AI 的隐形账单：透明度和环境成本

聊 AI 的时候，大家习惯看能力、看价格。但有两个成本经常被忽略：一个是「透明度」，一个是「环境」。

透明度在倒退

斯坦福《2026 年 AI 指数报告》里有个不太起眼但很重要的数据：基础模型透明度指数的平均得分，从上一年的 58 分降到了 40 分。

更讽刺的是：能力最强的模型，往往披露得最少。

报告提到，超过 90% 的知名 AI 模型由私营公司创造，但很多公司不再公开训练数据集大小、参数数量、训练时长。去年发布的 95 个知名模型里，有 80 个没有公开训练代码。

这意味着什么？外部研究者、监管机构、甚至客户，都很难判断一个模型是怎么来的、用了什么数据、有什么偏差。

为什么公司不愿意公开

原因不复杂：

• 商业机密：训练方法和数据配方是核心竞争力；
• 法律风险：训练数据可能涉及版权，公开了等于自曝；
• 安全考虑：权重和细节公开后，可能被滥用。

这些理由都说得通，但结果是：AI 正在变成一个黑箱，而且是最重要的基础设施之一。

环境成本：电和水

报告里的几个数字挺触目：

• xAI 训练 Grok 4 估计产生 72816 吨二氧化碳当量，相当于 1.7 万辆汽车一年的排放；
• 全球 AI 数据中心的电力容量已达 29.6 吉瓦，接近纽约州的峰值用电需求；
• 仅 GPT-4o 的推理用水量，就可能超过 1200 万人的饮用水需求。

这些数字不一定精确，但量级足够说明问题：AI 不是「虚拟」的，它背后是实打实的发电厂和水资源。

为什么大家很少提

因为成本被分散了：电费算在云厂商账上，水费算在数据中心所在地，碳排放算在全人类头上。用户看到的只是「每月 20 美元」。

但长期看，这些成本会以另一种方式回来：电价上涨、数据中心与居民争水、碳排放目标压力。已经有不少地方因为数据中心选址引发争议。

开源能解决透明度问题吗

部分能。开源模型的权重和结构是公开的，至少能被研究、被审计、被本地部署。

但开源也有自己的账：训练同样大的模型，一样要烧电烧水，只是账单不在你这里而已。

对普通用户意味着什么

• 选服务时，可以留意厂商有没有公开模型信息、数据使用政策；
• 企业采购，把「透明度」和「数据合规」纳入评估，不只看跑分和价格；
• 个人使用，知道自己在用的是一个「不透明 + 高能耗」的东西，心里有数就行。

小结

AI 的进步有目共睹，但它的代价同样真实：我们越来越依赖它，却越来越看不懂它；它越来越强，也越来越费电费水。

这不是要否定 AI，而是提醒：评价一个模型，不能只看榜单和价格，还要看它是否透明、是否可持续。