✨ 要点🔬 技术摘要
每当计算机执行一次计算时，它都会从电网抽取电力。这些电力并不总是清洁的；取决于电力的来源以及发电的时间，这个过程可能会向大气中释放不同量的二氧化碳。近年来，一种新型软件应运而生，它就像是一个能够进行复杂、多步思考的数字助手。与一个回答完一个问题就停止的简单聊天机器人不同，这些自主智能体（autonomous agents）可以规划一段漫长的旅程，将其分解为较小的任务，使用工具收集信息，并在此过程中纠正自己的错误。它们可以编写代码、分析数据或管理日程，而无需人类的持续监督。然而，由于这些智能体运行时间更长，且比标准聊天模式向底层人工智能模型发送更多的请求，因此它们消耗的能量也显著增加。随着这些工具变得越来越普遍，它们无休止思考所带来的碳足迹正成为一个严重的环境问题。
滑铁卢大学和芝加哥大学的研究人员开发出一种新系统，旨在使这些数字助手在不降低速度或有效性的情况下更加环保。他们将该工具称为 AgentDecarbonizer。要理解它的工作原理，首先必须了解这些智能体是如何运作的。当给出一个任务时，智能体不仅仅思考一次，它是在一个循环中思考。它提出一个问题，接收一个答案，使用像网页搜索或文件编辑器这样的工具，然后利用这些新信息提出下一个问题。这个循环会重复多次。研究人员发现，这个过程对“输入”的需求极高，这意味着智能体会向计算机模型发送大量的文本，以保持其对对话历史和先前步骤的了解。由于智能体经常重复这部分历史内容，计算机系统可以通过记住已经处理过的内容来节省能量，这种技术被称为上下文缓存（context caching）。如果智能体停留在同一位置，它可以重用这些保存的记忆。如果它移动到了不同的位置，它必须遗忘并重新学习一切，这会浪费能量。
团队发现，运行这些智能体的碳成本在很大程度上取决于两件事：计算机位于何处以及何时进行工作。世界不同地区的电网依赖于不同的能源。一些地区主要依靠风能、太阳能或水电站，这些能源产生的碳排放极少。另一些地区则更多地依赖煤炭或天然气等化石燃料，这些燃料产生的碳排放要多得多。此外，能源组合在一天之中也会发生变化。一个电网可能在阳光灿烂的正午非常清洁，但在太阳能无法使用的夜晚变得更加肮脏。研究人员观察到，在特定时间运行于某一地区的智能体，其产生的碳排放量可能几乎是运行于另一地区或另一时间的相同智能体的三倍。
为了解决这个问题，研究人员构建了 AgentDecarbonizer，使其作为一个智能调度器与智能体并行运行。该系统并没有让智能体立即开始工作，而是会进行前瞻性观察。它会预估任务需要多长时间，并检查世界各地电力清洁程度的预测。如果智能体有一个灵活的截止日期，例如一个需要在二十四小时内完成的任务，系统可以等待电网最清洁的时间。它还可以决定将工作转移到空气更清洁的地区。然而，系统非常谨慎，不会仅仅因为某个地区在理论上看起来更清洁就移动工作。它会计算使用清洁能源所节省的能量，是否会被移动智能体记忆所付出的努力所抵消。如果移动和重新学习的成本太高，系统就会让智能体留在原地，即使当地的电力稍微脏一点。
研究人员使用六十个真实的各类任务对该系统进行了测试，范围涵盖从分析科学论文到调试计算机代码。他们在四个具有不同能源组合的电网中运行了这些任务。结果显示，通过仔细选择运行工作的时机和地点，该系统可以大幅削减碳排放。当给予完成一项任务完整的一天时间时，与忽略碳排放的标准方法相比，该系统减少了高达 57.9% 的排放。即使在只有三小时完成任务的紧迫期限内，该系统仍设法减少了超过 34% 的排放。该系统证明，通过仅仅在何时以及何处开展工作方面变得更加聪明，就可以使这些强大的数字助手更具可持续性，从而确保人工智能的未来不会以地球的气候为代价。
技术摘要：AgentDecarbonizer：面向 AI Agent 的碳感知执行方案
问题陈述
自主 AI Agent 将大语言模型（LLM）从单次的提示词-响应交互扩展到了长时、目标导向的工作流中，这些工作流涉及重复的模型调用、工具调用以及环境交互。虽然这些工作流能够实现复杂的任务（如软件修复和数据分析），但其计算强度也导致了大量的碳排放。现有的碳感知优化技术通常通过在时间和地理空间上转移工作负载，以利用低碳强度的时段或区域，但这些技术未能解决 AI Agent 的两个独特特征：
执行时间的不确定性： Agent 工作流是迭代且动态的；后续步骤依赖于之前的输出，这使得执行时长难以预测。这增加了“时间偏移”策略的复杂性，因为 Agent 必须满足用户指定的截止日期（deadlines），而不能无限期地推迟执行。上下文缓存开销： Agent 在多次模型调用中大量复用上下文（输入 token）。现代 LLM 服务系统会缓存这些上下文以避免重复计算。空间偏移（将执行移动到不同的电网/区域）往往会导致这些缓存失效，从而被迫重新计算之前已缓存的输入。这种重计算开销可能会抵消转向低碳电网所带来的碳减排收益。
方法论
作者提出了 AgentDecarbonizer ，这是一种旨在与开源 Agent 系统 OpenClaw 并行运行的碳优化器。该系统通过协同优化时间与空间的执行决策，同时兼顾截止日期约束和缓存局部性。
1. 系统架构
AgentDecarbonizer 由四个主要组件组成（图 7）：
碳强度预测器（Carbon Intensity Predictor）： 利用历史数据和能源结构测量数据（使用 EnsembleCI 预测器），预测候选电网未来的碳强度。执行时间估计器（Execution Time Estimator）： 一个轻量级的本地 LLM（Gemma 4 4B），用于估计任务持续时间。它首先基于任务阶段和复杂度进行保守的初步估计，然后利用来自 OpenClaw Agent 的实时进度、Token 计数和 API 调用统计数据，在运行过程中不断优化剩余时间的估计。缓存感知碳模型（Cache-Aware Carbon Model）： 一个规划器，将上下文缓存建模为与位置相关的惩罚项。它计算如果执行转移到新电网时，重新计算缓存输入的碳成本。只有当新电网预期的碳减排量超过重计算开销时，才会选择进行空间偏移。执行控制器（Execution Controller）： 管理运行时流程，包括在“等待”间隔期间暂停执行、从保存的状态恢复，以及根据规划器的调度将请求路由到特定的电网。
2. 优化算法
核心优化问题被公式化为：在满足截止日期可行性的前提下，最小化预测的碳排放量加上缓存重计算开销。
公式化： 目标函数最小化 ∑ E ^ r , t ⋅ C I ^ r , t + ∑ Λ ( k ) \sum \hat{E}_{r,t} \cdot \widehat{CI}_{r,t} + \sum \Lambda^{(k)} ∑ E ^ r , t ⋅ C I r , t + ∑ Λ ( k ) Λ ( k ) \Lambda^{(k)} Λ ( k ) 动态规划： 在假设缓存重计算仅取决于连续间隔之间是否发生了服务区域变更（局部缓存重计算）的条件下，作者推导出了一个精确的动态规划解。该算法的运行时间复杂度为 O ( K ∣ R ∣ H ) O(K|R|H) O ( K ∣ R ∣ H ) K K K ∣ R ∣ |R| ∣ R ∣ H H H 截止日期保证： 系统通过使用保守的持续时间估计来确保满足截止日期。如果估计的剩余时间超过了距离截止日期的时间，系统将回退到当前电网进行立即执行。
3. 工作负载特征分析
作者对来自 WildClawBench 六个类别（生产力、代码、社交、搜索、创意、安全）的 60 个 AI Agent 任务进行了特征分析。关键发现包括：
输入密集型： 输入 Token 占处理 Token 总数的 99.1%，其中 94.6% 被缓存。高缓存节省： 上下文缓存平均减少了 80.7% 的碳排放。变异性： 执行时间和 API 调用次数在不同任务之间存在显著差异，因此需要动态估计而非静态假设。
核心贡献
系统性特征研究： 首个系统性研究 AI Agent 碳排放的研究工作，明确了排放是由 Token 消耗、上下文缓存复用以及电网碳强度共同驱动的。AgentDecarbonizer 设计： 一种新型碳优化器，能够处理 Agent 执行时间的不确定性以及空间偏移过程中上下文缓存重计算的开销。缓存感知优化： 一种动态规划方法，明确权衡了电网偏移带来的碳减排收益与丢失缓存上下文带来的惩罚。评估： 通过全面评估证明了该系统在显著降低排放的同时能够满足截止日期要求。
结果
系统使用 WildClawBench 工作负载（60 个任务）在四个电网（奥地利、加利福尼亚、芬兰、大不列颠）上进行了评估，截止日期范围为 3 到 24 小时。使用的模型 API 为 GPT-5.4。
碳减排效果：
与碳无关基准 （各电网平均排放量）相比，AgentDecarbonizer 在 24 小时截止日期下最高减少了 57.9% 的排放，在 3 小时截止日期下最高减少了 34.9%。
与当前最优基准 （仅在开始时刻选择最低碳电网）相比，在 24 小时截止日期下最高减少了 37.5% 的排放，在 3 小时截止日期下减少了 3.3%。
截止日期达标率： 在所有评估中，系统均成功在用户指定的截止日期内完成了工作负载。开销： 在 Mac mini (M4) 上的本地执行开销极小，平均功耗为 14.9 W，每个工作负载的执行时间开销为 0.7–5.2 分钟。消融实验：
多电网迁移： 与仅采用“等待策略”相比，跨电网迁移额外贡献了 34.1–45.7% 的减排量。预测鲁棒性： 系统对碳强度预测误差具有鲁棒性，其表现优于静态的一次性预测，尤其是在较长截止日期的情况下。估计器准确性： 保守的执行时间估计器确保了实际运行时间始终短于估计时间，从而保证了截止日期合规性。
重要性与主张
本文声称是首个通过针对 AI Agent 特定执行特征进行定制化优化，从而系统性研究并优化其碳排放的研究。作者强调，虽然自主 Agent 放大了 LLM 的计算需求，但其独特特征——特别是对上下文缓存的依赖以及执行时间的可变性——需要专门的优化策略，这与传统的碳感知计算有所不同。
AgentDecarbonizer 的重要性在于它能够在碳减排 与截止日期遵守 这两个冲突的目标之间取得平衡，特别是在由于缓存重计算成本的存在，使得空间偏移 并非显而易见获益的场景下。通过证明可以在不违反用户截止日期的情况下减少高达 57.9% 的碳排放，这项工作为部署可持续的大规模 AI Agent 系统提供了切实可行的路径。作者指出，虽然目前的实现针对的是 OpenClaw，但其优化策略广泛适用于其他 Agent 系统。
每周获取最佳 machine learning 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。