在人工智能技术迅猛发展的今天，我们往往关注其带来的效率提升与创新突破，却容易忽视其背后日益增长的能源消耗与碳排放问题。AI大模型训练、数据中心运行以及硬件制造等环节，正逐渐成为一个不可忽略的“隐藏”碳源。例如，训练一次GPT-4这样的模型，耗电量可达数百万千瓦时，相当于排放数万吨二氧化碳当量。若不加以控制，到2040年，仅全球数据存储服务就有可能贡献14%的碳排放总量，这无疑对全球碳中和目标构成严峻挑战。

为此，近期一项研究（原文链接）提出了名为“双循环人工智能可持续框架（D-CAIS）”的系统性治理路径。该框架包含两个相互关联的循环：一是“内部循环”，侧重于通过轻量化模型、能效硬件、清洁能源供电等技术手段，降低AI自身发展过程中的直接排放；二是“外部循环”，推动AI技术应用于工业、建筑、交通等高碳行业，通过流程优化与跨领域知识迁移，实现全产业链的间接减排。两者通过统一的绩效指标（如碳绩效单位效率CPUE）与政策工具相衔接，形成技术迭代与减排目标协同推进的机制。

然而，实现AI与低碳发展的深度融合仍面临多重挑战。目前，AI能耗与排放数据缺乏透明度，难以进行准确核算与评估；全球范围内，各国在技术能力、能源结构、政策体系等方面存在显著差异，可能加剧“碳不平等”；此外，政策的制定速度往往滞后于技术的快速演进，亟需建立更具前瞻性和适应性的治理体系。展望未来，我们应重点关注两大方向：一是推动AI系统与可再生能源基础设施的深度融合，利用AI提升能源系统的优化与管理水平；二是加快建立全球统一的AI碳核算标准与审计机制，为绿色AI的发展提供可衡量、可比较、可互认的评估基础。

AI不仅是数字经济的引擎，也应成为低碳转型的助力。只有在其发展路径中深度嵌入碳中和目标，我们才能确保技术进步真正服务于可持续的未来。