同一个提示词、同一个模型、同一个输出，碳排放却可能相差近一个数量级——差别不在算法，而在插座背后接的是哪张电网。
发生了什么
Hacker News 上一条讨论引发关注：相同的 AI 请求，在得州产生的二氧化碳排放约为瑞典的 8.5 倍。这一对比的核心并非模型效率差异，而是两地电网碳强度的差异——瑞典水电与核电占比高，得州电网则包含大量化石能源发电，且受负荷波动影响明显。讨论并未给出统一的测算口径，但结论方向与业界对推理能耗的既有认知一致：AI 的碳排放是“算力 × 能耗 × 电网碳强度”的乘积，前两项常被讨论，第三项长期被忽略。
为什么重要
过去两年，AI 环境影响的讨论集中在训练阶段的大模型能耗，以及科技公司为数据中心签订的核电、绿电协议。但推理才是持续发生的成本：每一次对话、每一次代码补全都在消耗电力，且随用户规模线性增长。当推理成为主要负载，碳排放的地理属性就被放大了。
这带来一个容易被忽视的结论：模型层面的能效优化（更小的模型、更快的芯片、更少的 token）固然重要，但同一份优化在不同电网上兑现的减碳效果完全不同。在碳强度高的电网里，能效提升的边际减排收益更大；而在低碳电网里，同样的算力扩张几乎不增加排放。这意味着“AI 是否绿色”这个问题，本质上是一个选址与调度问题，而非单纯的工程问题。
影响与看点
对云厂商而言，这意味着区域选择本身就是一种减排手段：把可延迟的批处理任务调度到低碳时段和低碳区域，是成本极低但少有人做的优化。对开发者而言，API 调用背后的数据中心位置通常不透明，用户无法据此做选择，这本身是信息披露的缺口。对企业采购方而言，AI 供应商的碳报告若只给总量、不给区域与时段结构，参考价值有限。
值得关注的是，这类对比容易被简化为“某地 AI 不环保”的道德判断，但真正可操作的抓手是调度与透明度。一个独立判断：在模型能力逐渐趋同的竞争里，算力的“碳地理位置”很可能成为云服务商下一个被追问的指标——不是作为宣传点，而是作为采购清单上的一行。
