过去两年，AI 的发展速度远超任何一个技术周期。大型模型不断迭代，「AI 原生」产品爆发，行业几乎每天都在刷新数字、突破边界。
但在亮眼的技术进步背后，另一组数据却悄然攀升：数据中心的耗电量激增、模型训练的排放飙升、全球科技巨头的碳排放出现反弹。AI 正快速成为全球能源系统中增长最快的需求源之一。技术增长的曲线正在挤压地球的承载曲线。
本文将围绕 AI 行业日益严峻的碳排放压力，以 Flowith 的实践为切入口，梳理并提炼出 AI 公司可参考的减排策略与行动清单，为行业管理者判断自身位置、设计低碳转型路径提供现实参照。
根据国际能源署（IEA）最新数据，全球数据中心已成为气候治理中的重要排放源。到 2030 年，数据中心将贡献发达经济体近 50% 的新增电力需求，而推动这条曲线加速上升的，正是 AI。
在模型训练端，排放规模已远超传统认知。麻省理工学院的研究显示，训练一个大型 AI 模型可以释放超过 28 万公斤的二氧化碳当量，几乎是一辆普通汽车全生命周期排放的五倍(含制造)。更令人担忧的是，模型规模的增长速度远超效率提升: GPT-4 虽然只比 GPT-3 大 10 倍，但训练能耗却是其 40-48 倍。
使用阶段同样不容忽视。ChatGPT 每天处理超 1000 万次查询，每月产生 1 万吨二氧化碳排放量。一个普通 ChatGPT 用户每年产生9公斤二氧化碳，而 ChatGPT Plus 用户(使用GPT-4)的排放可能高达100公斤至1吨——占到一个法国公民碳足迹的10%。
即便是那些做出激进气候承诺的科技巨头，也因 AI 而出现排放反弹。谷歌在 2023 年放弃了保持 17 年的「碳中和」声明，承认 2030 年净零目标「将极具挑战性」。麻省理工 CSAIL 研究员 Noman Bashir 的评价更直白：「这个行业正走在一条不可持续的道路上。建设新数据中心的需求无法以可持续的方式满足。」
更深层次的风险来自行业普遍缺乏透明度。尽管少数科技巨头公开披露环境数据，但目前主流的 AI 模型中，国内如 DEEPSEEK、豆包、文心、通义等，国外如 GPT-4、Claude、Cohere 等，均尚未公布训练能耗、推理排放等关键环境数据。
*国内主流 AI 大模型碳披露情况，图源：MSC 咨询整理制作
*国外主流 AI 大模型碳披露情况，图源：MSC 咨询整理制作
当全球最耗能的模型被快速训练和部署时，行业却处于「高能耗、高增长、低透明」的三重结构性风险中。如果说过去的焦点是模型的能力边界，那么未来几年，一个更现实的边界将来自能源与碳排放。AI 的增长逻辑正逼近物理层面的极限。
AI 的未来不能只靠更强的模型，还必须靠更可持续的底层逻辑。在多数企业仍停留在观察、讨论或制定长期目标时，一些更具前瞻性的公司选择了从今天做起，其中最引人关注的，就是 Flowith。
这家 AI 公司从第一天起就把「气候责任」写进商业模式：将 1% 的收入投入永久性碳移除技术，并通过 Stripe Climate 与 Frontier 构建起一套可持续、可复制、且与业务规模同步增长的碳中和机制。在行业排放曲线迅速上扬、解决方案仍不成熟的背景下，Flowith 的出现提供了一种值得重新审视的可能性：
AI 公司能否在增长、能耗和气候责任之间，主动创造一种新的平衡方式？接下来，我们将拆解 Flowith 的做法，看看它是如何把气候行动从「成本」变成「能力」，从附属项变成企业的底层设计。
1、永久性碳移除，而非传统抵消
Flowith 的全部资金都流向 Stripe Climate 与 Frontier 精选的前沿技术，其中包括：
- Climeworks：通过直接空气捕获（DAC）从空气中提取 CO₂，并注入玄武岩中矿化封存，储存周期超 1000 年；
- Charm Industrial：将农林废弃物转化为富碳生物油并深层注入地质结构中，封存周期可达数千至百万年。
这些技术的共同特征是真正把碳从大气移除，而不是「算平账」。
*Climeworks 模块化立方体中的新型结构吸附材料，是第 3 代直接空气捕获技术的设计基础
2、支持多技术路径，降低风险并推动成本下降
Flowith 同时支持工程化路线（DAC）与生物质路线（BiCRS），形成技术组合。这有助于：
- 分散技术成熟度和成本的不确定性；
- 为不同路径提供早期资金，加速规模化；
- 跟随「经验曲线」推动成本下降（类似光伏、电池的历史轨迹）。
3、自动化、无负担的贡献机制
Flowith 使用 Stripe 支付系统自动扣除收入的 1%，这就意味着：
- 不需要额外的人力或 ESG 运营成本；
- 贡献金额随业务增长自动增加；
- 小型公司也能轻量加入，无门槛复制。
这使得低碳行为变成「产品逻辑的一部分」，而非边缘项目。
Flowith 在打造一种「可随企业规模化、可持续投入、且指向高质量技术」的低碳模式。这正是当前 AI 行业最稀缺的部分。
Flowith 的价值不在于「1%」这个数字，而在于它构建的低碳模式同时满足了有效性、可扩展性与可操作性三个关键维度。这让它成为目前 AI 行业最具有参考意义的气候行动范例之一。
1、真实有效：指向永久性碳移除，而不是「抵消逻辑」
传统碳抵消项目(如保护森林或购买可再生能源证书)往往只是将排放从一方转移到另一方，碳仍然留在大气中。而 Climeworks 和 Charm 的技术实现的是物理移除——将二氧化碳从空气中提取并永久封存 1000 年以上。政府间气候变化专门委员会(IPCC)估计，到 2050 年,全球每年需要 50-100 亿吨的碳移除才能将升温控制在1.5°C以内。 Flowith 投入的是对地球真正有效的碳移除。
2、可扩展： 1% 的模式简单、可复制、可随业务增长放大影响力
Flowith 的模式建立在 Stripe 的支付基础设施上，可以做到：自动扣除 1% 收入，不增加运营成本；随业务增长自动增加贡献；无论企业大小，都能一键加入。
目前已有 15000+ 企业加入 Stripe Climate，贡献比例从 0.1% 到 1% 不等。Flowith 选择的是最高区间，体现其气候承诺，也证明这个模式对商业无压力。这是一套可以快速扩散到整个 AI 行业的方法论。
3、可操作：直面「早期高成本」问题，帮助技术真正走向规模化
高质量碳移除的现实难点是成本依然高昂（600–1000 美元/吨）。Flowith 的模式之所以重要，是因为它直接解决了行业最大的瓶颈：「没有客户就降不了价，没有规模就降不了成本」。
通过 Frontier 的先期市场承诺机制，Stripe、谷歌、Meta、Shopify等公司承诺到2030年购买超过9.25亿美元的碳移除，微软一家已购买超过3000万吨碳移除，占全球市场的 80%。Flowith虽是初创公司，却选择从成立之初就加入这一行列，体现了将气候责任植入企业基因的远见。
4、科学严谨：所有项目均通过 Frontier 专家团队的严格审查
Frontier 拥有 60 多位外部技术评审专家组成的多学科团队，对每个项目进行严格审查，评估标准包括:储存永久性( 1000 年以上)、成本轨迹(到 2040 年可降至每吨 100美元以下)、可扩展性(潜力达到每年 5 亿吨以上)、净负排放、可验证性和安全性。
Climeworks 和Charm 均通过了这些严格标准，前者是唯一获得 AAA 评级的碳移除项目，后者则在 CarbonPlan 数据库中获得 5 星评分。
Flowith 投入的是最有未来、最经科学验证、最值得投资的那批技术。
*Flowith 模式的价值，图源：MSC 咨询整理制作
基于 Flowith 的实践与全球最佳案例，AI 公司要实现低碳增长，并不需要等到技术彻底成熟，而是可以从五个可立即行动的维度逐步构建自己的可持续路径。
1、技术层面：从模型本身降低能耗
在 Flowith 之外，AI 公司最容易上手的一步，就是从技术本身下手。比如给 GPU 实施功率限制，能让能耗瞬间下降 12%-15%，而训练时间仅增加 3%。MIT 的研究发现，让训练提前停止（Early Stopping），可以减少高达 80% 的能源消耗，因为很多表现不佳的配置，本来就没有继续跑到结束的价值。
把模型「瘦身」也同样有效：量化让参数从 32 位压到 8 位、剪枝删掉冗余权重、蒸馏让小模型学会大模型的知识，这些都会让模型更轻、更快、更省电，却几乎不损失性能。
2、运营层面：通过「算力选址+调度」减少不必要能耗
- 选择低碳电网或可再生能源覆盖区域：AWS、Google 都建议，优先选择 100% 可再生能源归属区域将训练部署在「靠近数据源」的位置减少传输能耗；Meta 瑞典 Lulea 数据中心利用自然冷却；Google 使用 DeepMind 的 AI 让冷却能耗降低 40%；
- 硬件选择：NVIDIA A100 Ampere 架构专为 AI 训练和推理设计， AWS Trainium (Trn1)相比同类实例可节省 52% 的训练成本。麻省理工学院和东北大学的优化器能够为模型匹配最节能的硬件组合，在满足服务质量目标的同时实现 10-20% 的能耗降低。
- 优化训练时段（调度策略）：在非高峰时段或可再生能源发电高峰期(太阳能/风能充足时)安排训练任务,可降低电价和电网负荷。微软的 Project Forge 通过智能调度实现了80-90% 的利用率。研究表明,周末训练比工作日的碳足迹低 5.7-8.5% ，因为服务器负载较低。
3、能源层面：系统性投资可再生能源，提高碳中和能力
再进一步，能源结构的改变将决定 AI 公司未来的增长边界。越来越多科技公司不再被动使用电网供电，而是开始主动购买风能、光伏电力，甚至参与可再生能源项目的建设。如今在许多国家，太阳能和风电的成本已经比天然气更低。
未来，小型模块化核反应堆（SMR）也正在成为头部科技公司的备选方案，因为它既稳定，又几乎没有碳排放，让大规模算力能「安心扩张」。
4、核算层面：建立透明、可审计的碳排放体系
透明的碳核算是所有减碳行动的基础。AI 模型训练耗了多少电、这个电所在地区的碳强度是多少、推理使用过程中又产生了多少排放——这些都需要清晰记录。CodeCarbon 等工具可以实时追踪模型的能耗，AWS、Google 也提供包含碳排放数据的原生面板。
未来，无论是监管、客户需求还是投资者要求，这些数据都会成为企业竞争力的一部分。
5、碳移除层面：为不可避免排放建立「终端清算机制」
即便完成所有优化，AI 的能耗仍然不可避免会留下部分排放。对这部分「无法省掉」的部分，最有效的方式是支持高质量碳移除技术，把碳真正从空气里移走。
这并不是过去常说的「抵消」，而是像 Climeworks 的直接空气捕获、Charm Industrial 的生物油封存这种永久封存技术。企业可以通过 Stripe Climate 或 Frontier 参与采购，既中和自身排放，也帮助这些前沿技术尽快降本、规模化。
当数据中心的用电量即将逼近一个日本全国的年用电量、一次 ChatGPT 查询的能耗是谷歌搜索的 100 倍、科技巨头的排放因 AI 基建持续反弹时，行业已经无法再依赖「2030/2050 」的承诺来拖延问题。
AI 的气候责任必须从现在、从可量化的行动开始。全球趋势也正在加速形成：Stripe Climate 已汇聚超过 1.5 万家企业、Frontier 的碳移除承诺超过 9.25 亿美元、微软单独采购 3000 万吨碳移除。碳移除市场正在启动，但要达到 IPCC 的目标，还需要更多 AI 公司从「观望」走向「参与」。
对于中国的 AI 企业而言，这既是挑战，也是未来竞争力的分水岭。越早建立透明核算体系、采用节能技术、投资高质量碳移除的企业，越能在全球技术与监管体系中保持领先。
Flowith 给行业的启示是：在 AI 时代，技术进步与环境责任不是矛盾，而是可以相互增强的能力。所有 AI 公司都应向它学习的不是 1% 的数字，而是这份态度，把气候行动当作业务的一部分，而不是补充项。
只有这样，AI 的未来才会是可持续的未来。