Mistral AI 环境影响研究与拟议全球标准

Mistral AI 发布了一份全面的生命周期分析 (LCA)，旨在量化其大语言模型 (LLMs) 的环境足迹，并为全行业透明度建立了一个数据驱动的框架。该研究倡导采用标准化、国际认可的报告框架，以便开发者、政策制定者和企业能够比较模型并做出明智、可持续的采购决策。

Mistral Large 2 的生命周期分析

Mistral AI 与 Carbone 4、法国生态转型局 (ADEME) 以及同行评审人员 Resilio 和 Hubblo 合作，对 AI 模型进行了首次全面的 LCA。该分析遵循 AFNOR 开发的 Frugal AI 方法论，并符合 ISO 14040/44 和 GHG Protocol Product Standards。

训练影响

截至 2025 年 1 月，在经过 18 个月的使用后，Mistral Large 2 的训练产生了以下环境影响：

温室气体排放： 20.4 ktCO₂e
耗水量： 281,000 m³
资源枯竭： 660 kg Sb eq (锑当量)

推理影响

对于通过 AI 助手 Le Chat（不包括用户的终端）进行的单次 400-token 响应，边际影响为：

温室气体排放： 1.14 gCO₂e
耗水量： 45 mL
资源枯竭： 0.16 mg Sb eq

这些指标包括“上游排放”，即考虑了服务器和硬件的制造，而不仅仅是关注运行期间的电力消耗。

环境问责制的核心指标

Mistral AI 确定了管理 LLMs 环境影响所需的三个关键指标：

训练的绝对影响： 模型创建过程中产生的总足迹。
推理的边际影响： 单次交互或 token 生成的成本。
总推理量与总生命周期影响的比率： 一种内部指标，以确保训练阶段被有效摊销，而没有被浪费。

模型规模与足迹之间的相关性

研究发现模型规模与环境影响之间存在强相关性。基准测试表明，影响大致与规模成正比；例如，一个比现有模型大十倍的模型，在生成相同数量的 token 时，其产生的影响将比较小的模型高出一个数量级。这一发现强调了为特定用例选择最有效率的模型规模的必要性。

拟议的全球标准路径

为了使 AI 行业与全球气候目标保持一致，Mistral AI 提出两个主要的杠杆来减少环境影响：

标准化报告

AI 公司应使用标准化框架发布环境影响数据，以便建立评分系统。这将允许用户和买家识别出碳、水和材料强度最低的模型。

效率与充足性实践

Mistral AI 建议采取以下几种实践来优化 AI 使用：

AI 素养： 教育用户以最佳方式使用生成式 AI。
模型选择： 选择最适合特定需求的模型规模。
查询优化： 通过对查询进行分组来限制不必要的计算。

对于公共机构，Mistral AI 建议将模型规模和效率纳入采购标准，以激励市场向可持续发展方向迈进。

研究局限性与方法论

由于目前尚不存在 LLM 环境问责制的通用标准，本研究仅是一个初步估算。研究中指出的一项重大挑战是缺乏可靠、公开可用的 GPU 生命周期清单，这意味着隐含的（embodied）影响必须通过近似值来计算。

为了保持与 GHG Protocol Product Standard 的一致性，Mistral AI 建议未来的行业审计应采用基于位置的电力排放计算方法，并包含所有重要的上游影响，包括 CPU、冷却设备和硬件制造。