全球气候变化持续加剧，各行业面临的减排压力日益攀升。根据全球碳预算（GCB）预计，2025年全球二氧化碳排放总量维持不变的同时，实体经济最核心的化石燃料和工业领域排放仍持续上升，标志着各行业必须进入细分减排的新阶段¹。
面对全球气候危机，企业应如何突围？本系列文章将聚焦智造前沿、绿色消费、生命化学、建筑物流四大产业集群中的八大核心行业，深度盘点它们的碳排放图谱与减排路径，为处于低碳转型浪潮的企业提供有价值的参考坐标。
本文作为系列文章的开篇，将聚焦“智造前沿”产业集群-“AI与具身智能”行业。
随着生成式人工智能与具身智能技术的爆发式增长，AI产业在推动科技进步、赋能绿色技术助力低碳转型的同时，也逐渐成为显著的能源消耗和碳排放大户：据测算，人工智能系统每年会造成3260万至7970万吨二氧化碳排放，与2023年纽约市的碳排放规模相当（5220万吨）²；2024年，全球数据中心耗电量约占总电力消耗量的1.5%，且因人工智能服务需求日益增长，数据中心的投资猛增³。
从生命周期视角审视，人工智能的碳足迹主要涵盖三个阶段：①制造阶段，涉及高精密芯片、数据中心等硬件设施的生产/建设；②使用运营阶段，包含模型高强度训练及日常推理服务产生的电力消耗；③报废阶段，涉及芯片及硬件设施的废弃与回收。此外，作为AI物理载体的具身智能机器人，其本体制造过程具有技术门槛高、依赖特定工业原材料等特点，有着较大规模的“隐含碳”。
如何在利用AI新技术造福人类的同时，有效减少对地球资源的消耗？面对这一严峻课题，科技巨头们正在采取哪些关键手段来降低碳排放影响？这将是本文探讨的重点。
01 算力的代价：爆发式增长背后的能源隐忧
芯片是AI模型的硬件底座，也是直接耗电来源。从半导体芯片制造到AI大模型运营，电力消耗始终是贯穿其生命周期的最大碳排放源。
芯片制造：高性能、先进工艺与耗能强度
在正式使用前，芯片已经背负了大量碳排放。“从摇篮到大门”阶段中，电力消耗产生的排放是其最大的碳排放源，占比高达48～53%⁴。如下图所示，五款IC产品的芯片排放呈现出相同趋势，范围2间接排放都占到总碳排的最大比重。
2024年12月Packaging+ Carbon Module五款IC产品的芯片排放概况，图源：TechInsights
芯片制造包含晶圆制造和封装两个阶段，前者消耗了绝大部分电力。然而，随着AI大模型对算力需求的提高，对芯片硬件的能力要求也不断上升。虽然新一代AI芯片硬件的运算能力和速度更快更强，但制造它们的环境代价却也更高：谷歌最新的TPU v6e芯片在制造阶段产生的碳排放几乎是上一代TPU v5e的两倍⁵。
针对AI芯片，主要有两大核心技术因素共同推高了耗电排放：
🔸光刻技术提高：随着芯片性能要求不断提升，为了在纳米级尺寸的晶圆上雕刻电路，必须引入EUV（极紫外）光刻技术。该技术的能源转化效率极低，且需要庞大的电力来维持真空环境与散热，导致单位面积晶圆的加工能耗剧增。
🔸封装要求复杂：由于AI芯片对算力和带宽的要求极高，使其必须采用复杂的先进封装。这意味着芯片从单颗产品变为了“微芯片系统”，集中了不同的逻辑芯片、高带宽内存（HBM）和中介层（Interposer）等。虽然封装动作本身能耗有限，但先进封装导致需要加工的半导体总面积大幅增加，相当于叠加了多次高能耗晶圆制造过程，从而成倍地推高了总碳排放⁶。
台积电CoWoS封装技术可以结合多芯片、HBM 和中介层，形成多层结构的微芯片系统
数据中心：维持AI运行的电力“黑洞”
除了在制造阶段产生大量耗能与碳排放外，当芯片进入运行阶段以支持AI模型的训练和推理后，其所在的数据中心成为又一大耗电源头。一项针对谷歌TPU芯片的研究显示，在AI硬件6年的使用寿命中，运行阶段的排放占到总排放量的70%～90%（取决于数据中心使用的电力清洁程度）⁵。
数据中心之所以成为耗电大头，是高密度的AI算力需求、电力结构以及必需的冷却系统所导致。
🔸庞大的运行能耗：生成式AI的训练集群耗能是传统计算工作负载的7-8倍。2021年的一篇研究估计，训练像OpenAI的GPT-3这样的模型就会消耗1287兆瓦时的电力（相当于约120个美国普通家庭使用一年），并产生约552吨二氧化碳⁷。GPT-3有1750亿多个参数，GPT-4约有1.8万亿个，其规模较GPT-3扩大约10倍的同时，其能耗却是GPT-3的20倍⁸。随着AI大模型更新迭代，能耗呈现出指数级别增长趋势。
当大模型进入日常使用的推理阶段，用户每次查询推理也会消耗大量电力。据统计，一次ChatGPT查询的耗电量约是普通谷歌搜索的5倍左右⁸。随着大模型应用的规模化普及，海量用户的高频调用将导致推理阶段的累计能耗迅速反超训练阶段。
此外，由于AI大模型的训练和推理需要持续且稳定的电力支撑，目前仍不得不高度依赖化石能源来平抑波动，保障电网运行。
🔸废热冷却耗能：芯片在高速运算时会产生惊人的热量。如xAI的超级计算机集群Colossus就配备了20万块英伟达GPU，总功率约300MW左右¹⁰。这样集结了数十万颗AI芯片的数据中心若无法及时散热，服务器将过热宕机，影响AI大模型的训练和推理。
xAI的超级计算机集群Colossus，图源：xAI官网
为了维持低温，数据中心必须长期运行空调和液冷系统。目前，优化良好的大型数据中心PUE（电源使用效率）约为1.1，意味着每消耗1度电用于计算，就需要额外消耗0.1度电用于冷却和其他的技术设施⁵。麻省理工学院的研究预计，到2026年全球数据中心的电力消耗将接近1050太瓦时，即使按照上述PUE为1.1的高效标准计算，这其中仍有约9%的电力将单纯因冷却等技术设施耗损⁷。
除了直接的能源消耗外，数据中心还会因为制冷剂泄漏而产生排放。在GPT-4训练阶段的一年内，仅制冷剂泄漏就产生了额外49,587kgCO₂e碳排放⁸。
综上所述，“耗电”成为了贯穿人工智能硬件制造与使用运营阶段的核心碳排放源，且随着AI大模型参数与算力需求的提升，这两个阶段的能耗强度预计将持续攀升。
与此同时，人工智能的应用形态正从数字空间向着物理世界延伸。随着具身智能产业的兴起，AI载体开始从单纯的大模型服务产品转向实体机器人。这一转变不仅将延续运算阶段的能耗挑战，更引入了具身智能机器人本体硬件制造、材料加工等全新的碳排源，使行业面临的脱碳课题更为复杂。
02具身智能：AI实物载体的高碳排“外衣”
具身智能（Embodied AI），指拥有物理载体的智能体，通俗来讲，即具有实物“身体”的人工智能。作为AI大模型落地物理世界的解决方法，具身智能机器人具备在物理世界中执行任务并创造价值的能力。
2025年，具身智能迅速成为全球科技巨头争相进军的新赛道；进入2026年，这一行业风口的潜力再次得到印证：在CES 2026（美国拉斯维加斯消费电子展）开场演讲中，英伟达CEO黄仁勋描绘了AI从数字空间迈向物理世界的未来图景，并直言“属于物理AI的‘ChatGPT时刻’已经到来”。
市场数据直观地量化了这一赛道的爆发潜力：2025年全球机器人市场规模约为88亿美元，其中人形机器人增速显著高于传统工业机器人¹¹。投行报告预测，2035年人形机器人市场规模有望达到300~500亿美元，长期甚至可能突破万亿美元¹²。
然而，这一庞大市场的背后，是大量精密硬件与工业原材料投入。具身智能机器人的硬件系统通常由五大关键部分组成：“肌肉”系统-执行器、“大脑”系统-控制器与AI芯片、“神经”系统-传感器、“骨骼”-机械外壳及“心脏”-能源系统¹³。
Unitree G1人形机器人，图源：宇树科技
为追求轻量化和高功率，具身智能机器人必须采用大量高性能材料。这些材料与电动汽车产业链高度重合，普遍存在“开采难、加工耗能大”等问题：
🔸稀土元素：如钕、镝，主要应用于制造高性能永磁同步电机（执行器中的核心部件），其开采和提炼过程极其耗能且容易造成环境污染。
🔸电池材料：如锂、钴、镍，是机器人移动的动力材料源。电池制造是碳排放的密集环节，原材料开采和加工需要大量的能源和化学品，且合成电池正极材料需要1000摄氏度的高温，这也依赖化石燃料。
🔸特种塑料(PEEK)：以特斯拉Optimus Gen 2为代表，新一代机器人会在手指骨骼、导线槽和关节衬套上使用PEEK材料，以代替金属减重并获得更好的触感。然而PEEK的化学合成工艺复杂，其制造能耗远远高于普通日用塑料。
🔸高性能结构材料：如铝合金、钛合金、碳纤维复材等，主要用于机器人的骨架、躯干结构和外壳。这些结构材料的高性能往往伴随着高能耗，开采和冶炼过程会产生大量碳排放，且有着加工浪费的问题。
作为AI大模型的落地方案，具身智能行业仍然处于发展初期，多数企业尚没有建立完善的碳披露机制，即使是以特斯拉、波士顿动力、Figure AI、宇树科技等为代表的行业第一梯队企业，其碳数据透明度仍然不足。
然而，只要剖析具身智能机器人的制造材料清单就会发现，上游供应链的隐含碳一定是这些科技巨头碳账本中占比最高的部分。随着行业发展加速、具身智能机器人从实验室走向工厂，透明披露碳数据、特别是范围3价值链碳排放数据，将是这些企业为实现可持续发展必须做出的回应。
03价值跃迁：自身减排+跨界赋能
人工智能产业在气候议题中扮演着复杂的双重角色：它自身面临着高耗能、高排放挑战，其技术又能实现跨界赋能、推动其他行业绿色转型。针对这一特性，行业巨头们开启相应的碳管理行动，不仅包含针对数据中心与硬件制造的自身减排，更致力于利用AI算法优势向外延伸，为千行百业输出数字化降碳解决方案。
多措并举：降低AI硬件碳排放
面对AI硬件高耗能的特性，科技巨头从能源到硬件、再到供应链，全面展开针对性的降碳举措。
🔸在能源供给上，巨头们从单纯的购买绿电转向投资核能与地热等新型能源，以确保AI大模型24/7全天候的无碳电力供应。如微软签署了首个大规模核能购电协议，为其数据中心所在的关键能源地区电网提供可靠的无碳电力；谷歌则瞄准地热发电，其开发的下一代地热发电项目于2023年投入运营，无碳能源已经应用于其内华达州数据中心的当地电网中。
微软将在未来20年内购买三哩岛核电站生产的所有电力，为AI数据中心供电
🔸在硬件优化上，一方面各家都开始自研专用集成电路（ASIC），如谷歌的第六代TPU改善了计算碳强度（CCI），亚马逊云科技通过部署自研的Graviton、Trainium和Inferentia芯片降低能耗；另一方面，它们也利用AI优化热管理技术，如微软正将数据中心的冷却技术由传统风冷模式升级为芯片级液冷设计，以降低碳排放。
🔸在供应链管理上，科技巨头则通过绿色采购政策倒逼上游减排。微软强制要求供应商在2030年前实现100%使用无碳电力，谷歌要求供应商到2029年底确保制造谷歌产品的电力100%来自清洁能源。
跨界赋能：用AI“以智降碳”
在致力于降低自身运营碳足迹的同时，AI科技巨头也积极利用算法优势，跨界赋能材料、物流、交通等关键领域，推动全社会绿色转型。
🔸材料研发领域，微软与密歇根大学合作，通过生成式AI设计液流电池核心原材料“钒”的替代品，以此减少新型替代电池对关键矿物资源的依赖，降低原料加工等环节的碳排放。
🔸物流领域，亚马逊遵循“最少包装”原则，通过开发AI模型分析产品形状和耐用性，确认是否需要补充包装，并选择最适合的包装类型，减少了包装废弃物并提高运输装载率。
🔸交通领域，谷歌在Google Map中推出“节能路线规划”（Fuel-efficient routing）功能，通过利用AI分析坡度、交通拥堵等因素，为用户推荐最省油路线。自2021年10月推出以来，该功能已帮助减少了超过240万吨二氧化碳当量排放，相当于约50万辆燃油车停驶一年的减排量，让用户在生活中实现“无感降碳”。
结语
总得来说，人工智能在现阶段存在两方面的碳排问题：一是AI模型本身在硬件制造与运营使用阶段的巨额能耗；二是具身智能机器人作为实体接口，其生产过程中所隐含的原材料高碳排放。
虽然科技巨头们已经意识到AI兼具“碳排放源”与“减排工具”的双重属性，并通过算法赋能其他行业降碳，但不可否认，在行业高速发展阶段仍然存在共性问题——ESG管理水平和碳数据透明度均有待提高。
面对高效便利背后的高碳排代价，AI行业亟需利用技术赋能自身数字化碳管理，打破企业运营和供应链层面的碳数据“黑箱”。在此基础上，科技巨头应引入全生命周期评价并主动披露产品碳足迹，确保每一比特算力和每一克材料的碳排放都“有迹可循”。这不仅将助力AI行业低碳发展，更将赋能千行百业绿色转型，便利公众低碳生活。
参考资料：
[1]https://www.carbonbrief.org/analysis-fossil-fuel-co2-emissions-to-set-new-record-in-2025-as-land-sink-recovers/
[2]https://vu.nl/en/news/2025/ai-s-hidden-carbon-and-water-footprint
[3]https://www.iea.org/reports/energy-and-ai/executive-summary#abstract
[4]https://library.techinsights.com/public/hg-asset/1a965735-48b8-43a0-8ebd-7b5b8f048db5
[5]An_Introduction_to_Life-Cycle_Emissions_of_Artificial_Intelligence_Hardware
[6]https://www.tsmc.com/english/news-events/blog-article-20200803
[7]https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
[9]https://greenly.earth/en-us/leaf-media/data-stories/the-environmental-impact-of-artificial-intelligence#anchor-articles_content$fae37447-b749-4936-859e-ec986fbc3632
[10]https://x.ai/colossus
[11]https://www.digitimes.com/reports/ai/2025_robots/
[12]https://www.goldmansachs.com/insights/articles/the-global-market-for-robots-could-reach-38-billion-by-2035
[13]https://yanasourcing.com/blog/the-hidden-value-chain-of-embodied-ai-from-actuators-to-end%E2%80%91use/#conclusion-unlocking-value-in-the-hidden-value-chain-of-embodied-ai-from-actuators-to-end-use
[14]微软、Google、亚马逊、宇树科技、特斯拉等企业的公开信息