当一年级医学生Amy Edziah六个月前进入耶鲁大学医学院时，她发现自己在使用人工智能工具来增强学习过程和概念理解。然而，她担心这些工具可能对环境和低收入社区造成危害，因为数据中心往往建在那些地方。
“我该如何调和使用AI对环境的影响，同时又觉得这些工具对我的学习有帮助？我不想为我使用的工具可能对未来的患者造成的伤害做出贡献，但我需要学习如何照顾他们，而AI工具甚至可能帮助我成为更好的医生。”
Edziah向医学教授兼儿科教授、教育技术与创新副院长Jaideep Talwalkar博士提出了她的问题，并了解到自己并非唯一面临类似困境的人。
受到Edziah问题的启发，Talwalkar和教育技术与创新团队从耶鲁大学和耶鲁纽黑文健康中心召集了一批专家小组，讨论在医疗保健和医学教育中使用AI对气候的影响。
此次活动于3月3日在科恩礼堂举行，小组成员包括耶鲁大学环境学院工业生态学与可持续系统副教授Yuan Yao博士、耶鲁大学教务长办公室人工智能项目项目经理Connie Steel博士、耶鲁大学医学院和耶鲁纽黑文健康中心首席健康信息官Allen Hsiao博士，以及耶鲁大学副教务长（学术计划）Jennifer Frederick博士。
在Talwalkar的主持下，小组成员分享了他们在各自专业领域关于AI气候足迹的讨论。
AI的生命周期
对Yao和她的同事来说，重点一直是对AI系统的生命周期环境影响进行评估。
“我们如何量化AI对环境的影响？这远不止电力和水的消耗。我们必须努力理解产品的完整生命周期——从制造硬件所需的矿产和材料，到建设和运营数据中心相关的环境影响，再到产品生命周期结束时产生的电子垃圾。要全面理解AI的环境影响面临巨大挑战，因为供应链分布在全球多个地区，而公司并不公开分享详细的制造和供应链信息。”
Yao表示，做一个负责任的公民意味着要意识到我们的选择和消费模式如何影响技术使用地以外的社区。
例如，电子垃圾可能从高收入国家出口到发展中国家，这些国家的回收基础设施和环境保护可能有限。在某些情况下，废弃电子产品通过非正式回收方式（如焚烧）处理，以回收有价值的材料。这些活动可能向空气、土壤和水中释放有毒物质，对当地社区带来健康和环境风险。
她鼓励人们在使用AI时要有思考，就像考虑购买新东西一样。“问问自己：我需要使用AI来完成这个任务吗？还是仅仅因为它在那里就用它？”
利用AI实现更高效、更以患者为中心的护理
Hsiao分享说，临床医生一直在寻找工具来帮助他们管理工作流程、改善护理和提高效率。对许多人来说，这意味着使用诸如Ambient AI之类的AI工具——一种由AI驱动的虚拟抄写员，记录并合成医患对话，使医生在检查期间能够更充分地专注于患者，而不是写笔记。
一些临床医生出于对气候影响的担忧选择不使用这些工具。Hsiao指出，虽然训练一个大型语言模型确实需要大量能源，但一旦训练完成，生成一个环境AI笔记所需的电量相当于点亮一个60瓦灯泡18秒。
他说，如果能借助AI为医生提供更好的护理机会，那可能意味着更少的诊断测试、更少的材料使用、患者更少的痛苦以及更快、更准确的诊断。最终，这些效率提升可能会带来大规模积极影响，比如因所需床位减少而缩小医院HVAC系统的规模（HVAC系统通常占医院能耗的40%至50%）。
负责任地使用AI
Frederick关于AI的讨论集中在耶鲁如何能在保持该领域领先地位的同时，尽量减少对环境的损害。为了实现这一目标，Frederick和她的同事一直在评估耶鲁大学AI工具Clarity的使用情况。
Frederick说，他们做出的最大节能改变之一，是将耶鲁的能源消耗订阅模式从PTU（预置吞吐量单元）模式切换为更准确反映实际使用情况的模式。仅此一项改变，他们就将Clarity所需的能源减少了十倍。到目前为止，Clarity的年能源使用量大约相当于三个家庭一年的用电量，而且未来将大大减少。
耶鲁还在做出更气候负责的选择，例如将大学的数据中心迁移到与其他五所大学共享的联合空间。该空间名为马萨诸塞州绿色高性能计算中心，位于马萨诸塞州霍利奥克，是第一个获得LEED铂金认证的大学研究数据中心。该中心采用创新方法大幅降低冷却和能源消耗。
Frederick还指出，耶鲁已经并且可以继续向供应商施压，要求他们披露在哪些产品中使用了AI、如何使用以及相关的能耗。
氛围编码、绿色代码与AI效率
对Steel来说，她注意到过去一年“氛围编码”显著增加。氛围编码是一种开发方法，使用自然语言提示来引导AI助手构建和迭代应用程序。这意味着应用程序开发不再局限于少数拥有高技术水平技能的编码人员。通过氛围编码，任何能够提示AI助手的人都可以构建应用程序。
虽然这为那些原本可能永远不会实现的项目打开了大门，但她指出，氛围编码的上升趋势可能意味着越来越多的编码项目，每个项目都有自己的能源需求。她鼓励氛围编码者探索计算机科学领域中关于计算效率和绿色编码的讨论。用户也可以提示AI助手改进其代码的效率，例如询问“你能帮我让代码更绿色吗？”
为了减少环境影响，她建议考虑使用适合目的的预训练大型语言模型。合适的预训练模型可以显著降低能源使用、加快项目交付，并且比从头构建模型更具成本效益。
在耶鲁，Clarity为用户提供六种大型语言模型供选择：GPT-4o、GPT-4o mini、Claude Sonnet 4.5、Gemini 2.5 Flash、Gemini 2.5 Pro和o3。Steel指出，其中Gemini 2.5 Flash和GPT-4o mini更节能，目前正在评估中，可能取代GPT 4o成为默认模型。
对于有兴趣了解自己在Clarity中能源使用情况的用户，Steel指出，令牌是生成答案所需计算时间和能源的代理指标。展望未来，Steel鼓励与会者考虑如何优先利用AI助手来改善患者护理。“思考如何利用AI队友的特殊技能和才能，同时也要认识到它的弱点。”
与Hsiao一样，Steel看到了AI通过更准确、更高效的护理来减少医疗系统碳足迹的潜力。“医疗保健系统是一个庞大的生态系统，诊断错误或延迟发生在10%至20%的患者就诊中。如果能利用AI降低这个数字，就不仅有可能改善患者的生活，还能减少低价值检查、医疗材料浪费和电力消耗。”
【全文结束】