物质、能源、信息是人类社会发展中并存的三大资源，它们各自占比的变化反映着社会进步。农业社会物质占比最大；工业社会能源占比最大；数智社会信息占比最大，科技是这些资源变化的底层逻辑，进而改变着不同时代的生产和生活方式。现在的信息资源占比大，是由新型媒介等因素决定的，也由海量数据支撑起来的。农业社会口头符号互应较多，信息传播距离和规模不大，纸张和印刷不占主流；工业社会手写印刷是意符再现，电话电报受区域和层次限制；数智社会来临，在互联网基础上，数字技术特别是人工智能技术的快速发展，数据在赋能，算法在优化，时时处处充满信息，物质和能源占比相对降低，这是有利于资源节约和循环利用的趋势。
一、信息和能源同增的悖论
数字化向智能化升级，人工智能作用更加突显。在数据及其信息资源占比的不断提升中，人工智能所需算力和能源占比本应降低，反而也在提升，这种现象从2023年初开始显现。在人们对AI大模型效果的兴奋中，业界逐渐认为提高大模型性能必须有大数据、大算力、大算法，于是Scaling Low这个规模定律和“大力出奇迹”的口号成为热点。算力消耗规模决定着能源需求规模。Open Ai首席执行官山姆.奥特曼甚至提出筹集7万亿美元合作建造智能计算的芯片工厂，英伟达CEO黄仁勋公开回应，“如果你认为计算机无法发展得更快，我们可能需要14颗行星、3个星系和4个太阳来为这一切提供燃料。其实计算机架构在不断进步。” [1]特朗普上任伊始公布5千亿美元建设星际之门的AI基础设施，大概也遵循同样的逻辑。
数据规模、算法优化与丰富的信息资源相一致。如果人工智能过于消耗算力和能源，就与数字化、智能化、网络化的信息社会形成悖论。可见，数据中心的能源消耗和水资源需求不断增加，是AI 技术发展对资源和环境的严峻挑战。其实，在扩大数据资源，提高数据质量的同时，人们正在从优化算法、硬件创新、系统设计等多层面发力，致力于降低人工智能所需能耗。特别是Deep Seek以其低成本、高性能、开源方式的出现，颠覆着“砸铁堆算力“的路径，在国内外产业了积极影响，启发我们思考当前面临的悖论。
二、以无形资源撬动有形资源的循环
现在，全球资源消耗呈现“物质资源高负荷、信息资源低渗透”的特征，数字化发展很不平衡，需要通过提升数据资源的战略地位，支持南方国家数字技术，方可构建“以信息流驱动物质流”的循环体系，从整体上实现资源消耗的减量化与利用效率的倍增。
数据资源对物质能源具有替代效应。数据作为新型生产要素，具有可复制、可共享、可再生的特性。在智能制造领域，通过数字孪生技术对生产流程进行全生命周期模拟，可减少实体材料和人工试验消耗。如某耐火材料厂把各个环节整合到数字孪生体系，极大地提高了生产效率，降低事故率达25%，品质率提高10%。在智慧城市建设中，交通大数据优化路线规划，能降低10%-15%的燃油消耗，验证了 CTCO 模式的节油效果。[2]东莞某公司数字孪生项目中，把多项技术结合起来，搭载可视化操作平台和系统管理体系，能节省30%以上的物业人员[3]。这种“以虚代实”的模式，直接减少了物质资源的开采与能源的浪费。
数据驱动的资源循环反馈。物联网与区块链技术的结合，正在重塑资源追踪体系。以动力电池回收为例，当前我国动力电池规范化回收率不足25%，通过嵌入传感器与区块链账本，可实时监控电池健康状态并精准匹配回收需求，使部分电池回收价值提升3倍[4]。欧洲《电池2030+》计划通过智能传感器与区块链技术结合，将要实现75%的电池回收率和接近100%的关键原材料回收率的目标[5]。这种“数据+物质”的协同循环，让资源流动从线性消耗转向闭环再生。
平台经济中的资源效率革命。过去，单位购置的有些设备使用率很低，既占空间，也浪费功能。家庭购置的一些电器家俱有的也用不了几次，常常闲置。现在，数据平台打破了传统资源独占性使用的局限，更在乎物品使用，而不必样样独自拥有。 “出租车原先的空驶率高达40%，使用滴滴等共享软件后，一般空驶率不会超过10%。“[6]据统计，一辆出租车目前平均每天行驶里程大约400公里，全国150万辆出租车一年碳排放为4860万吨。如果能将空驶率下降10％至15％，即每年最多可减少碳排放729万吨，相当于三个中等城市一年的碳排放量总和。[7]截至 2024年6月我国网约车用户规模达 5.03 亿人，同比增长6.5%，2024年前半年APP在装渗透率从24%提升至30%，[8]随着算法优化，APP更新换代，不断调整和优化线路，提高了出租车的运行效率。据麦肯锡对未来出行的研究，到2030年，56%的消费者可能愿意用共享自动驾驶汽车替代私家车，这将对交通领域的碳排放产生显着影响[9]。工业云平台的运用也使设备闲置率大幅下降，以某工业园区的实践为例，其通过搭建覆盖“采购-登记-使用-调拨-报废”的全生命周期管理系统，将设备、空间、能源等资产数据统一归集，系统上线后，资产盘点效率提升60%，闲置率从15%降至5%以下。[10]
三、以算法革新突破能源消耗困局
人工智能的爆发式增长带来算力需求的指数级攀升。据统计，训练一个大型AI模型的碳排放相当于5辆汽车整个生命周期的排放量。[11]GPT-3单次训练耗电1287兆瓦时，相当于3000辆特斯拉行驶20万英里的碳排放量[12]。因此，算法效能的提升已成为平衡AI进步与资源可持续性的关键支点。
算法架构的轻量化革命。模型压缩是优化算法并向算力要效率的重要技术。通过知识蒸馏、参数剪枝、减少计算量等方法，可将模型体积缩小。Deep Seek就展现了其在算法架构技术创新和组织算力上的能力，把算法优化到同硬件的算力完全匹配的程度，实现对计算效率的极致优化，在有限算力中挖掘出大模型运算效率的能力，这些改变堪称效率革命，引领着AI模型发展的新范式。据报道，DeepSeek可将每次查询所需的计算能力降低90%，这让投资者反应迅速，导致能源股暴跌，并使人们对人工智能导致能源需求暴涨的长期假设产生质疑[13]。如谷歌的MobileNet将图像识别模型参数量从数亿级降至400万，降幅达到97%?，准确率仅下降0.9%[14]，从边缘计算场景的优化案例显示，轻量化模型通过结构改进可使功耗降低至1.2W级别?[15],这些都说明MobileNet系列在能效上的突破性进展。动态计算机制也是提升能效的重要方法，根据输入数据复杂度自动调节计算量，主动学习选择最有价值的样本，减少标注和训练成本，在视频等分析任务中减少冗余算力消耗，华为的动态神经网络就有如此创新。
训练范式的效率提升。避免数据集中上传带来的传输能耗，仅交换模型参数更新，并通过稀疏计算，聚焦重点内容，使处理长文本的效率得到极大提升。如 DeepSeek V3 从 R1 蒸馏深度思考数据，仅用少量高质数据即可提升基座模型的逻辑推理能力[16]，大幅降低数据标注与训练的能源成本。SmolLM2 采用创新的四阶段训练策略，在仅使用 1.7B 参数的情况下，成功挑战了大型语言模型的性能边界[17]。
算法与硬件的协同优化。清华大学的“天机芯”，突破了冯?诺依曼架构的 “存储墙” 和 “功耗墙” 瓶颈[18]。清华大学的全球首颗全系统集成的忆阻器存算一体芯片，在相同任务下实现片上学习的能耗仅为先进工艺专用集成电路（ASIC）系统的3%，能效却提升约 75 倍[19]，这个突破将极大地推动人工智能、自动驾驶、可穿戴设备等领域的发展。Lightmatter 的 Envise 芯片通过光信号替代电子传输，运行速度比当时顶尖电子芯片快 10 倍，能耗仅为后者的15%。[20]
绿色AI评价体系。“算法碳足迹”是AI模型的训练、推理、硬件维护等全生命周期，相关指标可用于评估AI项目的环境成本，推动企业选择高效算法，优化算法，降低计算量[21]。政府还可通过补贴或标准推动绿色AI，企业需要平衡性能和能耗。如上海萃碳科技的新专利，基于AI的碳价值系统，分析绿色低碳活动数据，生成减排项目设计文件，评估可持续发展和金融价值，系统提升了碳价值分析的准确性和效率，可为企业低碳转型提供支持[22]。欧盟已将其纳入《人工智能法案》合规标准，倒逼企业从源头设计高效算法。
四、数字文明与生态文明的协同建议
在数智化发展中，持续深度开发数据资源，突破算法效能，就是在夯实资源利用的底座。通过“信息替代部分物质”实现资源消耗的减法，通过“算法优化提高算力效率”完成环境效益的乘法，并使两者协同进化，将会推动人类社会从“掠夺式增长”转向“智慧型循环”。
持续优化算法，提高算力效能，是降低能源消耗的保障。开源之路扩大了大模型的广泛接入和应用，又给DeepSeek等大模型带来提升自身所需的丰富数据。在此进程中，建议构筑三项核心机制：一是建立数据资源产权制度，明确数据采集、共享与交易的规则。明确数据的所有权、使用权和经营权，规范数据资源产生和运行的全流程规则，确保各参与方在法律框架内操作，通过建立透明的数据管理流程，保护个人隐私及企业数据权益，同时促进数据要素市场的健康发展。二是制定算法能效准入标准，将碳排放纳入AI研发的硬性约束。从制度上明确要求新研发的算法满足特定的能量效率最低标准。这将会有效地减少因AI运算能力提升带来的环境负担，还能激励科研人员开发更加绿色高效的算法解决方案，推动信息技术产业向低碳方向转型。三是建立跨学科创新平台，形成材料科学、信息技术与环境工程的深度融合机制。打破打破传统学科的界限，通过构建开放的合作网络，汇集多方智慧和技术资源，催生更多相关性创新成果，促进AI技术发展与资源环境保护相契合，为解决全球性挑战提供强有力的技术支持。
总之，通过这些机制制度建设，促进AI 与可持续性的良性互动，架设数字文明与生态文明之间的坚实桥梁，构建资源循环的共生生态；开发更节能的 AI 系统，创新更多的 AI 应用，推动可持续发展；加强场景建模和数据收集，支持政策制定和可持续 AI 的发展，让AI技术进步真正服务于人类永续发展。
参考资料：
[1]奥特曼再回应7万亿美元半导体计划：世界需要更多AI芯片，投入超出想象，澎湃新闻，2024-02-22
[2] CTCO 模式是否省油？和讯网 2024-07- 11
[3] 投入数字孪生能做啥？生产事故率降25%，品质提高10%，南方Plus，2022-09-05
[4] 电池 “记账” 实现可溯源 助力解决科技资产定价难题丨产业深观察,21 世纪经济报道,2023 -08- 16
[5] 欧洲《电池2030+》长期愿景及使命文章来源：深水咨询 锂电前,2021-07-06
[6] 滴滴副总裁：共享服务让出租车空驶率下降30% 购车意愿减少10%，第一财经，2016-07-10
[7] 嘀嗒出行降低出租车空驶率，数字化全面助力“碳中和”，金融界，2021-05-21
[8]卷哭了！全国多地交通局发布网约车市场饱和预警，平台与从业者该何去何从？网易手机网2025-01- 21; 2024 年网约车行业发展洞察, 站长之家,2025-01-14
[9] (麦肯锡未来出行报告 ③︱共享出行潮再起：2030年的未来趋势,搜狐网，2023-11-10
[10] 资产运营管理的核心要素是什么？ https://news.sohu.com/a/863927623_122113144 2025-02-26
[11] 英特尔中国研究院宋继强：5G所代表的“超前”思维对未来十分重要，新浪科技，2020-12-23
[12] AI耗能困境并非无解之题，2025-01-16环球网
[13] DeepSeek在提高AI能源效率方面取得了重大进展，但投资碳去除战略仍刻不容缓 Leila Toplic 世界经济论坛 2025-03-02
[14] 图像分类(六) 全面解读复现MobileNetV1-V3，小酒馆燃着灯，2024-01-25，https://blog.csdn.net/weixin_44302770/article/details/134492418
[15] 自动化机器学习与边缘计算融合驱动图像识别模型优化，智能计算研究中心， 2025-02-20 https://blog.csdn.net/tiangang2024/article/details/145763596
[16]目前对Grok 3分析最为透彻的一篇文章，腾讯科技，2025-02-19
[17] SmolLM2：多阶段训练策略优化和高质量数据集，小型语言模型同样可以实现卓越的性能表现，deephub 2025-02-23 https://news.qq.com/rain/a/20250223A02NNT00）
[18]清华大学施路平团队《面向人工通用智能的异构天机芯片架构》（Towards artificial general intelligence with hybrid Tianjic chip architecture）《自然》（Nature） 2019 -08
[19] 清华大学集成电路学院吴华强、高滨团队：存算一体芯片能效提升与 3% 能耗数据，《科学》（Science）2023 -10
[20] 光子芯片 —— 效率更高、能耗更低，中国工程院院刊《Engineering》2022-09
[21] AI耗能困境并非无解之题，环球网2025-01-16
[22] 萃碳申请基于人工智能的碳价值分析方法及其系统专利，能够对绿色低碳活动的数据进行全面、智能的分析，金融界，2025 -01-22
（这是作者邵春堡2025年2月27日在中国资源循环智库学术研讨会上的发言）
主题测试文章，只做测试使用。发布者：火星财经，转转请注明出处：https://www.sengcheng.com/article/37145.html
