晶澳：2026以GTI驱动AI绿色化白皮书（14页）.pdf

1、以GTI驱动AI绿色化（Green Token Index，绿色词元指标）GTI绿色评级与视觉标识体系 绿色AI的价值空间 GTI的能源方案 070806 AI与能源的 结构性矛盾 01绿色AI的发展方向 02核心摘要绿色AI的未来图景 附录 两种计算路径公式GTI的实现措施及路径 05绿色词元指标概念与计量框架 0304GTI的计量方法与路径选择 09AI正加速成为新一代基础设施，但伴随模型训练与推理规模持续扩张，算力增长正在带来新的能源压力，并使可持续发展成为AI演进必须回应的基础议题。现有围绕绿色算力的实践包括，绿电采购、能效优化及碳抵消，改善了能源结构与效率问题，但尚未形成能够统一描述

2、AI计算活动绿色属性的基础计量框架。GTI的指出，皆在将绿色属性首次引入AI计算单位，实现从“绿色电力”向“绿色计算”的表达跃迁，使AI的绿色价值具备可度量、可比较与可标准化基础。绿色属性应成为AI基础设施的重要组成维度，未来竞争将涵盖效率与绿色的综合维度。词元（Token）作为AI基础计算单位，可成为连接算力与能源的基础载体。GTI通过“单位Token对应绿色能源占比”，使绿色属性嵌入AI计算过程，首次实现AI计算活动绿色价值的统一表达与可比性。GTI可进一步成为价值体系接口，连接认证、环境权益及绿色协同生态。推动GTI基础计量框架探索，形成绿色属性定义与计量口径的行业共识。开展GTI试点实

3、践与认证机制建设。推动能源与算力协同治理，将绿色供给、算力调度与可持续目标纳入系统框架，使绿色AI落地基础设施实践。核心摘要核心观点倡议行动PAGE 04PAGE 03图一：AI带来的能源与排放量级 AI优化服务器传统服务器长期以来，算力与能源并未被视作需要共同讨论的议题。早期AI发展主要受限于算法突破和计算能力提升，模型规模相对有限，数据中心能源成本在整体投入中占比并不突出。行业对于能源约束的关注更多停留在基础保障层面，而非战略变量。算力基础设施布局也更多围绕网络、土地和硬件资源展开，绿色能源并未成为核心考量因素。这一格局随着大模型与生成式AI的兴起开始发生变化。模型参数规模跃升、训练周期延

4、长以及推理调用高频化，使词元（Token）消耗与算力负载由阶段性增长转向持续性扩张，算力基础设施开始呈现出显著的能源密集特征。这也意味着，数据中心用电规模持续增长，AI已成为电力需求的重要新增来源。12009006003000201020152020202520302035电力需求（TWh）AI与能源的结构性矛盾更为关键的是，这一变化并不仅体现在能源需求总量的增加，而是暴露出算力体系与能源体系之间的结构性脱节。尽管绿色能源供给持续增长，AI计算活动与能源体系之间并未形成有效协同，反而呈现出明显的多维错配：当前，全球数据中心用电量已占全球电力需求约1.5%，并预计在2030年前接近翻倍增长。单一

5、大模型训练的碳排放已达到千吨级二氧化碳当量，相当于数万棵树一年的碳吸收能力。在这一趋势下，若缺乏有效约束与结构优化，未来AI基础设施扩张将直接对应更高规模的数据中心建设与能源消耗，并对电力系统与碳排放体系形成持续压力。在此背景下，即便绿色能源总量持续增长，其在AI计算中的实际匹配效率仍然有限。同时，现有绿电采购、绿证与碳抵消等方式，主要停留在能源侧或结果侧，难以建立AI计算行为与绿色属性之间的直接映射关系。随着AI逐步成为新一代基础设施，能源问题正在从边缘约束转变为结构性议题。如何在AI体系中引入可度量、可表达的绿色属性，也由此成为进一步讨论绿色AI发展路径的现实起点。01绿色能源资源集中于特

6、定区域而算力需求集中于数据与应用密集区域 空间错配能源系统与算力系统长期独立发展缺乏统一协同机制 系统错配风电与光伏具有波动性而AI计算需求呈现持续性与稳定性特征 时间错配未来十年数据中心电力需求将激增，AI驱动增长数据中心电力需求历史数据及预测（2010-2035）来源：国际能源署（IEA）CO e2数百吨-数千吨例如：OpenAI GPT-3:约500吨CO2注：按单次大模型训练碳排放数百吨至千吨CO e估算，单棵树年吸收约4-18.3kgCO22单次大模型训练数万棵树一年的碳吸收 图二：AI计算的能源与碳排放量级示意PAGE 06PAGE 05围绕AI发展的讨论，关注重点正从能力增长本身