SAIG指出，采用AI的企业往往缺乏关于其所购模型和服务环境影响的清晰数据。由于缺乏一致的衡量标准和报告流程，企业很难评估：

• AI模型的能源消耗
• 与数据中心电力相关的碳排放
• 水资源使用和冷却需求
• 电力来源等基础设施选择

另一个挑战是，不同的AI系统可能有天差地别的环境足迹。根据应用场景和部署环境的不同，一个经过微调的小模型可能只需极少的算力就能完成与前沿大模型相同的任务 。

尽管存在这些差异，买家往往在缺乏效率和环境权衡信息的情况下，默认选择最大或最知名的模型。

创始人的核心论点：企业买家拥有巨大影响力

大多数使用AI的公司并不自己搭建模型或数据中心，他们依赖云服务商和AI供应商。

然而，SAIG的创始人认为，企业客户实际上塑造了整个基础设施生态系统。

企业的AI支出最终为基础设施的扩张提供了资金。因此，从招标书要求到供应商合同的采购决策，都在向AI价值链上游传递需求信号 。

换句话说，虽然电网和数据中心是可见的“供给侧”，但客户的需求决定了供应商建造什么。

这种动态关系赋予了大型组织在以下方面施加影响的能力：

• 模型效率的期望标准
• 能源使用的报告标准
• 基础设施的透明度
• AI工作负载的托管地点和方式

采购和合同如何塑造AI基础设施

SAIG认为，企业可以通过日常采购流程开始影响AI的可持续性。

关键的机制包括：

1. 招标书要求

企业可以在评估AI供应商时加入环境标准，要求提供模型效率、能源消耗和基础设施实践的相关数据。

采购框架正日益强调围绕模型优化实践和环境报告的问题，这使买家能够识别出在可持续性方面有更强承诺的供应商 。

2. 供应商选择

组织可以选择那些展现出更低能源强度或更好基础设施透明度的AI提供商。

如果有足够多的企业买家优先考虑这些因素，供应商可能不仅会在性能和价格上竞争，也会在效率和可持续性上展开角逐。

3. 合同条款

主服务协议和企业合同可以要求披露环境影响信息。

例如，合同可以要求报告以下内容：

• 为数据中心供电的能源来源
• 设施是否依赖离网的化石燃料发电
• AI工作负载的效率指标

这些要求会为提供商改进透明度和基础设施选择创造直接的激励 。

可持续AI集团将提供哪些服务？

SAIG将自己定位为一家兼具研究组织和战略顾问双重身份的机构，帮助企业将可持续AI实践落地。

开放研究

该机构计划发表多项研究，分析AI的环境影响，包括训练和推理工作负载的能源使用，以及更广泛的基础设施效应 。

企业咨询

SAIG将通过以下方式帮助企业将可持续性融入AI战略：

• 采购指导
• 内部研讨会和战略会议
• 衡量指标框架
• 决策支持工具
• 协调技术和可持续发展团队的各方利益相关者

该机构还计划帮助企业绘制内部AI使用地图，并为这些工作负载建立环境基线指标。

衡量与基准测试工具

一个主要的焦点是让AI效率在不同系统间变得可衡量和可比较。

一个典型的例子是 “AI能源评分”（AI Energy Score） ，这是一项基准测试倡议，旨在评估AI模型在常见任务上的能源消耗 。

该框架提供标准化的能源评级和跨模型的公开比较，帮助开发者和买家识别更高效的选项 。该系统的早期版本已经评估了超过160个广泛使用的模型，涵盖多个AI任务，为AI系统的能源效率提供了一个参考基准 。

选用最合适的模型

另一项计划中的能力是开发工具，帮助组织将任务分配给最合适的模型——而非对每个用例都默认使用最大的前沿模型。

在满足性能要求的前提下，尽可能选择更小或更专业的模型，可以显著降低计算需求 。

为何时机至关重要

创始人们认为，当前时刻之所以关键，是因为AI基础设施的投资正在急剧加速。

SAIG估计，到本十年末，AI基础设施支出可能达到5万亿美元，这创造了一个短暂的窗口期来影响这些基础设施的建设方式 。

一旦数据中心、电力合同和硬件供应链被锁定，要改变AI的环境轨迹将变得极其困难。

他们的策略就是在“锁定”发生之前影响系统——鼓励企业将可持续性视为核心采购标准，而非事后才考虑的因素。

更大的愿景：让可持续性成为一种市场信号

可持续AI集团背后的愿景简单而宏大：将企业需求转化为奖励高效AI系统的市场信号。

如果买家开始要求透明度和能源效率，供应商就可能像在速度、能力和价格上竞争一样，在这些维度上展开激烈角逐。

这种转变是否会发生，取决于企业是否选择行使他们在AI供应链中已经拥有的影响力。

SAIG指出，采用AI的企业往往缺乏关于其所购模型和服务环境影响的清晰数据。由于缺乏一致的衡量标准和报告流程，企业很难评估：

• AI模型的能源消耗
• 与数据中心电力相关的碳排放
• 水资源使用和冷却需求
• 电力来源等基础设施选择

另一个挑战是，不同的AI系统可能有天差地别的环境足迹。根据应用场景和部署环境的不同，一个经过微调的小模型可能只需极少的算力就能完成与前沿大模型相同的任务 。

尽管存在这些差异，买家往往在缺乏效率和环境权衡信息的情况下，默认选择最大或最知名的模型。

创始人的核心论点：企业买家拥有巨大影响力

大多数使用AI的公司并不自己搭建模型或数据中心，他们依赖云服务商和AI供应商。

然而，SAIG的创始人认为，企业客户实际上塑造了整个基础设施生态系统。

企业的AI支出最终为基础设施的扩张提供了资金。因此，从招标书要求到供应商合同的采购决策，都在向AI价值链上游传递需求信号 。

换句话说，虽然电网和数据中心是可见的“供给侧”，但客户的需求决定了供应商建造什么。

这种动态关系赋予了大型组织在以下方面施加影响的能力：

• 模型效率的期望标准
• 能源使用的报告标准
• 基础设施的透明度
• AI工作负载的托管地点和方式

采购和合同如何塑造AI基础设施

SAIG认为，企业可以通过日常采购流程开始影响AI的可持续性。

关键的机制包括：

1. 招标书要求

企业可以在评估AI供应商时加入环境标准，要求提供模型效率、能源消耗和基础设施实践的相关数据。

采购框架正日益强调围绕模型优化实践和环境报告的问题，这使买家能够识别出在可持续性方面有更强承诺的供应商 。

2. 供应商选择

组织可以选择那些展现出更低能源强度或更好基础设施透明度的AI提供商。

如果有足够多的企业买家优先考虑这些因素，供应商可能不仅会在性能和价格上竞争，也会在效率和可持续性上展开角逐。

3. 合同条款

主服务协议和企业合同可以要求披露环境影响信息。

例如，合同可以要求报告以下内容：

• 为数据中心供电的能源来源
• 设施是否依赖离网的化石燃料发电
• AI工作负载的效率指标

这些要求会为提供商改进透明度和基础设施选择创造直接的激励 。

可持续AI集团将提供哪些服务？

SAIG将自己定位为一家兼具研究组织和战略顾问双重身份的机构，帮助企业将可持续AI实践落地。

开放研究

该机构计划发表多项研究，分析AI的环境影响，包括训练和推理工作负载的能源使用，以及更广泛的基础设施效应 。

企业咨询

SAIG将通过以下方式帮助企业将可持续性融入AI战略：

• 采购指导
• 内部研讨会和战略会议
• 衡量指标框架
• 决策支持工具
• 协调技术和可持续发展团队的各方利益相关者

该机构还计划帮助企业绘制内部AI使用地图，并为这些工作负载建立环境基线指标。

衡量与基准测试工具

一个主要的焦点是让AI效率在不同系统间变得可衡量和可比较。

一个典型的例子是 “AI能源评分”（AI Energy Score） ，这是一项基准测试倡议，旨在评估AI模型在常见任务上的能源消耗 。

该框架提供标准化的能源评级和跨模型的公开比较，帮助开发者和买家识别更高效的选项 。该系统的早期版本已经评估了超过160个广泛使用的模型，涵盖多个AI任务，为AI系统的能源效率提供了一个参考基准 。

选用最合适的模型

另一项计划中的能力是开发工具，帮助组织将任务分配给最合适的模型——而非对每个用例都默认使用最大的前沿模型。

在满足性能要求的前提下，尽可能选择更小或更专业的模型，可以显著降低计算需求 。

为何时机至关重要

创始人们认为，当前时刻之所以关键，是因为AI基础设施的投资正在急剧加速。

SAIG估计，到本十年末，AI基础设施支出可能达到5万亿美元，这创造了一个短暂的窗口期来影响这些基础设施的建设方式 。

一旦数据中心、电力合同和硬件供应链被锁定，要改变AI的环境轨迹将变得极其困难。

他们的策略就是在“锁定”发生之前影响系统——鼓励企业将可持续性视为核心采购标准，而非事后才考虑的因素。

更大的愿景：让可持续性成为一种市场信号

可持续AI集团背后的愿景简单而宏大：将企业需求转化为奖励高效AI系统的市场信号。

如果买家开始要求透明度和能源效率，供应商就可能像在速度、能力和价格上竞争一样，在这些维度上展开激烈角逐。

这种转变是否会发生，取决于企业是否选择行使他们在AI供应链中已经拥有的影响力。