1. 先定基线与口径，再谈降碳
以「每千次推理的 gCO₂e」为唯一主指标，采集满 14 天再优化；未定基线就调参，降幅不可信。
Partners · 生态伙伴
绿色创新不是独行：6 类伙伴共建可持续算力网络
人工智能平台的碳账本横跨硬件、能源与算法三方。我们与下列伙伴打通数据接口，让环保科技能力可被度量、可被复用。
绿电供应商15 分钟级碳强度推送
云算力厂商PUE 与 GPU 利用率回传
模型开源社区轻量化模型权重共享
碳核算机构Scope 2/3 核算口径对齐
高校实验室能效算法联合验证
行业客户场景化节能需求共创
Workflow · 工作流程
4 步接入，把绿色算力接进你的 AI 平台
点击任意步骤展开要点。每一步都给出可核对的时间与指标，避免「上线了但看不见效果」。
1接入能耗与碳强度数据源约 0.5 天
- 开放接口频率：15 分钟/次；保留 90 天原始数据用于回溯。
- 必接字段：GPU 利用率、显存占用、机房 PUE、区域电网碳强度（gCO₂/kWh）。
- 避坑：不要用月均值做调度决策，峰谷碳强度差异常达 2 倍以上。
2建立任务与碳排放的映射关系约 1 天
- 为每个推理/训练任务打标签：模型版本、输入规模、SLA 等级。
- 按 token 数 × 单 token 能耗系数 估算排放，误差控制在 ±8% 内。
- 避坑：批处理任务与实时任务共用一套系数会低估实时链路能耗。
3启用错峰调度与模型降载策略约 2 天
- 非实时训练任务推迟到碳强度低于 350 gCO₂/kWh 的时段执行。
- 推理侧开启量化与 KV 缓存复用，单请求显存占用下降 30%~45%。
- 设置保底体验线：实时请求 P95 延迟不得高于 800ms，避免省电牺牲体验。
4上线能效面板并建立周度复盘约 0.5 天
- 面板首屏只保留 4 个指标：单位请求能耗、碳强度、GPU 利用率、任务成功率。
- 周度复盘对比基线，连续两周达标再开放自助调参权限。
- 避坑：指标超过 6 个会显著降低用户阅读率，务必做减法。
Metrics · 数据可视化面板
能效看得见，优化才敢做决策
左侧为真实业务口径的能效构成，右侧是关键结果指标。所有数值均为可复算的量化目标，而非宣传数字。
推理链路能耗构成（目标值）
1.6机房 PUE 上限（超过则触发容量预警）
72%GPU 平均利用率下限（低于则合并调度）
350gCO₂/kWh 错峰训练触发阈值
90d碳数据保留窗口，支撑季度核算
Checklist · 实用指导清单
落地 6 条硬规则：可持续 AI 平台怎么做到既省又能用
以下每条都给出做法、参数与阈值，可直接搬进你的技术方案评审。
2. 训练错峰，推理不降级
批式训练推迟到碳强度 < 350 gCO₂/kWh 执行；实时推理保 P95 ≤ 800ms，优先用缓存与量化，不动体验。
3. 用模型压缩换真实算力
INT8 量化 + 蒸馏通常带来 30%~45% 显存与能耗下降；上线前必须回归验证准确率跌幅 ≤ 1.5%。
4. 把等待也当能耗
队列等待超过 2s 的请求重排或合并批处理，可减少 12%~18% 的空转功耗。
5. 面板只留 4 个指标
首屏放单位请求能耗、碳强度、GPU 利用率、任务成功率；其余折进二级页，保证 3 秒内读懂。
6. 建立周度复盘与回滚线
连续两周未达标即回滚调度策略；每次策略变更记录前后 7 天对比数据，避免「优化了但没人知道」。
Scenarios · 图文混排特写
三个真实场景，看可持续设计如何落到交互体验上
从客服问答到内容审核再到工业质检，绿色创新与用户体验优化并不冲突，关键在调度与呈现方式。
客服问答：缓存命中率 68%，能耗降 39%
高频问题答案语义缓存复用，长尾问题才走完整模型；用户端感知到的只有更快，而不是更省。
- 缓存相似度阈值 0.92，低于阈值不命中，避免答非所问。
- 命中响应 < 300ms，未命中走完整链路 < 1.2s。
- 每周清理低价值缓存条目，控制存储与能耗反弹。
内容审核：分级模型，算力花在刀刃上
先跑 0.2B 小模型做粗筛，仅 11% 的疑似样本进入大模型复核，整体吞吐提升同时碳强度下降。
- 粗筛模型承担 89% 流量，大模型只处理高风险样本。
- 风险阈值分三档：低/中/高，对应不同复核深度。
- 误杀率控制在 < 0.4%，避免为了省算力伤害体验。
工业质检：边缘推理 + 夜间批量回传
产线端只做轻量推理，原始图像在碳强度低谷时段批量上传训练，带宽与能耗同时被压下来。
- 边缘设备推理延迟 < 120ms，满足产线节拍。
- 回传窗口设定在 23:00–06:00，带宽成本下降约 35%。
- 数据本地脱敏后再上传，兼顾环保科技与合规要求。