但SAIG直言,採用AI的企業大多缺乏清楚數據來判斷他們所購買的模型與服務到底造成多少環境影響 。少了標準化的測量與揭露,一間公司很可能連以下這些問題都無法評估:
另一個挑戰是,不同AI系統之間的環境足跡落差極大。一個經過微調的小型模型,視其應用與部署環境而定,可能只需要大型前沿模型的一小部分算力就能完成相同任務 。
儘管如此,多數買方根本沒有能見度去判斷效率或環境取捨,常常只預設選擇最大、最有名氣的模型。
多數使用AI的企業並不自己訓練模型或蓋數據中心,他們仰賴雲端供應商與AI服務業者。
但SAIG的創辦人認為,企業客戶實際上正在形塑整個基礎設施生態系。
企業支出最終支撐了AI基礎設施的擴張。因此,從招標書上的需求、到供應商合約,這些採購決策等於一路向AI價值鏈發送需求訊號 。
也就是說,雖然電網和數據中心是看得到的「供給面」,但客戶需求最終決定了供應商會蓋出什麼東西。
這讓大型組織握有影響以下事項的籌碼:
SAIG認為,企業可以從日常採購流程開始,發揮對AI永續的影響力。
關鍵手段包括:
公司可以在評估AI供應商時,將環境標準納入考量,要求提供關於模型效率、能源消耗和基礎設施做法的數據。
採購框架越來越強調模型最佳化做法與環境報告這類提問,讓買方能區分出具備更強永續承諾的供應商 。
組織可以優先選擇展現出較低能源強度,或在基礎設施透明度上表現較佳的AI服務商。
如果有夠多的企業買方開始看重這些因素,供應商之間的競爭將不再只限於效能與價格,效率與永續性也將成為戰場。
主服務協議與企業合約可以要求揭露環境影響資訊。
例如,合約可以要求報告:
這些要求會直接為供應商創造改善透明度與基礎設施選擇的誘因 。
SAIG將自己定位為研究機構兼策略顧問,協助公司將永續AI做法落地執行。
公司計劃發表嚴謹的公開研究,分析AI的環境衝擊,涵蓋訓練與推論階段的能源使用,以及更廣泛的基礎設施影響 。
SAIG將協助組織將永續性整合到AI策略中,方法包括:
公司也計劃協助企業盤點內部AI的使用位置,並為那些工作量建立環境影響基準線 。
讓AI效率變得可測量、可跨系統比較,是SAIG的一大重點。
其中一個例子是「AI能源分數(AI Energy Score)」,這是一套旨在為常見任務的AI模型能耗進行評分的標竿倡議 。
該框架提供標準化的能源評級與公開的跨模型比較,幫助開發者與買方找出更有效率的選項 。此系統的早期版本已針對數百個廣泛使用的模型在多項AI任務上進行評估,為AI系統的能源效率建立了一個參考基準 。
另一項規劃中的能力是開發工具,協助組織將不同任務分配給最合適的模型,而非所有情境都預設使用龐大的前沿模型。
在可行的情況下選擇較小或專用模型,可以顯著降低算力需求,同時滿足效能要求 。
創辦人認為此刻至關重要,因為AI基礎設施投資正在急遽加速。
SAIG估算,到了2030年前,AI基礎設施支出可能達到5兆美元,形塑這些設施如何建置的機會窗口非常狹窄 。
一旦數據中心、電力合約與硬體供應鏈塵埃落定,要再扭轉AI的環境軌跡就會困難許多。
他們的策略聚焦在「鎖死」發生前就先影響系統——鼓勵企業把永續性當作核心採購標準,而不是事後才想到的附加項目。
永續AI集團背後更大的願景簡單卻野心十足:把企業需求轉化為獎勵高效AI系統的市場訊號。
如果買方開始要求透明度與能源效率,供應商就會在這些面向上展開競爭,就像他們在速度、能力與價格上競爭一樣激烈。
這場轉變能否成真,最終取決於企業是否選擇動用他們在AI供應鏈中本就握有的籌碼。