在电影《焚城》中，有关电子垃圾的不当处置及泄漏产生的危害震惊了公众。这些电子垃圾往往蕴含大量有毒物质，不仅对地球生态构成严重破坏，更对人们的生命健康构成了巨大威胁。因此，加强对电子垃圾处置的关注和监管刻不容缓。在数字化时代，AI 特别是生成式 AI（GAI，Generative Artificial Intelligence）在文本、图像、视频等内容生成上展现出的巨大潜力，其正以前所未有的速度重塑人们的生活和工作方式。然而，该技术背后却隐藏的资源环境代价，特别是与 GAI 相关的电子废物（e-waste）问题，却鲜少受到关注。最近，中国科学院城市环境研究所与英国剑桥大学、以色列瑞赫曼大学团队合作，基于“服务-算力-算法-芯片”框架，开发了一种称为“算力物质流”的新方法，量化解析了 GAI 的硬件需求及其产生的电子废物挑战，并识别评估了相关循环经济措施及其影响。研究结果显示，如果不采取任何减少电子废物的措施，GAI 将在 2023 年至 2030 年累积产生 120 万至 500 万吨电子废物。随着 AI 技术的不断进步，电子废物问题将成为人们不得不面对的挑战。通过实施循环经济策略，不仅可节约资源、保护环境、减少电子废物的产生，还同时为经济发展创造了新的机会。该研究不仅为 AI 领域的可持续发展提供了新的视角，也为全球电子废物管理和循环经济策略的制定提供了科学依据。图丨人工智能需求-算法-算力-硬件关联的物质流核算方法（来源：Nature Computational Science）审稿人对该论文评价称，“AI 发展导致的电子废物这个议题鲜少被关注。该研究通过量化分析方法，为该填补研究领域认识缺口做出了宝贵贡献，研究不但揭示了该问题的严重性，并为未来的实际解决方案提供了指导。”另一位审稿人指出，“算力物质流”方法的显著的意义在于，能够定量测算 AI 算力需求与底层硬件发展的关联影响，突破传统方法的单一解析思路，从而实现更为系统的解析测算。其认为，这项工作为可持续的 GAI 发展提供了关键方法，具有广阔应用前景。该论文主要由中国科学院城市环境研究所汪鹏研究员、张凌宇同学、该单位陈伟强研究员和剑桥大学/瑞赫曼大学阿萨夫·察科尔（Asaf Tzachor）博士合作完成。图丨相关论文（来源：Nature Computational Science）该论文领衔作者汪鹏在澳大利亚新南威尔士大学制造工程及管理专业获得博士学位，并继续在该校可持续制造及生命周期工程实验室从事博士后研究，之后归国加入中国科学院城市环境研究所，持续开展研究工作。长期以来，他专注于新兴技术背后的资源环境影响及其管理措施研究，特别是在锂电池、光伏和风电等新能源技术影响和分析方面进行深入研究。这项研究的灵感源自于一次观看反腐纪录片《永远冲锋号》的经历，其中提到了“比特币挖矿”所引发的电子垃圾问题。那一刻，一个研究构想瞬间出现在汪鹏脑海中：当前迅猛发展的 GAI 技术背后资源环境代价会是怎样的呢？目前，AI 技术正处于高速发展时期，虽然很多人已关注到该技术在算法、碳排放和能源消耗方面的挑战，但其背后更深层次的物质资源消耗及其环境代价尚未受到关注。汪鹏解释说道：“日常使用生成式 AI 如 GPT 看似在数字世界进行交互，其背后也需要物理世界的物质资源作为基础，我们对 AI 的资源环境影响应该做到‘有迹可循’。”然而，寻找 AI 在物理世界的“痕迹”，即如何用科学方法量化 GAI 的硬件需求及其所产生的电子废物，是该课题组面临的首要挑战。·首先，如何全面准确估算 GAI 未来发展的态势及相关关键硬件如图形处理器（GPU ，Graphics Processing Unit）的技术进步趋势，以及不同国家的差异是怎样的？·其次，如何将日常的 GAI 服务（如利用 GPT 来处理文字）转化为硬件需求，即如何实现 GAI 服务、算法、算力以及硬件的关联解析？·最后，如何解析 AI 硬件的运营情况及使用寿命等情况，实现对电子废弃物估算及其循环利用措施的识别？通过大量的文献调研及企业专家访谈，研究团队发现，现有模型和方法根本无法直接解决上述问题。因此，研究人员决定在方法论上“从零开始”，建构新的量化方法体系。该课题组以往对能源-金属关联研究领域的研究基础，提供了相关思路和理论框架。具体来说，他们基于以往开发“能源需求-技术设施-关键部件-金属循环”，提出了 AI“服务-算力-算法-芯片”的量化框架，进而成功地实现了 GAI 服务与 AI 硬件的关联和解离，支撑了对 AI 资源环境代价的精准测量。针对未来 AI 的发展和算力需求，该课题组收集了来自学术界和业界的多种推演和专家观点，但这些预测存在很大差异，从极端乐观到过于保守。为了确保研究的严谨性，他们将所有相关信息整合并引用在文献中，并构建了三种不同的未来增长前景模型，分别是：激进型、中等型和保守型。例如，如果 AI 服务覆盖广泛，可能会采取更激进的增长预测；像 TikTok 这样局部快速传播的服务，可能增长速度较快；而专业领域的服务，则可能增长较慢。“尽管做了多种情景预测，AI 未来发展态势仍然充满了太多不确定性，同时 AI 芯片及硬件效率也在不断提升，因此我们的预测是有很多前提假设的。为此，建议开展 AI 电子废物的监测及定期的预测更新，用来更加准确指导废弃物管理。”汪鹏表示。图丨当没有进行进一步处理时，从 2020 至 2030 年每季度产生的电子废物（来源：Nature Computational Science）特别是，在一次对某影像软件公司访谈中，研究团队受到企业按所需算力采购芯片和设备策略的启发，决定以英伟达 DGX H100 为标准量化单元，进而推演中央处理器（CPU，Central Processing Unit）、存储器、不间断电源等硬件需求，并以此推算电子废物的报废量。汪鹏表示，这项研究涉及跨学科的知识整合和消化，构建整体框架实现跨学科交流也是一大挑战。据联合国机构发布的《2024 年全球电子垃圾监测》报告 [2]，2022 年全球产生了 6200 万吨电子垃圾，相比 2010 年增长了 82%。然而，只有 22.3% 的电子垃圾被妥善收集和回收。需要了解的是，联合国机构发布的全球电子废弃物管理的数据，是以传统电子废物为统计对象，目前其尚未将 AI 及数据中心产生的电子废物纳入到监测和评估体系范围内。汪鹏表示：“在我们的研究发布后，上述报告的领衔作者专门点评我们研究的首创性及重要价值。对此，我们备受鼓舞，并建议由 AI 产生的电子废物问题应尽早纳入全球电子废物监测网络范畴中，以便在全球范围内定期评估、分析并监管其潜在影响，行动时机将会特别重要。”汪鹏说：“我们开展预防性或前瞻性研究遵循基本原则是：了解得越早，行动得越早，获得的收益也越大。”例如，在塑料污染问题和电动车电池问题，由于技术发展早期缺乏有效的预防和管理措施，现在变得难以控制。而 AI 技术也存在这样的问题。面对这一挑战，研究团队针对性提出了循环经济策略，旨在通过减少、再利用、修复和回收数据中心的过时设备，来减少电子废物的产生。除了硬件之外，在服务层面对 AI 消费的增长进行适当引导，同时在算法开发阶段降低模型的算力需求，极为重要。汪鹏指出，相关措施越靠近源头，其效果越发显著。比如，在算法层次进行优化不仅能减少能耗和成本，还能带来巨大的整体效益。图丨人工智能服务器不同生命周期阶段的循环经济策略（来源：Nature Computational Science）因此该研究提到，需要在 AI 低算力模型和算法的开发上加大投入，以促进技术进步和商业化应用。尽管目前低计算力的 AI 模型和算法的选择有限，但这些研究对于 AI 的可持续发展至关重要。一方面，随着技术进步，先进芯片能以更少的硬件资源消耗实现更高性能，进而会大幅减少对物质资源消耗。然而，受到地缘政治的影响，某些国家级企业限制出口高端芯片，这将导致电子废物的增加。另一方面，电子废弃物末端处置回收是循环经济中不可忽视的一环。这些废弃物中含有丰富的高价值金属资源，但也含有很多有害物质。因此，厂商需要确保所有材料得到妥善处理，避免引发严峻的二次污染问题。论文指出，当前电子废物多从发达国家流向发展中及落后国家进行处置回收，然而这些国家往往缺乏先进的处置技术，这将会引起更为严峻的环境污染。特别是，AI 废弃物多分布在北美、欧洲等发达地区，警惕废物的跨国转移尤为重要。因此，对电子废物的处理和产业行为进行严格监管，是确保环境安全和资源可持续利用的关键。研究显示，实施这些循环经济策略可减少 16% 至 86% 的电子废物产生。其中，延长硬件使用寿命和模块重用策略最为有效，分别可以减少 62% 和 42% 的过时 AI 服务器产生的电子废物。该论文发表之后，迅速得到全球 100 多家媒体的报道以及相关同行的点评。其中，美国加州大学河滨分校任绍磊（Shaolei Ren）副教授点评道：“研究利用目前最全的公开数据和科学严谨的方法，实现对 AI 细分技术领域电子废弃物的估算。尽管硬件估算挑战性很大，我认为论文量化结果能反映出 AI 的电子废物的挑战，并应该得到广泛关注。”“我们的研究仅仅是一个开始。”汪鹏说。在下一阶段的研究工作中，他们将构建全球合作网络，深入研究每个数据中心、模型和国家的不同架构及其影响，并进行详细分析和量化研究。同时，还将聚焦于政策实时和监管策略，探讨如何在全球治理中体现循环经济和可持续发展措施，倡导全球性的治理行动，并为政府和企业提供政策建议和咨询服务，以落实循环经济的具体措施。“我们的目标是将循环经济的理念转化为实际行动，解决电子废物处理的问题，并促进相关技术的发展和应用。”汪鹏说道。参考资料：
1.Wang, P., Zhang, LY., Tzachor, A. et al. E-waste challenges of generative artificial intelligence. Nature Computational Science (2024). https://doi.org/10.1038/s43588-024-00712-6
2.https://www.itu.int/en/ITU-D/Environment/Pages/Publications/The-Global-E-waste-Monitor-2024.aspx
3.https://sciencemediacentre.es/en/generative-ai-expansion-could-create-five-million-tonnes-e-waste
运营/排版：何晨龙
