🤖 AI

From Perception to Action: Can UI Interventions Foster Sustainable LLM Chatbot

本文表明，以模式切换和能量反馈为代表的可持续性导向型用户界面干预措施，可以在不损害可用性的情况下，有效提高用户意识并培养大语言模型聊天机器人的能源责任行为，从而对后端效率提升工作形成补充。

原作者： Nitish Patkar, Pooja Rani, Jack Glässer, Simon Lüscher, Martin Kropp

发布于 2026-06-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Nitish Patkar, Pooja Rani, Jack Glässer, Simon Lüscher, Martin Kropp

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

想象一下你正在开车。你知道开快车会更耗油，而开慢车则能省油。但如果你的汽车仪表盘没有告诉你消耗了多少汽油，情况会怎样？更糟糕的是，如果你甚至没意识到汽车在静止不动时也在消耗燃料，那又会怎样？

这正是目前 AI 聊天机器人（比如你在手机或电脑上使用的那些）所面临的状况。它们非常有用，但为了思考和回答你的问题，它们会“吃”掉大量的电力。大多数专家一直试图通过制造更好的引擎（更高效的计算机芯片）或更好的加油站（更绿色的数据中心）来解决这个问题。但本研究提出了一个不同的问题：我们能否通过改变方向盘和仪表盘，来帮助你进行更高效的“驾驶”？

以下是研究人员尝试实现这一目标的过程。

问题所在：我们以为自己知道，其实不然

研究人员首先询问了 77 个人：“你知道你的 AI 聊天机器人消耗多少电量吗？”

困惑之处： 大多数人说：“是的，我知道它会消耗能量！”但当他们试图猜测具体是多少时，他们的判断大错特错。这就像认为喝一小口水和喝下一整个游泳池是一样的一样。
差距： 人们关心环境，但他们并不愿意为了节省一点点汽油而减慢车速（接受一个“变笨了”的 AI）。他们想要最好的性能，即使这意味着更高的能源成本。

实验过程：构建一个“绿色仪表盘”

团队构建了一个带有五个新功能的特殊版本聊天机器人，这些功能旨在引导用户向节能方向转变，同时不会增加使用难度。把这些想象成你汽车仪表盘上的新功能：

三档切换（换挡器）： 你不再只有一种驾驶方式，你可以选择：
- 节能模式 (Eco Mode)： 使用最少的能量（就像以稳定的低速行驶）。
- 平衡模式 (Balanced Mode)： 速度与效率的结合。
- 性能模式 (Performance Mode)： 最快、最强大，但最耗能（就像踩死油门加速）。
能量提示（油表）： 每次 AI 回答时，它都会显示一条微小的注释，例如：“这个回答消耗的能量大约相当于为你的手机充电 10 秒钟。”
预测（行车电脑）： 在你按下“发送”键之前，它就会预估你的问题将消耗多少能量。
仪表盘（行车日志）： 一个显示你每周总能量消耗量的屏幕。
类比（“现实世界”转换器）： 它不会说“0.002 瓦特”，而是说“这相当于给你的 iPhone 充电一次”。

测试阶段：一周的驾驶体验

他们邀请了 11 个人在日常工作中连续五天使用这个特殊的聊天机器人。他们想看看这些新的仪表盘功能是否会改变人们的“驾驶方式”。

发生了什么？

人们切换了档位： 参与者在 56% 的提问中使用了“节能模式”。他们意识到，对于简单的问题（比如“今天天气怎么样？”），他们不需要使用“性能模式”这种耗油大户。
巨大的节省： 尽管他们只在约一半的问题中使用节能模式，但节省的总能量却是巨大的。如果他们对所有问题都使用“性能模式”，他们将多消耗 47% 的能量。
“大胃王”效应： 有趣的是，“性能模式”的使用频率虽然不足 25%，但它却贡献了 89% 的总能量消耗。这就像以 100 英里/小时的速度行驶 10 英里所消耗的汽油，比以 30 英里/小时的速度行驶 100 英里要多得多。
问题并未变短： 人们并没有开始缩短问题的长度。他们只是在不需要 AI 表现得像个天才时，就切换到了“节能模式”档位。

核心启示：意识固然重要，但选择更为关键

研究发现，仅仅告诉人们“AI 会消耗能量”是不够的。人们需要容易做出的选择。

“助推”奏效了： 当研究人员给人们一个清晰、简单的按钮来切换到“节能模式”时，人们确实点击了它。他们不需要被说教，只需要一个方便的选择。
“权衡”的现实： 人们很乐意在处理简单任务时使用节能模式。但当他们需要一个非常复杂的答案时，即使它更耗能，他们仍然想要“性能模式”。
仪表盘起到了作用： 用熟悉的术语（如“为 iPhone 充电”）来展示能量消耗，比单纯显示数字更能帮助人们理解其影响。

总结

你不能仅仅通过修复引擎（AI 技术）来拯救地球；你还需要教会驾驶员（用户）如何高效驾驶。

本研究证明，如果我们设计的聊天机器人拥有明确的选择（比如一个节能按钮）和简单的反馈（比如“这相当于一杯咖啡的成本”），人们自然会开始做出更环保的选择。然而，研究人员也警告说，这并不是万灵药。它只有在与后端更好的技术相结合时，才能发挥最佳效果。这关乎于为用户提供工具，让他们成为解决方案的一部分，而不仅仅是消极的乘客。

技术摘要：从感知到行动：UI 干预能否促进可持续的 LLM 聊天机器人

问题陈述

大语言模型（LLM）聊天机器人正日益融入日常工作流，这引发了显著的可持续性担忧，主要源于其能源消耗和碳足迹。虽然大多数缓解策略都集中在后端优化上——例如高效的模型架构、硬件加速器和数据中心改进——但用户界面（UI）层级仍未得到充分探索。目前的研究很大程度上忽视了用户交互和 UI 干预如何影响日常使用过程中的累积能耗。作者指出，尽管用户可能会表达对环境的关注，但由于能源成本的不可见性和决策摩擦的存在，态度与实际行为之间往往存在差距。核心问题在于：旨在实现可持续性的 UI 干预是否能够有效地提高能源意识，并在不损害可用性的前提下，引导用户转向更具计算效率的交互模式。

研究方法

本研究采用了一个三阶段方法来调查这一问题：

基线调查 (RQ1)： 对 77 名参与者进行了在线调查，以评估当前用户对 LLM 能源消耗的认知程度、对干预概念的接受度以及对接受性能权衡的意愿。调查采用了估算式问题（例如，将 LLM 查询与 Google 搜索或 iPhone 充电进行比较），旨在衡量心理模型和知识差距，而非技术准确性。
原型实现： 在调查结果以及说服技术和选择架构原则的指导下，作者实现了一个基于 Web 的 LLM 聊天机器人原型，该原型具有五种特定的 UI 干预措施：
- 三模式切换： 允许用户在“节能模式”、“平衡模式”和“性能模式”之间进行选择。
- 能量注释： 在每次 LLM 回复时显示简短的能量估算值。
- 提示词预测： 在用户发送提示词之前提供能量估算。
- 指标仪表盘： 汇总近期活动的能源使用情况。
- 能量类比： 将能量数值重构为易于理解的日常单位（例如，手机充电）。
- 技术说明： 能量估算使用基于 Token 的模型进行计算（ $E = \alpha \cdot T_{in} + \beta \cdot T_{out} + \zeta$ ），其中系数根据特定模型规模（GPT-4o, GPT-4o-mini, GPT-4.1-nano）进行缩放，以近似相对消耗量。
实地研究 (RQ2)： 进行了一项为期五天的实地研究，共有 11 名频繁的 LLM 用户在日常工作流中使用该原型。数据收集包括每日意识自评（5 点李克特量表）、每周结束时的问卷调查以及系统级遥测数据（Token 计数、模式选择、能量估算）。研究分析了行为模式、意识趋势和能源影响，并将观察到的行为与所有交互均在“性能模式”下进行的反事实场景进行了对比。

主要贡献

本文对人机交互（HCI）和绿色软件工程领域做出了三个主要贡献：

调查数据： 关于端用户对 LLM 聊天机器人能源足迹的感知和认知的基线调查，强调了感知能源成本与实际能源成本之间的差异。
经验证据： 关于特定 UI 干预如何影响 LLM 聊天机器人中具备能源意识的交互模式的数据，证明了设计选择可以改变常规行为。
复现包： 一个公开可用的软件包，包含详细的调查响应、分析脚本以及实现的可用 LLM 聊天机器人原型，以支持进一步的研究。

研究结果

基线调查发现：

意识 vs. 知识： 虽然 94.8% 的受访者表示对 AI 能源使用有一定的了解，但 88.3% 的受访者误估了实际消耗量（例如，相对于 Google 搜索或手机充电，显著高估或低估了能量消耗）。
态度-行为差距： 尽管环境关注度很高，但只有 3 9.0% 的参与者表示愿意为了降低能耗而接受性能权衡。
干预接受度： 68.8% 的人青睐“节能模式”，但当引入明确的性能权衡时，意愿有所下降。

实地研究发现：

行为转变： 在实地研究中，“节能模式”占据了 55.8% 的记录提示词（155/278）。值得注意的是，90.9% 的参与者自述在不需要高准确度时会主动选择“节能模式”。
节能效果： 观察到的总估计能耗为 164.72 Wh。在所有提示词均以“性能模式”执行的反事实场景下，能耗将达到 309.44 Wh。这意味着由于观察到的行为变化，能耗减少了 46.77%。
模式影响： 尽管“性能模式”使用的提示词不足 25%，但它贡献了约 89% 的总能量足迹。
变化机制： 参与者并未显著减少提示词长度。相反，主要的行为机制是模式切换而非缩短提示词。
可用性： 所有干预措施的可用性评分均高于 4/5。“三模式切换”和“能量注释”被评为最具影响力的干预措施。
意识趋势： 自我报告的能源意识在五天内有所上升（从平均 3.27 升至 4.44），这得益于重复的、低难度的交互。

重要性与主张

作者声称，面向可持续性的 UI 干预可以成功提高用户意识，并支持 LLM 聊天机器人中更具能源责任感的交互模式。然而，论文对这些发现的范围保持了审慎的态度：

补充作用： 作者明确指出，UI 干预应被视为后端和模型级优化的补充，而非替代品。UI 设计可以改变常规的、低风险的行为，但高成本的交互（通常需要高准确度）仍需依赖后端的效率。
行为 vs. 因果： 所报告的节能效果是基于模型的行为估算（反事实分析），而非通过硬件测量得到的因果效应。
解决决策摩擦： 研究表明，不可持续的使用往往是由日常决策摩擦而非缺乏环境意识驱动的。通过使权衡变得可见且易于修改（例如，通过“三模式切换”），界面可以在不施加约束的情况下支持知情决策。
局限性： 作者承认了局限性，包括样本量较小（实地研究 n=11）、潜在的反弹效应（用户可能会用更多的提示词来补偿响应速度的变慢），以及鉴于参与者技术背景而导致的普适性问题。他们总结道，这些结果是“有前景的迹象”，值得在更大规模、更多样化的研究中进行复现。