Meta 利用 AI 标准化并减少碳排放足迹

Meta 开发了一种基于 AI 的方法，用于提高其 IT 硬件供应链中范围 3 排放估算的精准度。该方法结合了机器学习和生成模型，能够对硬件组件进行精准分类，并推断出缺失的产品碳足迹（PCF）数据。

该成果于 2025 年 5 月在开放计算项目峰会上进行了展示，它有助于推动更广泛的努力以标准化排放报告并提升用于采购和脱碳规划的数据质量。它也体现了人们日益增长的关注点——将 AI 技术不仅用于衡量环境影响，更用于帮助管理和减少数字基础设施中的环境影响。

该方法的核心是一个混合 AI 管道，旨在提升数据的覆盖范围和一致性。该系统利用机器学习，通过识别具有相似规格的组件来估算产品碳足迹（PCF）。与此同时，一个生成式 AI 模型将硬件分类到范围 3 报告的共享分类体系中。

该分类体系模型解决了范围 3 报告中的一个关键问题：不同供应商之间硬件组件的命名与分类标准不一致。借助生成式 AI 来解析部件描述，并将其统一到一个共享模式下，实现了产品碳足迹分配的一致性，并有效减少了类似硬件的重复披露问题。

这一成果使得 Meta 的整个硬件集群拥有了更加完整且标准化的数据集。该方法通过 iMasons 气候协定和开放计算项目助力开放标准的推进，并且是 Meta 到 2030 年实现净零排放路线图的一部分。Meta 还开源了在此过程中使用的分类体系模型，旨在鼓励整个供应链采用该模型，并减少排放披露过程中的重复劳动。

尽管 Meta 的工作侧重于上游排放数据，但 AI 在基础设施性能优化领域的应用并非新事物。谷歌与 DeepMind 的早期工作成果便展示了强化学习在降低数据中心冷却需求方面的巨大潜力。最近，谷歌报告称 2024 年其数据中心排放量下降了 12%，并强调了持续的 AI 驱动的冷却优化、工作负载分配优化以及硬件利用优化在其中发挥的关键作用。

微软 也将 AI 置于其可持续发展战略的核心位置，在 Azure 数据中心的电力预测、电网感知工作负载调度和排放监测等领域使用了机器学习。

与现在这些大规模的 AI 驱动系统相比，早期通常依赖开源工具，以一种更静态或建议性的方式呈现排放数据。例如，像 Carbon Aware SDK 和 Cloud Carbon Footprint 这样的项目使开发人员能够估算能源使用量，并根据电网碳强度安排工作负载。然而，这些工具依赖预定义的规则，而非自适应学习。正在进行的转变是从被动可见性到主动发现和优化，AI 系统根据现实世界的环境信号持续做出决策。

无论是应用于硬件还是软件，这些方法都依赖于获取高质量、机器可读的排放数据。开放计算项目为报告产品碳足迹推出的新模式就是一个例子，旨在标准化供应商在整个供应链中披露硬件排放的方式。Meta 的工作直接融入了这一框架，为大规模对数据进行分类并推断缺失数据点提供了一种有效机制。

【声明：本文由 InfoQ 翻译，未经许可禁止转载。】

查看英文原文：https://www.infoq.com/news/2025/10/meta-carbon-ai/