Accounting for AI Inference in Corporate GHG Inventories: A Four-Tier Methodology for Scope 3 Category 1 Reporting
本文提出了一种标准化的四层级方法论，用于在企业可持续发展报告指令（CSRD）的范围 3 第 1 类下准确报告 AI 推理排放，该方法以精确的基于 Token 的物理计算取代了不准确的通用经济因子，从而揭示了显著降低的碳足迹，并凸显了数据中心选址策略中关键的水-碳权衡关系。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你的公司就像一个大型家庭。多年来，你一直在追踪灯光和冰箱消耗了多少电量（范围 1 和范围 2）。但现在，你开始从外部公司购买“智能服务”——比如 AI 聊天机器人、自动化写作工具和智能助手。
新的欧洲法规（CSRD）规定，你也必须报告这些外部服务的环境成本。问题在于，没有人知道如何衡量一次“数字对话”的碳足迹。
这篇由 Guillermo Llopis 撰写的论文充当了解决这一谜题的用户手册。作者认为，目前的方法就像是通过猜测一袋沙子的重量来称量一根羽毛的重量——极其不准确。相反，作者提出了一个由四个层级组成的准确度阶梯，取决于你的公司实际能找到多少数据。
以下是使用简单类比对论文核心思想的拆解：
1. 问题所在：“沙袋”错误
目前，许多公司通过观察他们花了多少钱来猜测 AI 的碳成本。他们使用一个通用的公式，即：“在计算机服务上每花费 1 欧元会产生 X amount 的污染。”
论文称之为 EEIO 方法。这就像是通过查看你的总水费单和修理工的上门费用来计算某次特定淋浴使用了多少水。它包含了修理工的时间、卡车以及利润，而不仅仅是水本身。
- 结果： 这种方法会将 AI 的污染程度高估 10 到 40 倍。这就像是在说，仅仅因为你为某个数字聊天机器人付了钱，它就和一座煤电厂一样脏。
2. 解决方案：四层阶梯
论文建议不要靠猜，而是通过攀爬一个阶梯。你从顶端（最准确）开始，如果找不到数据，才向下移动。
- 第 3 层（黄金标准）： AI 提供商为你提供一份经过验证、经过审计的报告，说明：“这项特定服务恰好使用了这么多能量。”
- 现状： 目前还没有人能提供这种服务。这是“梦想中的层级”。
- 第 2a 层（收据核查）： 你可以访问 AI 的计费门户。你可以看到你使用了多少个“Token”（数字单词）。
- 运作方式： 你获取 Token 数量，乘以一个已知的能量基准（类似于汽车的每加仑里程数），再乘以当地电网的清洁度。
- 类比： 这就像是查看你的加油站收据，看你到底加了多少加仑汽油，而不是根据你的车型来猜测。
- 第 2b 层（最佳猜测）： 你没有 Token 计数，但你知道发送了多少条消息或有多少人使用了该工具。
- 运作方式： 你根据消息数量来估算 Token（例如，“1 条消息 = 400 个 Token”）。
- 类比： 这就像是通过计算你开车去商店的次数来估算你的燃油消耗，并假设每次行程的长度是标准的。它虽然不够精确，但比什么都没有要好。
- 第 1 层（最后的手段）： 你只知道你支付了一份包含 AI 功能的软件订阅费用，但你完全无法看到 AI 的使用情况。
- 运作方式： 你使用旧的、不准确的“基于支出”的方法。
- 警告： 论文指出，这个数字很可能是一个巨大的高估（就像“沙袋”方法）。你应该将其作为“最坏情况下的场景”而非事实来报告。
3. 大惊喜：位置比规模更重要
论文发现了一个反直觉的事实：AI 居住在哪里比 AI 在做什么更重要。
- 类比： 想象两辆相同的汽车。一辆在瑞典行驶（那里的电力来自清洁的水力发电），另一辆在新加坡行驶（那里的电力来自化石燃料）。
- 发现： 即使行驶的距离完全相同，新加坡的那辆车产生的污染比瑞典的那辆多 13 倍。
- 教训： 一家使用“小型”AI 模型但在“脏”电网区域的公司，其污染可能比一家使用“巨型”AI 模型但在“净”电网区域的公司还要多。
4. 隐藏的权衡：“干净但潮湿”的悖论
论文还研究了用水量。数据中心需要水来冷却，而发电过程通常也会消耗大量水。
- 悖论： 瑞典拥有最洁净的空气（最低的碳排放），因为其电力来自水力发电大坝。但是，那些大坝消耗了大量的淡水。
- 结果： 瑞典是碳排放方面“最绿”的地方，但也是用水量“最湿”的地方。爱尔兰则是平衡点：它拥有不错的碳排放数据，且耗水量很少。
- 启示： 如果你只看碳排放，你可能会选错地点。你必须同时观察碳排放和用水量，才能做出真正的绿色选择。
5. 底线：这是一个文书问题，而不是怪物问题
论文对一家典型的 200 人规模欧洲公司进行了模拟。
- 结果： 他们 AI 使用产生的总污染量不到 1 吨二氧化碳。
- 背景： 这甚至比几名员工通勤一个月产生的污染还要少。
- 真正的挑战： 排放量并不巨大，但规则非常严格。公司不能说“我不知道如何测量它”。他们必须使用阶梯法来找到他们能找到的最佳数据。
总结： 这篇论文为企业提供了一个清晰的、循序渐进的配方，让他们停止猜测，开始准确测量他们的 AI 污染。它警告说，花钱并不等于污染，位置是他们可以利用的最大杠杆，而且他们需要警惕隐藏的水资源成本。数据就在那里，他们只需要一张地图来找到它们。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。