《Electronic Markets》:Public perceptions of AI energy consumption: Awareness, responsibility attribution, and strategies
编辑推荐:
摘要:生成式人工智能(Generative Artificial Intelligence,GenAI)在零工经济和电子市场中得到了广泛应用。然而,其进展由于高且持续增长的能源消耗而产生了巨大的环境成本。由于推理(inference)——即GenAI生成输出的
摘要:生成式人工智能(Generative Artificial Intelligence,GenAI)在零工经济和电子市场中得到了广泛应用。然而,其进展由于高且持续增长的能源消耗而产生了巨大的环境成本。由于推理(inference)——即GenAI生成输出的过程——占据了这一需求的大部分,个体使用模式正成为理解总体能源足迹的关键因素,也是制定有效教育策略和政策的关键前提。本研究借鉴心理距离的解释水平理论(construal-level theory of psychological distance),探讨了与GenAI能源消耗相关的个体感知。基于来自美国的1080名参与者的全国代表性样本,研究人员提供了证据表明个体意识到了与GenAI相关的能源消耗。此外,研究人员表明,与家用电器相比,对于GenAI的能源消耗存在责任扩散(diffusion of responsibility),更多的责任被归于政策制定者和开发者,而非用户。研究人员还探讨了个体打算如何实施亲环境(pro-environmental)策略,并阐明了个体建议的在使用GenAI时降低能源消耗的不同途径。研究人员最后阐述了其对理论、实践和政策制定的启示。
### 论文解读:公众对生成式人工智能能源消耗的认知、责任归因与策略
#### 研究背景与问题
随着生成式人工智能(GenAI)在零工经济和电子市场中的广泛应用,其带来的巨大环境成本日益凸显。尽管人工智能(Artificial Intelligence,AI)模型的训练阶段能耗巨大,但推理(inference)阶段——即模型被部署用于实际应用的过程——的能源需求同样不容忽视。据估算,推理约占AI总能源消耗的60%。用户的使用模式,如使用频率、任务复杂度(例如提示词复杂性)、模型选择等,正成为影响全球能源需求的关键因素。然而,现有研究多聚焦于技术层面的效率提升(如硬件和数据中心优化)或家用电器、交通等领域的个体节能行为,对于AI相关能源消耗中用户角色的理解尚存在显著空白。公众对AI能源消耗的认知程度、责任归因以及减排策略的了解程度缺乏实证研究,这阻碍了旨在促进“绿色AI”(Green AI)的有效政策干预。因此,本研究旨在从社会行为视角出发,探究以下研究问题:公众在多大程度上(a)意识到GenAI的能源消耗,(b)认为自身对GenAI的能源消耗负有责任,以及(c)能提出减少GenAI能源消耗的策略。
#### 主要技术与方法
本研究采用混合方法(mixed-methods)设计,结合了定量与定性分析。数据通过Prolific在线平台收集,对象为基于美国人口普查简化标准筛选的全国代表性样本,最终样本包含1080名参与者。主要技术方法包括:(1)**排序任务(Sorting Tasks)**:要求参与者分别对五项常见的AI任务(如图像生成、问答)和五项家用电器任务(如空间加热器、电视)按能源消耗从高到低排序,以测量其能源消耗的相对意识;(2)**修正美元度量表(Modified Dollar Metric Scale)**:赋予参与者100分,要求其在政策制定者(Policy-makers)、生产者(Producers)、用户(Users)、工程师(Engineers)和无人负责(No one)五个利益相关者之间分配,以衡量责任归因;(3)**开放式文本编码(Open-ended Text Coding)**:要求参与者描述个人认为最有效的节能减排策略,并基于一个由七个策略(如选择供应商、模型优化、减少使用等)构成的概念框架,采用大型语言模型(LLM)集成方法进行编码分析。
#### 研究结果
**1. 对特定任务能源消耗的认知(Awareness of task-specific energy consumption)**
通过排序任务分析,研究人员发现,大多数参与者能相对准确地根据能源强度对任务进行排序。尽管参与者对家用电器任务的排序准确度略高于AI任务(平均所需交换次数分别为3.06次和3.46次),但两者差异显著但幅度较小(Fisher转换相关性的t检验显示差异显著,p = .037)。这表明公众对GenAI任务(如图像生成比问答更耗能)的能源消耗具备**中等程度的相对意识**,几乎与对家用电器的认知水平相当。
**2. 对AI能源消耗的责任感知(Perceived responsibility for AI energy consumption)**
通过比较AI与家用电器两大场景下五个利益相关者的责任分配,研究人员发现显著差异:
- **政策制定者**在AI场景下(M=18.92)获得的责任分值显著高于家用电器场景(M=13.34)。
- **用户**在AI场景下(M=22.18)获得的责任分值显著低于家用电器场景(M=38.82)。
- **开发者**在AI场景下(M=28.69)获得的责任分值显著高于家用电器场景(M=17.72)。
- **无人负责**选项在AI场景下(M=4.37)获得的分值也显著高于家用电器(M=2.69)。
结果表明,对于GenAI的能源消耗存在**责任扩散**现象,责任被更多地归因于开发者、政策制定者等外部行为者,而用户自身的责任感知显著降低。这与心理距离理论(CLT)预测一致:AI云服务的抽象和远程特性可能增加了心理距离,削弱了个人责任感。
**3. 减少AI能源消耗的策略(Strategies related to reducing AI energy consumption)**
对参与者提出的策略进行编码分析后,研究人员发现:
- 约44.9%的策略集中在**限制使用**上,包括减少使用(33.5%)、完全戒除(8.2%)和使用非AI替代方案(3.2%)。
- 仅有5.7%的策略涉及**优化交互**,如选择供应商(1.3%)、选择模型(2.1%)和选择模态(2.3%)。
- 15.1%的参与者提到了**提示词优化**(prompt optimization)。
- 约9.9%的参与者表示不知道任何策略。
逻辑回归分析显示,更高的GenAI熟练度与更可能提出模型选择、提示词优化等优化策略相关。更年轻和GenAI使用频率更高的参与者更倾向于提出“减少使用”而非“完全戒除”。这些结果支持了研究命题:公众更倾向于提出简单、远离实际可行性的解决方案(如减少或戒除使用),而非具体的优化交互策略。
#### 讨论与结论
**讨论**:研究结果表明,尽管公众对GenAI能源消耗有一定意识,但这种意识并未转化为强烈的个人责任感,责任被明显扩散。这可能是由于心理距离(即AI计算发生在远端、不透明的云中)导致了这种认知分离。在策略方面,公众普遍缺乏具体可行的减排知识,倾向于提出难以执行的“戒除/减少使用”方案,而对更有效的技术优化策略(如模型选择、提示词优化)认知不足。用户的熟练度是影响其提出更精细化策略的关键因素。这凸显了进行更广泛AI教育,特别是传授与AI交互时具体节能减排策略的紧迫性。
**理论启示**:本研究拓展了绿色信息系统(Green IS)和绿色AI的研究,强调了个体用户在社会技术视角下的核心地位。通过引入心理距离理论(CLT),为理解用户对AI能源消耗的认知差异提供了新理论视角。研究结果也为数字责任(Digital Responsibility)研究提供了实证证据,证明责任感知并非一成不变,而是高度依赖于技术情境,并分散在多个行为者之间。
**实践与政策启示**:组织应通过提供高效模型、培养员工AI素养(包括可持续使用知识)来支持可持续的AI使用。政策制定者应通过强制要求实时反馈能耗信息、推广“临近化”(proximizing)策略,将远程的环境后果与用户的即时体验联系起来。此外,需开展教育干预措施,教授用户如何选择特定任务模型等具体节能方法,以弥补知识鸿沟。
**研究结论**:GenAI的部署消耗了大量资源,给能源供应带来压力。其可持续长期使用取决于我们当前的管理方式。从社会行为视角出发,本研究发现公众对GenAI能耗的意识中等,但责任被从个人用户分散至其他行为者(如开发者、政策制定者),这可能削弱个人采取亲环境(pro-environmental)行为的动机。人们往往难以提出具体的减排策略,倾向于选择避免或减少使用AI,这在AI日益普及的背景下难以实现。GenAI能否与可持续发展目标相一致,最终将取决于个体如何理解和应对其资源需求。本研究结果强调了信息系统(IS)研究中社会行为视角的重要性。