法国AI初创公司Mistral AI发布了全球首份针对大型语言模型（LLM）完整生命周期环境影响的评估报告。报告以其旗舰模型Mistral Large 2为例，量化了模型从开发、部署到使用的碳排放、水资源消耗和资源枯竭程度。数据显示，在18个月的生命周期内，Mistral Large 2产生了20.4公吨二氧化碳当量，消耗了28.1万立方米水资源，并造成660公斤銻当量的资源枯竭。报告指出，碳排放和水消耗主要集中在训练和推论阶段，而资源枯竭则主要源于硬件制造。Mistral AI强调了模型规模与环境影响的高度相关性，并呼吁行业建立统一的环境评估框架。
📊 **模型环境影响量化：** Mistral Large 2在18个月的开发和使用周期内，产生了20.4公吨二氧化碳当量，消耗28.1万立方米水资源，并导致660公斤銻当量的资源枯竭。这些数字分别相当于150名欧洲居民一年的碳足迹、超过1800名法国居民一年的家庭用水量，以及生产数百台高阶笔电所需的金属用量，直观地展示了AI模型对环境的显著影响。
⚡ **环境影响阶段分布：** 报告详细分析了Mistral Large 2在不同生命周期阶段的环境影响。碳排放的85.5%和水消耗的91%主要来自模型训练和推论阶段，而资源枯竭则有61%来自硬件制造，29%来自训练阶段。这表明优化训练过程和硬件生产是降低AI环境影响的关键环节。
💡 **边际环境成本与用户行为：** Mistral AI还公开了每次推论的边际环境成本，例如一次400字元的对话会产生约1.14克二氧化碳排放、45毫升用水和0.16毫克銻当量。虽然未计入用户终端设备耗能，但此数据有助于用户理解每次AI交互的直接环境代价。研究还发现，教育用户更高效地使用AI，如合并查询和选择合适模型大小，能有效节约资源。
⚖️ **规模与环境影响的关联：** 研究强调，模型规模与环境影响呈高度正相关。一个规模大10倍的模型，在产生相同Token数的情况下，其总环境影响可能放大一个数量级。因此，选择最适合任务的模型规模是减少资源浪费的重要策略。
🌐 **行业呼吁与未来方向：** 随着生成式AI的快速发展，Mistral AI呼吁业界建立统一的环境评估框架和标准化的环境影响评分系统。这将有助于用户、企业和政府更清晰地了解AI模型的碳排放、水耗和资源密集度，从而制定更明智的采购政策和可持续发展战略。
法國AI新創Mistral AI周二（7/22）發布了全球首份針對大型語言模型（LLM）進行完整生命周期環境影響的評估報告，並以最新的旗艦模型Mistral Large 2為例，量化該模型從開發、部署到使用階段所產生的三大關鍵環境指標，涵蓋碳排放、水資源消耗，以及以銻當量來衡量的資源枯竭程度。
報告顯示，截至2025年1月，Mistral Large 2在18個月的開發及使用時間，累計產生20.4公噸的二氧化碳當量（涵蓋所有溫室氣體），耗用了28.1萬立方米的水資源，造成660公斤銻當量（以銻作為金屬資源代表物質）的資源枯竭。相當於150名歐洲居民一整年的碳足跡，超過1,800名法國居民一整年的飲用與家庭用水總和，以及生產數百臺高階筆電所需的金屬用量。
而Mistral Large 2在不同階段對環境的影響也不一，例如碳排放主要集中在模型訓練與推論階段，占了整體碳排放的85.5%，用水絕大多數來自訓練與推論，占了91%，資源枯竭則主要來自硬體製造（61%）與訓練階段（29%）。
此外，Mistral AI也公開每次執行推論時的邊際環境成本，指出一個回覆400字元的Le Chat對話將會產生約1.14公克二氧化碳排放、45毫升用水及0.16毫克銻當量資源損耗，但這並未計入使用者終端設備的耗能。
該研究是由Mistral AI、法國碳轉型機構ADEME，以及企業社會責任顧問Carbone 4共同進行，並經Resilio與Hubblo兩家數位永續審核公司審查。為確保科學性，研究方法遵循AFNOR提出的Frugal AI原則，並符合《溫室氣體盤查協定產品標準》（GHG Protocol Product Standard）與ISO 14040/44等國際標準。
該研究亦發現，模型規模與環境影響呈現高度正相關，若在產出相同Token數的情況下，一個10倍規模的模型，其總體環境影響也可能放大一個數量級。因此，選擇最適規模的模型，將是減少資源浪費的關鍵。另一方面，使用端若能教育人們更有效率地使用AI工具，將多個問題合併查詢，同時精準選擇模型大小，也能節能減碳。
Mistral強調，隨著生成式AI快速擴張，業界亟需建立統一的環境評估框架，例如標準化的環境影響評分系統，讓使用者、企業與政府能更清楚掌握模型的碳排、水耗與資源密集度，據以制定採購政策與永續策略。
