李强总理在今年两会政府工作报告中指出，协同推进降碳减污扩绿增长，加快经济社会发展全面绿色转型，要求开展碳排放统计核算，建立产品碳足迹管理体系、碳标识认证制度。同时，强调持续推进“人工智能+”行动，支持大模型广泛应用。而激活数字经济创新活力，尤其是发展人工智能产业，对算力和能源有着很大需求。如何将深化数据资源开发利用，促进和规范数据跨境流动，优化全国算力资源布局，发展人工智能，与实现资源高效利用与绿色低碳发展统一起来，对此，本报记者专访了中国国际技术合作促进会副理事长邵春堡。

邵春堡，中国国际技术合作促进会副理事长，曾任中国电信股份公司监事会主席，公共管理学博士。出版了《未来引擎：从科技革命到全新世界》《未来发展：从数智经济到共享社会》等著作。

中国环境报：人工智能发展依赖大数据、大算力和复杂算法的协同作用，会给能源资源带来哪些挑战？

邵春堡：在数字化向智能化升级的过程中，人工智能的作用越来越重要。理论上，随着数据处理效率的提升，可以降低人工智能单次计算的算力需求和能源消耗。但现实中，由于模型复杂度、数据规模的指数级增长，以及追求更通用的人工智能目标，使得整体算力和能耗需求仍可能持续上升。

要想让AI大模型的性能更强，就离不开3个关键因素：海量数据、强大的计算能力和复杂的算法。“规模决定性能”“大力出奇迹”成为主流思路。OpenAI首席执行官山姆·奥特曼曾提出一项雄心勃勃的计划，希望筹集7万亿美元建造人工智能芯片工厂。特朗普提出的5000亿美元“星际之门”计划，也遵循了同样的逻辑——通过大规模投入算力和能源来推动AI发展。

这就导致算力和能源的需求大幅增加。一项研究报告称，训练一个大型AI模型的碳排放量相当于5辆汽车整个生命周期的排放量；使用1750亿个参数训练GPT-3消耗了1287兆瓦时的电力，并导致了502吨二氧化碳当量，相当于驾驶112辆汽油动力汽车一年。GPT-3的每日碳足迹有50磅，相当于一年8.4吨二氧化碳。

这揭示了一个核心问题：尽管技术进步提高了效率，但为了实现更强大的AI能力，算力和能源的需求却在不断增长。效率提升可能刺激更广泛的应用场景和更复杂的需求，最终导致资源消耗总量增加。例如，AI芯片能效比10年前提升千倍，但超算中心的能耗却因算力需求暴增而持续攀升。

我国到2030年智算中心年用电或达 0.6 万亿度—1.3 万亿度，占全社会用电 5%—10%。如何在推动AI发展的同时，平衡能源消耗与可持续发展，将成为未来我们必须面对的重大挑战。

中国环境报：如何突破人工智能发展面临的资源环境瓶颈？

邵春堡：在资源能源约束日益加剧的背景下，破解人工智能发展与资源环境之间的矛盾，需要从两方面入手。

一是推动数据资源的优化配置。就是利用大数据、人工智能、物联网等技术，提高能源、工业、城市管理等领域的管理水平，优化资源配置，最终实现资源消耗的减量化和利用效率的提升。

二是寻找算法效能的提升路径。人工智能的爆发式增长带来了算力需求的指数级攀升，提升算法效能已成为平衡AI技术进步与资源可持续性的关键支点。

中国环境报：具体来说，如何推动数据资源的优化配置？

邵春堡：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。例如，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25%，品质率也提高了10%。这种“以虚代实”的模式，能够直接减少物质资源的开采与能源的浪费。

同时，通过物联网、大数据、人工智能等数字化技术对资源的流动和使用进行实时监控、分析和优化，从而形成一种高效的资源循环利用模式。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。欧洲《电池2030+：欧洲电池研究路线图》计划通过智能传感器与区块链技术结合，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。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。

此外，还可以利用平台经济实现资源效率革命。通过数字化平台对资源进行共享和优化配置，打破传统资源独占性使用的局限，大幅提高资源利用效率，减少浪费和环境影响。比如，出租车原先的空驶率高达40%，使用滴滴等共享软件后，空驶率一般不会超过10%。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，这相当于三个中等城市一年的碳排放量总和。

中国环境报：在提升算法效能方面，要从哪些方面寻求新的突破？

邵春堡：一要推动算法架构的轻量化革命。优化算法向算力要效率，要重视模型压缩技术。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，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。据报道，DeepSeek可将每次查询所需要的计算能力降低90%。这些改变堪称效率革命，引领着AI模型发展的新范式。

二要提升训练范式的效率。其关键在于减少数据传输和计算的能耗。一种有效的方法是避免将大量数据集中上传，而是只交换模型参数的更新。此外，通过稀疏计算，只处理那些对模型性能影响最大的重要参数，从而降低计算量。比如，DeepSeek V3 模型通过从 R1 数据中提取高质量的深度思考信息，仅用少量高质量数据就显著提升了基座模型的逻辑推理能力。这种方法不仅减少了对大量数据标注的依赖，还大幅降低了训练过程中的能源消耗。

三要推动算法与硬件的协同优化。例如，清华大学研发了全球首颗全系统集成的忆阻器存算一体芯片。在完成相同任务时，这款芯片的能耗仅为传统先进工艺芯片（ASIC）的3%，但能效却提升了约75倍。这一突破将极大地推动人工智能、自动驾驶和可穿戴设备等领域的发展。此外，Lightmatter公司推出的Envise芯片用光信号代替传统的电子传输，运行速度比当时最先进的电子芯片快10倍，而能耗仅为后者的15%。这些创新技术不仅大幅提升了计算效率，还显著降低了能耗，为未来科技发展开辟了新的方向。

四是发展绿色AI评价体系。今年两会政府工作报告提出要开展碳排放统计核算，建立产品碳足迹管理体系。我们要将“算法碳足迹”也纳入其中，测算AI模型在训练、运行（推理）以及硬件维护等全生命周期中所产生的碳排放。通过这些量化指标，评估AI项目的环境成本，从而推动企业选择更高效的算法，减少计算量。目前，欧盟已将绿色AI纳入《人工智能法案》的合规标准，要求企业从源头设计高效、低能耗的算法。这种政策倒逼机制，促使企业在开发AI技术时更加注重环保和可持续发展。

中国环境报：推动人工智能实现资源高效利用与绿色低碳发展，您有哪些建议？

邵春堡：在数字化、智能化的过程中，我们要促进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。

在此进程中，需要建立三项核心机制。

一是建立数据资源产权制度，制定数据采集、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。