拥抱碳足迹：大规模量化AI模型训练的碳排放
计算机与社会
2026-05-05 v1
摘要
规模定律时代已将人工智能从研究转变为全球性产业，但其快速增长引发了关于能源消耗、碳排放和环境可持续性的担忧。与传统行业不同，AI行业仍缺乏无需复现原始模型即可支持大规模估算的系统性碳核算方法。这留下了关于当前问题有多大以及近期可能有多大的未解问题。鉴于Hugging Face (HF)平台很好地代表了更广泛的开源社区，我们将其视为一个大规模、可公开访问且可审计的碳核算语料库。我们提出了一个基于FLOPs的框架来估算HF开源模型的总训练排放。考虑到其披露质量参差不齐，我们引入了一种分层方法来处理不完整的元数据，并辅以验证其统计显著性的经验回归。计算量也被转换为AI训练碳强度(ATCI, 每单位计算量的排放量)，这是一个评估模型训练可持续性效率的指标。我们的结果表明，训练最受欢迎的开源模型（下载量超过5000次）已导致约公吨的碳排放。本文为排放估算提供了一个可扩展的框架，并为指导AI行业未来的标准和可持续性战略提供了实用方法。
关键词
引用
@article{arxiv.2605.01549,
title = {Hugging Carbon: Quantifying the Training Carbon Emissions of AI Models at Scale},
author = {Xinlei Wang and Ruibo Ming and Jing Qiu and Junhua Zhao and Jinjin Gu},
journal= {arXiv preprint arXiv:2605.01549},
year = {2026}
}