AI 氣候漂綠報告：74% 科技巨頭的 AI 氣候承諾無法證實

2026 年 2 月 17 日，環保組織 Beyond Fossil Fuels 與反虛假信息組織 Climate Action Against Disinformation（CAAD）聯合發布了一份深具影響力的研究報告。該報告對科技行業關於 AI 氣候效益的 154 項公開聲明進行了系統性審查，結論令人震驚：其中 74%——即超過四分之三——的聲明完全無法通過獨立數據或實證來驗證。更為關鍵的是，研究者在所有消費級生成式 AI 產品中，找不到任何一個已被證實能帶來可量化溫室氣體減排的案例。

這份報告的問世正值一個微妙的時間節點。一方面，全球科技巨頭正以史無前例的速度擴張 AI 基礎設施，2026 年的資本支出預計將達到 6,350 億至 6,650 億美元。另一方面，這些企業的碳排放量在連續數年高速增長後，已遠遠偏離它們自己設定的淨零排放目標。在這個背景下，「AI 可以幫助應對氣候變化」的敘事不僅是一種公關策略，更可能已成為延緩真正氣候行動的障礙。

報告核心發現：一場系統性的敘事操控

Beyond Fossil Fuels 與 CAAD 的研究團隊從公開渠道收集了科技公司、行業組織及政策游說團體在 2023 年至 2026 年初發布的 154 項關於 AI 氣候效益的具體聲明。這些聲明涵蓋了從能源優化到天氣預測、從農業減排到碳捕集等多個領域。研究團隊按照學術標準，對每項聲明的證據基礎進行了分類評估。

報告揭示的最核心問題是概念偷換。科技公司在宣傳 AI 氣候效益時，經常將生成式 AI（Generative AI）與傳統機器學習（Machine Learning）混為一談。它們引用的「成功案例」——例如 Google DeepMind 用 AI 優化數據中心冷卻系統節能 40%，或利用機器學習模型改善電網調度——這些確實存在的成果，幾乎全部來自較舊、較精簡、計算需求遠低於生成式 AI 的傳統機器學習技術。

換句話說，當科技公司告訴公眾「AI 正在幫助應對氣候變化」，然後用這個敘事來為大規模建設生成式 AI 基礎設施辯護時，它們實際上是在用 A 技術的成果來為 B 技術的擴張正名。這就好比一家汽車公司指着電動車的減排數據，來為其擴大燃油車產能做辯護。

生成式 AI 的能源真相

要理解這場漂綠行動的嚴重性，必須正視生成式 AI 的能源消耗規模。根據多項獨立研究，一次標準的 ChatGPT 查詢大約消耗 0.01 千瓦時的電力，這是一次傳統 Google 搜索耗電量的大約 10 倍。對於更複雜的任務——例如生成長篇文本、分析文檔或進行多輪推理——能耗差距可以進一步擴大到 20 至 50 倍。

這些數字在個人層面看似微不足道，但放大到全球數億用戶的規模後，總量極為驚人。ChatGPT 的週活躍用戶數已超過四億，Gemini、Copilot、Claude 等競品也在快速增長。即使按保守估計，全球消費級生成式 AI 的年度電力消耗已達到數十太瓦時（TWh）的量級，相當於一個中等規模國家的總用電量。

更關鍵的是，這僅僅是推理（inference）階段的能耗。在此之前，訓練一個大型語言模型所需的能源更加龐大。GPT-4 級別的模型訓練一次估計消耗數千萬千瓦時電力，而下一代模型的訓練能耗只會更高。科技公司正在競相構建更大的訓練集群——Google 計劃 2026 年資本支出 1,850 億美元，Meta 預計投入超過 650 億美元，Microsoft 也在 800 億美元以上。這些投資的核心就是建設更多、更大、更耗電的數據中心。

「我們分析了所有主要科技公司關於 AI 氣候效益的公開聲明，發現了一個一致的模式：它們用傳統機器學習的真實成果來為生成式 AI 的大規模擴張背書。這不是疏忽，而是一種系統性的敘事策略。」——Beyond Fossil Fuels 研究主管

Colossus 2 事件：漂綠敘事的現實裂痕

如果說 Beyond Fossil Fuels 的報告提供了系統性的數據分析，那麼 xAI 的 Colossus 2 數據中心事件則提供了一個極其生動的個案。Elon Musk 旗下的 xAI 在田納西州孟菲斯建設的 Colossus 2 超級計算中心，被揭發在未獲得許可的情況下安裝了 27 台燃氣渦輪發電機。美國全國有色人種協進會（NAACP）就此提起訴訟，指控 xAI 的非法運營對周邊社區——主要是低收入的非裔美國人社區——的空氣質量造成嚴重影響。

這起事件的諷刺性在於：xAI 和其他科技公司一邊宣稱 AI 將成為應對氣候變化的「超級工具」，一邊卻在建設 AI 基礎設施的過程中，不惜違反環保法規、以化石燃料驅動數據中心。27 台未經許可的燃氣渦輪機代表的不僅是法律違規，更是 AI 行業「氣候友好」敘事的一面照妖鏡。

Colossus 2 的故事並非孤例。在全球範圍內，AI 數據中心的快速擴張正在對電網和環境造成日益顯著的壓力。在愛爾蘭，數據中心已佔全國總用電量的 21%，引發了政府對新數據中心項目的審批限制。在維吉尼亞州北部——全球數據中心最密集的地區——電力需求的激增導致當地電力公司 Dominion Energy 推遲了部分燃煤電廠的退役計劃，直接與該州的清潔能源目標相矛盾。

真正有效的 AI 氣候應用：規模更小、影響更大

然而，完全否定 AI 在氣候領域的價值同樣不公允。問題的核心不在於「AI 能否幫助應對氣候變化」——答案是肯定的——而在於「哪種 AI，以什麼方式，在什麼條件下」。

最具說服力的案例之一來自美國國家海洋暨大氣總署（NOAA）。NOAA 正在部署基於 AI 的天氣預測模型，這些模型在預測精度上已接近甚至超越傳統數值天氣預報模型，但所需的計算資源僅為傳統方法的 0.3%。這意味着相同精度的天氣預報可以用不到三百分之一的計算能耗來實現。這不僅大幅降低了氣象運算本身的碳足跡，更重要的是，更快、更精確的天氣預測能夠改善可再生能源的調度效率——風電和太陽能的產出高度依賴天氣條件，預測越準確，電網運營商就越能有效地整合這些間歇性能源。

類似的成功案例還包括：利用機器學習優化建築能源管理系統，可實現 15-30% 的節能；基於衛星影像和 AI 分析的森林監測系統，能夠在數小時內發現非法砍伐活動；以及 AI 驅動的材料科學研究，正在加速新型電池材料和太陽能電池材料的發現。

值得注意的是，上述所有經過驗證的成功案例都有幾個共同特點：第一，它們使用的是針對特定任務訓練的精簡模型，而非通用大型語言模型；第二，它們的計算需求相對有限，不需要數十億美元的基礎設施投資；第三，它們有明確可測量的環境效益指標。這與科技公司大力推廣的消費級生成式 AI 形成了鮮明對比。

漂綠的政策後果：延緩真正的氣候行動

AI 氣候漂綠的危害遠不止於公關層面的不誠實。當決策者和公眾接受了「AI 將解決氣候問題」的敘事後，這種信念會產生至少三個層面的政策後果。

第一是注意力轉移。當政策討論的焦點集中在 AI 的「潛在」氣候效益時，已經被證實有效的減排措施——如加速可再生能源部署、提高建築能效標準、推動交通電氣化——可能無法獲得足夠的政策支持和資金投入。科技行業的游說團體已經在利用「AI 氣候解決方案」的敘事，試圖影響多國的能源和環境政策制定。

第二是監管寬鬆化。如果監管機構接受了 AI 是氣候解決方案的前提，就可能對數據中心的碳排放和能源消耗採取更寬鬆的態度。事實上，在美國，多個州已經在考慮為 AI 數據中心提供特殊的環評豁免或能源使用優待——理由正是「AI 的長期氣候效益將超過短期環境成本」。這種未經驗證的假設正在被轉化為現實的政策。

第三是碳排放的系統性低估。目前，大多數科技公司的碳排放報告都不包含上游供應鏈（範疇三排放）的完整數據，而 AI 晶片的製造過程——從半導體製造到封裝測試——本身就有極高的碳強度。此外，雲服務模式使得終端用戶很容易忽略其 AI 使用的環境成本。一家企業使用 ChatGPT API 處理業務，其碳排放在帳面上為零，但實際環境成本已經轉嫁到了數據中心的所在地。

「真正的問題不是 AI 能否幫助應對氣候變化，而是科技行業正在用未來的假設性效益，為當下的確定性排放增長做辯護。這是一種經典的『先污染再治理』邏輯，只不過穿上了高科技的外衣。」

6,350 億美元的矛盾：投資規模與氣候目標的根本衝突

2026 年，全球科技巨頭在 AI 基礎設施上的資本支出預計將達到 6,350 億至 6,650 億美元。這個數字本身就構成了對「AI 助力氣候」敘事的最有力反駁。這些投資的絕大部分將用於建設新的數據中心、採購 GPU 和 TPU、以及擴展電力基礎設施。每一座新建的數據中心都意味着數十年的能源消耗承諾——一個超大規模數據中心的設計壽命通常為 20 至 30 年。

更令人擔憂的是電力來源結構。儘管科技公司紛紛宣布購買可再生能源證書（REC）或簽署電力購買協議（PPA），但在許多數據中心密集地區，實際供電仍然大量依賴化石燃料。美國維吉尼亞州、德克薩斯州和中西部地區的大型數據中心集群，其邊際電力供應很大程度上來自天然氣發電。科技公司在遠方購買的風電或太陽能證書，無法改變其數據中心實際接入的電網的碳強度。

xAI 的 Colossus 2 事件是這一結構性矛盾的極端表現，但絕非唯一案例。在全球範圍內，為了滿足 AI 數據中心的迫切電力需求，多地出現了燃煤電廠延遲退役、天然氣電廠加速審批的現象。國際能源署（IEA）的預測顯示，到 2028 年，全球數據中心的電力消耗將較 2023 年翻倍，AI 工作負載是增長的主要驅動力。

前進的路：透明度、問責與精準化

面對 AI 氣候漂綠的問題，解決方案不是拒絕 AI，而是建立一套嚴格的透明度和問責框架。

首先，必須要求科技公司對其 AI 氣候效益聲明提供可獨立驗證的數據。任何關於 AI 減排效果的聲明，都應附帶完整的方法論說明、基準比較和第三方審計結果。模糊的「潛力」和「可能性」不應被視為有效的政策依據。

其次，需要區分不同類型的 AI 技術。傳統機器學習在特定應用場景下的氣候效益已有充分實證，但這些成果不能被用來為計算需求高出數個數量級的生成式 AI 辯護。政策制定者在評估 AI 氣候政策時，應明確區分針對特定任務的精簡 AI 模型和通用大型語言模型。

第三，數據中心的碳排放報告必須更加全面和透明。應要求科技公司報告其數據中心的實際碳強度（而非僅報告購買的可再生能源證書），並將上游供應鏈排放和用戶端排放納入披露範圍。歐盟正在推動的企業永續發展報告指令（CSRD）在這方面提供了一個值得借鑑的框架。

第四，真正有效的 AI 氣候應用——如 NOAA 的天氣預測模型——應獲得更多的公共研究資金和政策支持。這些應用通常不需要巨額商業投資，但需要領域專業知識和長期研發承諾。將公共資源引導到這些經過驗證的應用方向，遠比寄望於商業生成式 AI 的「溢出效應」更為有效。

對香港與亞太地區的啟示

這份報告的發現對於正在制定 AI 發展策略的亞太地區經濟體尤為重要。香港特區政府在 2025 年施政報告中提出了建設「AI 超算中心」的計劃，而大灣區多個城市也在積極引進數據中心項目。在這個過程中，如何避免重蹈歐美的覆轍——在追求 AI 算力的同時忽視環境成本——是一個需要審慎考量的問題。

具體而言，香港可以採取以下策略：在批准數據中心項目時，要求開發商提供全生命週期碳排放評估；優先支持那些計算效率高、環境效益可量化的 AI 應用研究（如天氣預報、建築節能、交通優化等精簡模型）；對科技公司在本地市場發布的 AI 氣候效益聲明實施與其他環保聲明相同的廣告標準和真實性審查；以及在制定長期能源規劃時，將 AI 數據中心的電力需求增長納入情景分析。

更根本的啟示是：技術不是中立的，技術的環境影響取決於其部署方式和治理框架。AI 可以是應對氣候變化的有力工具，但前提是我們能夠區分真正的解決方案與精心包裝的敘事。Beyond Fossil Fuels 與 CAAD 的報告為這種區分提供了一個重要的起點——在 154 項聲明中，74% 無法驗證，0 項消費級 GenAI 減排實證。這些數字本身就是最有力的論述。