減排45%、延壽近2年！科學家給數據中心裝上“超級大腦”

環球零碳

碳中和領域的《新青年》

首圖來源：Paxibay

撰文 | Bell

編輯 | 小瀾

→這是《環球零碳》的1783篇原創

從流暢對話的聊天機器人到即時生成的創意圖像，我們的生活如今已經離不開AI。

然而，每一次智能交互的背后，都伴隨著包括電力與水資源在內的巨大能源消耗——而目前大部分數據中心的電力仍依賴化石燃料。

這不僅推高了全球碳排放，更伴隨著服務器因持續高熱作業而加速老化，形成了一種“效率下降—能耗上升—排放加劇”的循環。

面對這一全球性緊迫挑戰，加州大學河濱分校的研究團隊開發出了一套名為“聯邦碳智能（FCI）”的系統。

該系統不僅有望將AI推理任務產生的碳排放大幅降低45%，還能將服務器集群的使用壽命平均延長約1.6年。

圖說：面向可持續人工智能的聯邦碳智能：跨異構硬件集群的實時優化

來源：https://doi.org/10.1557/s43581-025-00146-1

值得關注的是，與當前僅將計算任務轉移至能源更清潔時段的方法不同，FCI更進一步。

它通過整合環境數據與每臺服務器的實時物理狀態信息，能夠動態地將推理任務分配給最合適的硬件節點，從而實現能效與硬件健康度的雙重優化。

該研究成果近期發表于權威期刊《MRS能源與可持續性》，試圖勾勒出一個更聰明、更綠色的AI未來。

當前主流的數據中心智慧調度系統——“碳感知”調度系統主要關注電網碳強度，主要目標是將計算任務安排在電網清潔能源充沛（如風力、太陽能發電高峰）的時間或地區進行。

這就像在電價低的夜晚使用洗衣機，確實有效，但忽略了硬件老化對能效和碳排放的長期影響。

因為服務器并非永葆青春的機器，在持續高強度運算下，硬件性能會因熱應力、老化和故障累積而逐漸下降，導致完成同樣推理任務需要耗費更多電力，產生更多熱量和排放。

圖說：FCI系統與現有調度系統比較

來源：《環球零碳》制圖

以往的系統大多忽視了這臺“機器”自身的健康狀況，只關心外部“電力”是否綠色。

而加州大學河濱分校的米赫里·奧茲坎和陳吉茲·奧茲坎教授夫婦領導的團隊正是洞察到了這一盲點。

他們創造性地將“硬件健康”與“電網碳強度”置于同等重要的地位，設計了一套名為“聯邦碳智能（FCI）”的實時大腦。

這套系統的智慧，在于其三大感知層構成的“閉環思維”。

首先，它通過一個名為“AI硬件健康狀態（SoH-AI）”的指標，持續為每臺服務器“把脈”，監測其因溫度和負載累積導致的“衰老”程度。

其次，它可以實時接入全球電網的碳強度數據流，清晰掌握不同地區、不同時刻電力的“清潔度”。

最后，它還會深入了解每個AI任務的具體需求：如延遲容忍度、批處理大小、模型精度靈活性等工作負載數據。

圖說：聯邦碳智能（FCI）三層架構

來源：https://doi.org/10.1557/s43581-025-00146-1

基于這三重感知，FCI系統就可以開始扮演最高效的“調度指揮官”。

它不再僅僅尋找最綠的電力，而是綜合計算：如果將這個任務分配給那臺雖然地處綠電區域但已“年老體衰”的服務器，雖然電力清潔，但機器效率低下，總排放可能反而更高。

或者，另一臺服務器雖地處碳排放稍高的電網，但正值“壯年”且散熱良好，總體碳足跡可能更優。

通過避免使用已經超負荷運轉或性能下降的機器，FCI 可以防止故障發生，并減少對高能耗、高耗水冷卻的需求。

研究人員表示，FCI是首個將實時碳信號與硬件健康遙測深度融合的聯邦調度框架。

其目標就是在滿足任務速度要求的前提下，找到這個碳排放與硬件損耗總和最低的“最優解”。

為了驗證這一構想，研究團隊構建了一個高度仿真的數字世界：一個由1000臺異構AI加速器（包括頂尖的Cerebras晶圓級引擎、英偉達A100/H100 GPU和谷歌TPUv5i芯片）組成的全球分布式集群，并模擬了該集群在五年部署周期內的運行情況。

他們將FCI與幾種現有策略進行對比：完全無優化的靜態分配、僅考慮電網碳強度的調度、以及僅考慮硬件健康的調度。

結果令人振奮：與靜態基線相比，僅碳感知策略能減少約22%的碳排放，僅老化感知策略能減少約28%，而將二者深度融合的FCI框架，實現了高達45%的累計減排。

圖說：四種推理調度策略在五年部署期內的累計排放量

來源：https://doi.org/10.1557/s43581-025-00146-1

更妙的是，通過避免將重負載持續壓給已老化的機器，FCI將整個服務器集群的平均使用壽命延長了1.6年。

這種雙管齊下的策略——更清潔的能源利用和更智能的硬件管理——彌補了當今可持續發展戰略中的一個重大缺口。

雖然大多數努力都強調可再生能源，但奧茲坎夫婦指出，更換老舊服務器本身也會帶來碳排放成本。

服務器制造會產生大量的隱性排放。FCI 通過延長硬件壽命，減少了生產新機器所帶來的隱性環境負擔。

圖說：可持續性性能雷達圖比較了四種人工智能推理調度策略

來源：https://doi.org/10.1557/s43581-025-00146-1

不過，該系統在現階段也面臨一定挑戰：當系統過于激進地規避高碳或老舊節點時，可能會將任務發送到更遠或更慢的服務器，導致響應延遲增加。

因此，FCI最適合對延遲要求不高的推理工作負載，例如LLM批量處理、圖像識別等任務，這類工作負載的調度決策可以容忍亞秒級的調整。

同時研究人員也表示，FCI的強化學習大腦能夠學習這種權衡，根據任務對延遲的容忍度動態調整策略。

對于那些對分秒必爭的實時交互，它可以適度放寬碳約束；而對于可以排隊處理的批量任務，則可以大膽追求極致低碳。

這種靈活性，使得它能夠適配從要求嚴苛的在線推理到后臺模型訓練的各類AI工作負載。

研究人員表示，下一步是與云服務提供商合作，在真實的數據中心測試FCI。

日益增長的數據中心消耗的電力已經超過包括瑞典在內的一些國家的電力消耗量。

“人工智能的發展速度超過了支撐它的能源系統的發展速度，” 陳吉茲·奧茲坎說道?！癋CI框架表明，實現與氣候相適應的計算是可行的——而且不會犧牲工作性能?！?/p>

未來，FCI框架還可以進行擴展，集成電網碳強度預報，實現前瞻性調度；同時還可以納入前瞻性環境目標，支持基于科學碳目標（SBTi）的碳預算管理。

FCI標志著AI基礎設施從 “性能優先”向“可持續性優先” 的范式轉變。

通過將碳排放和硬件健康嵌入調度核心，FCI使可持續性成為AI系統的內生行為，而非外部約束，為實現氣候友好型、自優化的AI基礎設施奠定了基礎。

Reference：

[1]https://link.springer.com/article/10.1557/s43581-025-00146-1

[2]https://news.ucr.edu/articles/2025/11/20/smarter-ai-processing-cleaner-air

[3]https://interestingengineering.com/energy/artificial-intelligence-tool-cuts-emissions

熱門閱讀

（點擊圖片跳轉閱讀）