同一个AI请求，德州碳排放是瑞典的8.5倍

当你在聊天框里输入一句话，AI 回答所需的电力可能来自德州煤电厂，也可能来自瑞典的水电站——同一个请求，碳排放相差 8.5 倍。这个来自 Hacker News 的讨论标题，揭开了一个被「云端」叙事遮蔽的事实：AI 的碳足迹不取决于模型本身，而取决于它跑在哪张电网上。

算力无国界，碳排有属地

云服务让计算看起来「无处不在」，但物理世界里的 GPU 始终插在某个具体电网的插座上。同一块 H100、同一个推理请求、同样的输出 token 数，耗电量基本一致；真正拉开差距的，是每度电背后的碳强度。

德州电网（ERCOT）以天然气和煤电为主，还叠加了页岩油气产业伴生的排放；瑞典电网则以水电和核电为骨架，碳强度长期处于欧洲最低梯队。8.5 倍的倍数并非来自算法差异，而是能源结构的直接映射。

这也意味着，AI 公司宣称的「碳中和数据中心」如果依赖购买碳信用或年度匹配，而非就地使用清洁电力，其减排效果可能被地理套利稀释——电是一样的电，账单却记在了别处。

为什么这个倍数值得认真对待

单次推理的碳排放或许微不足道，但乘以每天数十亿次调用，量级就完全不同。更关键的是，它揭示了一个可操作的杠杆：把负载调度到低碳电网，比等待模型架构革命更快见效。

据 Hacker News 讨论中的观点，这种「碳感知调度」（carbon-aware scheduling）在批处理任务上尤其可行——训练任务、离线推理、数据预处理都可以延迟数小时，等待风光出力高峰。难点在于延迟敏感型服务：用户不会为了等瑞典的风电而多转三秒圈。

另一个被低估的因素是电网的边际碳强度。平均碳强度掩盖了「新增一瓦负载究竟触发哪种电源」的问题。在德州，夜间新增负载可能主要由天然气承担；在瑞典，则大概率由水电或核电余量承接。用平均值为 AI 的碳账本背书，容易低估真实影响。

边际碳强度与平均碳强度的区别，是理解 AI 碳账本的关键。平均碳强度是某段时间内电网总排放除以总发电量，反映的是「历史平均」；边际碳强度问的是「如果此刻多消耗一瓦，电网会多烧多少燃料、多排多少碳」。两者的差异在含煤、气、风、光混合的电网中尤其显著：白天光伏大发时边际机组可能是燃气调峰，深夜风电过剩时边际排放可能极低。学术研究通常用「边际排放因子」（MEF）或「平均排放因子」（AEF）来区分两种口径。对于新增的数据中心负载，用 MEF 更接近真实影响；而年度报告中的「100% 可再生能源匹配」往往基于 AEF 加证书，容易系统性低估。这也是为什么碳感知调度需要小时级甚至五分钟级的电网信号，而非年度平均值。

多云策略的新维度：碳

对企业来说，这个 8.5 倍差距提供了一个此前未被充分纳入的选型维度。过去选云厂商看价格、延迟、合规；现在「碳」正在成为第四张评分表。

具体做法可以分三层。第一层是区域选择：把非实时负载放到低碳区域，哪怕跨大洲传输，数据搬运的能耗通常远小于算力本身的能耗。第二层是时间选择：利用电网碳强度预测 API，把可延迟任务排在清洁电力富余时段。第三层是采购透明化：要求云厂商提供小时级、区域级的碳排放数据，而不是年度合并报表。

据单一来源的分析，部分欧洲云区域已经开始提供逐小时的碳强度信号，但覆盖范围和精度参差不齐，跨厂商标准化仍是空白。

碳信用（carbon credit）与年度匹配（annual matching） 是当前企业碳中和声明中最常见的两种机制，也是「地理套利」批评的焦点。碳信用指企业购买经核证的减排量（如植树、沼气项目）来抵消自身排放；年度匹配则指企业一年内购买的绿电证书总量等于其年用电量，但不要求时间或地点对应。问题在于：证书可以在瑞典签发、在德州消费，电网物理上并未因此减少一克碳；且年度匹配允许「夏天用煤电、冬天买风电证书」的时间错配。为此，国际倡议正在推动更严格的「24/7 无碳能源」（24/7 CFE）标准，要求企业按小时、按所在电网匹配清洁电力。对 AI 公司而言，这意味着采购透明化的压力将从「年度总量」升级为「小时级、区域级」的真实对应。

结论：AI 的绿色叙事需要地理课

「同一个请求，8.5 倍碳排」不是要否定 AI 的能效进步，而是提醒整个行业：模型层的优化有天花板，电网层的选择没有。把 AI 的碳足迹当作一个纯技术问题，会错过最容易摘到的果子——把它当作一个地理与调度问题，减排空间立刻变得具体。

对开发者而言，下次部署推理服务时，多看一眼目标区域的电网结构，可能比换一个更小的模型更有效。