訓練的環境成本（the environmental cost of training）
/ the en-vy-run-MEN-tul kost of TRAY-ning /
訓練一個大型AI模型，意味著讓成千上萬塊專用晶片滿負荷連轉數週乃至數月，這要耗掉大量電力——而這些電力視其來源不同，可能意味著大量的碳排放。它還要耗水，其中很大一部分用來給資料中心降溫，以及耗用稀有材料來製造硬體。「訓練的環境成本」，就是為這份物理足跡算的一筆帳：在你螢幕上感覺輕飄飄的那份能力背後，所耗的能源、碳、水與廢棄物。
把兩個階段分開會有幫助。訓練，是「一次性」地、密集地把一個模型造出來——其數字很抓眼球（單是一個大型模型的訓練，排放的碳就可能抵得上好幾輛汽車一生的排放）。而推論——也就是真正去使用這個模型，每一次查詢、每一張生成的圖，一天數十億次——則隨時間累積；對那些熱門模型而言，其總量甚至可能遠超訓練的成本。這份足跡極大地取決於人們常常略去的細節：本地電網的能源構成（燒煤還是水電）、晶片與資料中心的能效，以及廢熱或廢水是否被回收利用。
它為何重要：隨著模型越做越大、用途越鋪越廣，AI在全球電力需求中所佔的那一份，增長之快已讓電網營運商不得不圍著它做規劃。誠實的圖景是「喜憂參半」，而非「世界末日」：同樣的AI也能幫著削減排放（最佳化電網、材料、物流）；單位計算的能效在不斷提升；而與交通或供暖相比，AI仍只佔總能耗的一小部分。公允的批評不是「AI會把地球煮沸」——而是：這些成本是真實的、常常對用戶隱而不見、分佈不均（那些水和電是在某個具體的地方被消耗掉的），而且很少被誠實地披露。
一座位於炎熱乾旱地區的資料中心，全天候不停地訓練著一個模型。晶片用的是本地電網的電——其中一部分是燒煤發的——而散熱用的，是從本已緊張的當地供水中抽取、再蒸發掉的水。同一個模型，若改在寒冷地區、用水電、配以循環冷卻來訓練，其足跡可能只是前者的一個零頭。同樣的模型，成本卻天差地別。
一個模型「在哪裡、怎麼訓練」，與「它有多大」同樣要緊——這份足跡不是一個固定的單一數字。
當心那些不帶上下文、單拎出來嚇人的數字。一個碳排放數據，離開了電網的能源構成便沒多大意義；而單看訓練成本，又忽略了推論在整個生命週期裡往往更大的開銷。公允的要點不是「AI格外具有破壞性」——而是：這些成本是真實的、與地點高度相關的，且遠遠太少被度量或披露。