人工智能正在成为基础设施。
它正进入搜索、办公、医疗、教育、科研和制造业。它也正进入日常决策发生的那些细小缝隙：先做什么、哪个选项消耗更少资源、一个复杂的说法是否值得我们信任。
这改变了我们应当提出的问题。“人工智能能做什么？”不再是最重要的问题。更难的问题是：当人工智能能力的进步快于我们的制度、能源系统和社会共识时，我们如何确保人工智能扩展人类的可能性，而不是将效率、资源和权力集中到更少的人手中？
这并不是在论证人工智能会拯救世界。也不是在论证它会毁灭世界。这是一个工作假设：人工智能可以成为可持续发展的放大器，但前提是我们先决定什么值得被放大。
这个问题与我们思考AirJelly的方式很接近。一个主动式人工智能伙伴不应只是制造更多产出，或用更多建议打断人们。它应当帮助人们理解语境、减少低价值的摩擦，并让人工判断始终参与其中。当我们从社会尺度思考人工智能时，也应适用同样的标准。
01. 进步需要一个更宽泛的定义
在过去几十年的大部分时间里，技术进步一直以速度、规模和产出来衡量。模型变得更快。工厂变得更加自动化。内容变得更加丰富。决策链条变得更短。
这些衡量指标很重要，但它们并不等同于人类发展。
联合国可持续发展目标将发展描述为一组相互关联的责任：消除贫困与饥饿、改善健康与教育、创造体面工作、减少不平等、采取气候行动，以及建设和平且负责任的制度。增长不是一张单一的排行榜。它是一组必须长期保持可行的关系。
人工智能带来了一个特殊的挑战，因为它非常擅长优化局部目标。
如果目标是缩短平均客服响应时间，系统可能会减少人工参与。如果目标是最大化参与度，它可能会制造更多刺激。如果目标是提高预测准确率，它可能会让少数群体的经历变得不那么可见。每一项局部指标都可能改善，而整体生活质量却在恶化。
可持续的人工智能需要对成功有更宽泛的定义：在更长的时间内，为更多人创造可靠、公平、可恢复的价值。
这意味着产品指标应包含那些不那么光鲜但更具后果的问题。系统节省了多少能源和材料？它消除了多少重复性工作？谁获得了能力，谁失去了选择？当系统失败时，谁能察觉、纠正并质疑它？
最好的人工智能产品不是那些让人感觉被智能包围的产品。而是那些帮助人们把注意力花在重要之处的产品。
02. 人工智能可以帮助我们看清系统。但它不能替我们做价值判断。
气候和生态问题之所以困难，不仅是因为我们缺乏信息。它们之所以困难，是因为系统复杂、反馈延迟、责任分散，而且许多成本不会出现在单个组织的季度报告中。
人工智能很适合处理这种复杂性的一部分。它可以帮助研究人员整合卫星图像、传感器数据、天气记录和供应链信息。它可以帮助电网预测需求并整合可再生能源。它可以帮助建筑师比较材料、能源使用和生命周期影响。它可以帮助农民识别灌溉、病虫害和土壤状况中的规律。
国际能源署的《能源与人工智能》报告指出了人工智能在电力系统、建筑、工业、交通和能源创新中的重大机遇。它也让等式的另一面无法被忽视：数据中心和人工智能本身需要更多电力。
人工智能本身并不天然绿色，也不天然不绿色。它的影响取决于它所部署的系统、为它供能的能源，以及被要求优化的目标。
同一个模型既可以帮助电网降低峰值需求，也可以生成无穷无尽的低价值计算和消耗。我们不应只问一个模型用了多少能源。我们应当问，它是否帮助更广泛的系统节省了比该模型所消耗的更多的能源、材料、时间或风险。
这就是为什么人工智能应被视为观察者、协调者和情景构建者——而不是最终裁判。它可以生成预测、揭示权衡，并让复杂的模式变得清晰可读。它不能自行决定一条河流值多少、一片湿地是否应被开发，或谁的风险是可以接受的。
这些决定仍然属于公共辩论、法律和人类判断。
03. 计算是物质世界的一部分
当我们谈论大模型时，很容易只看到无形的产出：文本、图像、答案和预测。但每一项产出仍然依赖于物理芯片、服务器、冷却系统、电力、土地和水。
数据中心的需求正在成为一个基础设施问题。国际能源署的《2024年电力》分析预测，到2026年，数据中心、人工智能和加密货币的电力消耗可能会增加一倍以上。确切的增幅将因效率、区域能源结构和需求而异，但方向是明确的：人工智能无法脱离电力系统独立扩展。
这并不意味着研究或有用的应用应当停止。这意味着我们需要对效率有更好的定义。
更大的模型不会自动创造与其成本成比例的公共价值。更长的答案不会自动更有用。把每项任务都发送给最昂贵的模型不会自动是更好的产品设计。
成熟的系统会根据任务难度选择模型。它会在可能的情况下复用结果。它避免不必要的调用。它让重要的资源边界变得可见。它把计算视为应当审慎花费的东西。
这是一个简单的产品原则：不要让计算取代思考。
当困难的问题需要仔细推理时，人工智能是一种工具。当一个系统只是为了显得智能而不断生成、提醒和重新评估时，它更接近于浪费。
04. 可持续也意味着不剥夺人类的能力
如果人工智能只被用来降低劳动力成本，可持续发展就会成为让更少的人做更多工作的委婉说法。这是一条容易走的路，也是一条危险的路。
国际劳工组织2023年关于生成式人工智能与就业的研究表明，生成式人工智能更可能改变和增强许多职业中的任务，而不是立即消除整个职业。但其影响在国家、行业、性别和工作类型之间并不均衡。平均收益并不能告诉我们谁承担了转型成本。
以人为本的人工智能系统应当用更有用的问题取代“我们自动化了多少工作岗位？”这一问题：
- 它是否减少了危险、重复或低价值的工作？
- 它是否给了人们更多时间去学习、关怀、创造和运用判断？
- 用户是否理解系统的局限，还是只是被期望接受它的结论？
- 受决策影响的人能否申诉、请求复核并选择退出？
联合国教科文组织的《人工智能伦理建议书》将人的尊严、自主性、透明度、可解释性、问责制和环境保护置于负责任人工智能的核心。这些听起来可能很抽象，直到它们变成产品决策：保留人工复核；展示不确定性；保持可追溯的决策历史；不要把沉默当作同意；让人们纠正系统对他们的看法。
这也是个人语境重要的地方。一个记住正确事情的助手可以减少认知负担。一个悄悄把记忆变成控制的助手则可能适得其反。在AirJelly，语境的意义不是完美地预测一个人。而是帮助一个人以更大的自主性运用自己积累的语境。
如果人工智能让人们更不善于记忆、判断、组织或提出异议，它可能提高了短期效率，却削弱了社会的长期韧性。
05 分界线不在于人们是否拥有人工智能，而在于谁能使用和治理它
最深的可持续风险往往不是技术本身。而是其收益和风险的不平等分配。
先进计算、数据、人才和基础设施集中在相对少数几个国家和公司手中。较富裕的地区可能将人工智能用于气候建模、医学筛查和个性化教育。资源不足的地区则可能接收到外部系统，这些系统对人们进行评分、监控或分类，而当地人在其设计、审计或治理中却没有实质性的参与角色。
这会复制既有的不平等。拥有更多数据的人获得更好的服务。拥有更多资源的组织获得更高的效率。弱势群体则更有可能被预测、归类和管控。
因此，人工智能可持续发展议程不能只关注部署。它还必须建设公共能力：开放标准、可负担的基础设施、多语言系统、本地知识、公共利益研究，以及允许政府、学校、社区和公民社会组织审查重要系统的机制。
公平并不是产品完成后才添加的“公益模式”。它始于问题定义、数据、部署环境、定价模式以及处理故障的方式。
同样的原则也适用于个人 AI。一个有用的伙伴不应将个人的上下文变成专有的牢笼。它应当让上下文更可用，同时将所有权、纠正权和方向掌控权留给个人。
06 让 AI 成为长期协作者
如果 AI 要支持可持续发展，我们需要既简单到足以使用、又严格到足以产生实际影响的原则。
从公共价值出发，再选择模型
不要从“我们能在这里加一个模型吗？”开始。要从“哪个真实问题值得解决？”开始。一个减轻护士行政负担的系统，不应与一个仅仅向本已嘈杂的信息流中添加更多内容的系统用同一指标来评估。
将生命周期成本纳入产品决策
成本不只是API账单。它还包括能源、硬件、数据治理、维护、迁移、培训以及错误带来的社会成本。在高影响场景中，生命周期评估应当与功能评估同等重要。
向决策者展示不确定性
可持续的系统不能假装始终确定。当人们采取行动时，置信度、数据新鲜度、适用范围和已知的失效模式都应当清晰可见。诚实地说出“我不知道”，往往比给出一个流畅的错误答案更有用。
让受影响的人参与设计
被系统评估、服务或管理的人，不应仅仅作为数据集中的一行存在。教师、护士、工人、农民、残障人士和社区组织需要在设计、测试和审查中拥有真正的话语权。
保留退出和纠正的权利
并非每个工作流程都需要自动化。并非每个自动化工作流程都应当不可逆。基本服务需要替代渠道、人工审核以及可追溯的申诉流程。
以系统选择不做什么来衡量成熟度
成熟的AI产品不会把越来越多的决策交给模型。它知道哪些决策应该留给人来做。减少不必要的生成、通知和决策循环，同样是一种进步。
07 最终的问题仍然是：我们想成为什么样的人？
技术往往会放大组织既有的运作方式。
如果我们把教育视为答案生产，把工作视为一组可压缩的任务，把自然视为可供优化的资产，把人视为可预测的用户，那么AI将加速这些假设。
但如果我们把教育视为判断力的培养，把工作视为共同的创造，把自然视为我们必须与之共处的系统，把人视为有尊严、处于关系之中、且部分不可知的存在，那么AI就能帮助我们保护时间、看清复杂性、跨越距离协作，并为长期目标腾出空间。
可持续发展从来都不是让世界变得无限高效。它意味着在一个有限的星球上，守护人类选择的能力、修复关系的能力，以及关怀未来的能力。
AI能否成为这项工作中的一个伙伴，取决于我们赋予它的任务、边界和制度。模型会越来越强大。但没有任何模型会替我们决定什么值得去做。
那部分仍然属于我们。
参考文献
- 政府间气候变化专门委员会（IPCC）。AR6综合报告：2023年气候变化。2023年。https://www.ipcc.ch/report/ar6/syr/
- 联合国。变革我们的世界：2030年议程与可持续发展目标。2015年。https://sdgs.un.org/2030agenda
- 国际能源署（IEA）。电力2024：至2026年的分析与预测。2024年。https://www.iea.org/reports/electricity-2024
- 国际能源署（IEA）。能源与人工智能。2025年。https://www.iea.org/reports/energy-and-ai
- Gmyrek, P., Berg, J., & Bescond, D. 生成式人工智能与就业：对就业数量和质量潜在影响的全球分析。ILO工作论文第96号，国际劳工组织，2023年。
- 联合国教科文组织。人工智能伦理建议书。2021年。https://www.unesco.org/en/legal-affairs/recommendation-ethics-artificial-intelligence
- 联合国环境规划署（UNEP）。2024年排放差距报告：别再空谈了……拜托！。2024年。https://www.unep.org/resources/emissions-gap-report-2024
- 斯坦福大学以人为本人工智能研究院。2025年人工智能指数报告。2025年。https://hai.stanford.edu/ai-index/2025-ai-index-report
- 经合组织（OECD）。OECD人工智能原则。2024年更新。https://oecd.ai/en/ai-principles