瓦時的電力，并導致了502噸二氧化碳當量，相當于駕駛112輛汽油動力汽車一年。GPT-3的每日碳足跡有50磅，相當于一年8.4噸二氧化碳。

這揭示了一個核心問題：盡管技術進步提高了效率，但為了實現更強大的AI能力，算力和能源的需求卻在不斷增長。效率提升可能刺激更廣泛的應用場景和更復雜的需求，最終導致資源消耗總量增加。例如，AI芯片能效比10年前提升千倍，但超算中心的能耗卻因算力需求暴增而持續攀升。

我國到2030年智算中心年用電或達 0.6 萬億度—1.3 萬億度，占全社會用電 5%—10%。如何在推動AI發展的同時，平衡能源消耗與可持續發展，將成為未來我們必須面對的重大挑戰。

中國環境報：如何突破人工智能發展面臨的資源環境瓶頸？

邵春堡：在資源能源約束日益加劇的背景下，破解人工智能發展與資源環境之間的矛盾，需要從兩方面入手。

一是推動數據資源的優化配置。就是利用大數據、人工智能、物聯網等技術，提高能源、工業、城市管理等領域的管理水平，優化資源配置，最終實現資源消耗的減量化和利用效率的提升。

二是尋找算法效能的提升路徑。人工智能的爆發式增長帶來了算力需求的指數級攀升，提升算法效能已成為平衡AI技術進步與資源可持續性的關鍵支點。

中國環境報：具體來說，如何推動數據資源的優化配置？

邵春堡：數據資源對物質能源具有替代效應。數據作為新型生產要素，具有可復制、可共享、可再生的特性。例如，在智能制造領域，通過數字孿生技術對生產流程進行全生命周期模擬，可減少實體材料和人工試驗消耗。如某耐火材料廠把各個環節整合到數字孿生體系，極大地提高了生產效率，降低事故率25%，品質率也提高了10%。這種“以虛代實”的模式，能夠直接減少物質資源的開采與能源的浪費。

同時，通過物聯網、大數據、人工智能等數字化技術對資源的流動和使用進行實時監控、分析和優化，從而形成一種高效的資源循環利用模式。以動力電池回收為例，當前我國動力電池規范化回收率不足25%，通過嵌入傳感器與區塊鏈賬本，可實時監控電池健康狀態并精準匹配回收需求，使部分電池回收價值提升3倍。歐洲《電池2030+：歐洲電池研究路線圖》計劃通過智能傳感器與區塊鏈技術結合，實現75%的電池回收率和接近100%的關鍵原材料回收率的目標。這種“數據+物質”的協同循環，讓資源流動從線性消耗轉向閉環再生。

此外，還可以利用平臺經濟實現資源效率革命。通過數字化平臺對資源進行共享和優化配置，打破傳統資源獨占性使用的局限，大幅提高資源利用效率，減少浪費和環境影響。比如，出租車原先的空駛率高達40%，使用滴滴等共享軟件后，空駛率一般不會超過10%。據統計，一輛出租車目前平均每天行駛里程大約400公里，全國150萬輛出租車一年碳排放為4860萬噸。如果能將空駛率下降10％至15％，即每年最多可減少碳排放729萬噸，這相當于三個中等城市一年的碳排放量總和。

中國環境報：在提升算法效能方面，要從哪些方面尋求新的突破？

邵春堡：一要推動算法架構的輕量化革命。優化算法向算力要效率，要重視模型壓縮技術。通過知識蒸餾、參數剪枝、減少計算量等方法，可將模型體積縮小。Deep Seek就展現了其在算法架構技術創新和組織算力上的能力，實現對計算效率的極致優化，在有限算力中挖掘出大模型運算效率的能力。據報道，DeepSeek可將每次查詢所需要的計算能力降低90%。這些改變堪稱效率革命，引領著AI模型發展的新范式。

二要提升訓練范式的效率。其關鍵在于減少數據傳輸和計算的能耗。一種有效的方法是避免將大量數據集中上傳，而是只交換模型參數的更新。此外，通過稀疏計算，只處理那些對模型性能影響最大的重要參數，從而降低計算量。比如，DeepSeek V3 模型通過從 R1 數據中提取高質量的深度思考信息，僅用少量高質量數據就顯著提升了基座模型的邏輯推理能力。這種方法不僅減少了對大量數據標注的依賴，還大幅降低了訓練過程中的能源消耗。

三要推動算法與硬件的協同優化。例如，清華大學研發了全球首顆全系統集成的憶阻器存算一體芯片。在完成相同任務時，這款芯片的能耗僅為傳統先進工藝芯片（ASIC）的3%，但能效卻提升了約75倍。這一突破將極大地推動人工智能、自動駕駛和可穿戴設備等領域的發展。此外，Lightmatter公司推出的Envise芯片用光信號代替傳統的電子傳輸，運行速度比當時最先進的電子芯片快10倍，而能耗僅為后者的15%。這些創新技術不僅大幅提升了計算效率，還顯著降低了能耗，為未來科技發展開辟了新的方向。

四是發展綠色AI評價體系。今年兩會政府工作報告提出要開展碳排放統計核算，建立產品碳足跡管理體系。我們要將“算法碳足跡”也納入其中，測算AI模型在訓練、運行（推理）以及硬件維護等全生命周期中所產生的碳排放。通過這些量化指標，評估AI項目的環境成本，從而推動企業選擇更高效的算法，減少計算量。目前，歐盟已將綠色AI納入《人工智能法案》的合規標準，要求企業從源頭設計高效、低能耗的算法。這種政策倒逼機制，促使企業在開發AI技術時更加注重環保和可持續發展。

中國環境報：推動人工智能實現資源高效利用與綠色低碳發展，您有哪些建議？

邵春堡：在數字化、智能化的過程中，我們要促進AI 與可持續性的良性互動，架設數字文明與生態文明之間的堅實橋梁，構建資源循環的共生生態；開發更節能的 AI 系統，創新更多的 AI 應用，推動可持續發展；加強場景建模和數據收集，支持政策制定和可持續 AI 的發展，讓AI技術進步真正服務于人類永續發展。

在此進程中，需要建立三項核心機制。

一是建立數據資源產權制度，制定數據采集、共享與交易的規則。明確數據的所有權、使用權和經營權，規范數據資源產生和運行的全流程規則，確保各參與方在法律框架內操作，通過建立透明的數據管理流程，保護個人隱私及企業數據權益，同時促進數據要素市場的健康發展。

二是制定算法能效準入標準，將碳排放納入AI研發的硬性約束。從制度上明確要求新研發的算法滿足特定的能量效率最低標準，這將會有效地減少因AI運算能力提升帶來的環境負擔，還能激勵科研人員開發更加綠色高效的算法解決方案，推動信息技術產業向低碳方向轉型。

三是建立跨學科創新平臺，形成材料科學、信息技術與環境工程的深度融合機制。打破傳統學科的界限，通過構建開放的合作網絡，匯集多方智慧和技術資源，催生更多相關性創新成果，促進AI技術發展與資源環境保護相契合，為解決全球性挑戰提供強有力的技術支持。