来源：市场资讯
原载《财会月刊》2026年第01期
【摘要】人工智能（AI）作为新一轮数智化技术革命的主力军，不仅在提升全要素生产率、促进经济社会发展、重塑生产生活方式等方面发挥积极的作用，而且将赋能全人类积极应对气候变化。但AI在发展过程中潜藏的ESG（环境、社会、治理）风险逐渐显现，理应予以充分关注。本文系统解构AI的十大ESG风险。在环境议题方面，AI引发的芯片需求和算力扩张导致电力与水资源过度消耗，留下大量的碳足迹以及矿物消耗和废弃物等环境足迹。在社会议题方面，AI对就业岗位的挤出效应导致薪资与生产力进一步脱钩，加剧了劳动力市场失衡和社会不公平。在治理议题方面，算法歧视、AI滥用以及数据安全带来全新的治理挑战。缓释AI的ESG风险，确保AI健康可持续发展，必须推动AI向绿色化与循环化转型、完善就业保障和分配机制、强化伦理建设和建章立制。
【关键词】人工智能；环境风险；社会风险；治理风险；风险缓释【基金项目】国家社会科学基金项目“气候信息披露规则与产品碳足迹管理机制研究”（项目编号：24BGL094）；国家自然科学基金项目“基于利益相关者视角的财务舞弊识别及应用”（项目编号：72172135）
一、引言
近年来，以ChatGPT和DeepSeek为代表的生成式人工智能（AI）技术取得重大突破，正以各种方式在制造业和服务业推广运用。麦肯锡针对16个业务领域中63个应用场景的研究显示，AI将显著提升全要素生产率、催生新业态新机遇，预计每年可带来2.6万亿 ~ 4.4万亿美元的经济增加值（McKinsey，2023）。除促进经济增长外，AI还可在工业生产能耗优化、智能电网高效调度、建筑能耗动态管控、交通运输减排提效、农业种植精准滴灌、研发设计提质增效、供应链协同化脱碳、碳足迹追踪与管理等领域进行技术赋能，为人类社会节能降耗、减少温室气体排放、共同应对气候变化提供技术支撑。但在看到AI对绿色低碳转型发挥促进作用的同时，也应充分关注杰文斯悖论（Jevons Paradox），客观评估AI发展的潜在不利影响。英国经济学家、逻辑学家威廉·斯坦利·杰文斯（William Stanley Jenovs）于1865年出版了《煤炭问题》（The Coal Question）一书，提出的观点彻底颠覆了人们对技术进步与资源消耗相互关系的认知。他指出瓦特通过改良蒸汽机极大提高了煤炭使用效率，大幅降低了煤炭使用成本，结果却导致煤炭总消耗量以前所未有的速度增长。他观察到的“效率显著提升——成本大幅降低——需求急剧增加——总消耗量不降反升”这一有违常理的“反弹效应”（Rebound Effect）被学术界称为“杰文斯悖论”。谷歌、苹果、微软等数字化平台企业近年来通过使用AI节能技术和清洁能源，虽然大幅降低了单位能耗和温室气体排放强度，但用电量、用水量和碳排放却呈上升态势，这雄辩地说明19世纪提出的杰文斯悖论到了21世纪依然存在。
联合国贸易和发展会议（UNCTAD）在《2024数字经济报告：打造具有环境可持续性和包容性的数字未来》（简称“UNCTAD报告”）中敏锐地指出，以AI、大数据、云技术、物联网为代表的数字化不仅留下了大量环境足迹（能源和材料消耗产生的碳足迹、水足迹、矿物消耗和废弃物等），而且加剧了社会不公平（UNCTAD，2024），提示我们在发展AI的过程中应当高度警惕AI可能给经济、社会和环境带来的意想不到的负外部性。AI迅猛发展和普及应用潜藏的ESG（环境、社会、治理）风险不容小觑，数据中心的耗电耗水和碳排放、劳动力市场的结构性冲击、算法应用的伦理争议等ESG问题，正成为制约AI可持续发展的瓶颈。加强这方面的研究，对于确保AI健康可持续发展意义重大。现有研究大多聚焦AI的技术创新与经济效应，对AI发展中的ESG风险进行系统分析的研究严重匮乏。本文系统解构AI发展中的十大ESG风险，剖析AI全生命周期的耗电耗水、碳排放以及矿物消耗等环境风险，分析AI对就业岗位产生冲击、生产力提升与劳动者报酬脱钩、马太效应加剧等社会风险，指出算法歧视、AI滥用以及数据安全带来的隐私权危机等治理风险，并从ESG的角度提出风险缓释建议，希望能为政策制定者提供风险预警，为企业和个人善用AI提供有益启示。
二、AI的环境（E）风险：算力扩张的生态代价
AI的有效运行高度依赖海量数据处理与高强度算力支撑，从软硬件生产到模型训练再到问题推理的全生命周期，均带来巨大的环境资源压力。概而言之，AI的环境（E）风险主要体现在电力消耗、水资源消耗、碳排放、矿物消耗与废弃物四个方面。
（一） 电力消耗：AI的尽头是电力
首先，AI相关的硬件制造属于能源密集型环节，但在整个生命周期中其能耗低于运营阶段。硬件制造最耗电的是芯片制造（含GPU/TPU，即图形处理器和张量处理器）以及数据存储设备制造环节。国际能源署（IEA）于2025年4月发布的《世界能源展望特别报告：能源与人工智能》（简称“IEA报告”）显示，以目前最先进的3纳米芯片为例，每片晶圆的制造过程需消耗约2.3兆瓦时（2300度）电能。对于高性能的服务器配置，制造环节的能耗超过10兆瓦时，而五年使用周期的运营能耗则超过80兆瓦时。在制造环节的总能耗中，约60%的能耗用于晶圆及半导体生产（沉积、光刻和蚀刻工艺占主要部分），其余40%的能耗主要用于设施冷却等辅助流程（IEA，2025）。
绿色和平组织于2025年5月发布的《人工智能环境影响报告》（简称“绿色和平组织报告”）指出，2023年全球半导体行业消耗了超过100太瓦时（1000亿度）电能，相当于全球制造业耗电量的1%（Green Peace，2025）。仅台积电2024年的耗电量就高达274.70亿度（TSMC，2025），相当于通用汽车同年在全球范围内生产和销售537万辆汽车耗电量的4.96倍（General Motors，2025），如表1所示。
其次，大语言模型的训练和推理极其耗电，堪称“电老虎”。斯坦福大学人工智能研究所发布的《2023年人工智能指数报告》显示，训练一次GPT-3的耗电量多达1.28吉瓦时（Stanford，2023）。更为严重的是，随着AI大模型参数规模从百亿级向万亿级突破，训练AI的能耗呈指数级增长。专注于AI环境资源影响的网站All About AI发布的《2025年AI环境统计》报告列示了五大AI模型训练的耗电量，如表2所示。
美国能源信息署（EIA）的数据显示，2024年美国家庭年平均耗电量约10500千瓦时，训练一次GPT-4的耗电量足够4762个美国家庭使用一年。值得注意的是，AI在响应用户查询和提问时进行推理的耗电量更加惊人，而推理约占AI能源消耗的60% ~ 70%②。AI的电力消耗已经引起公众的关注，OpenAI首席执行官萨姆·奥特曼（Sam Altman）2024年初在达沃斯会议上不得不承认，AI技术消耗的电力将远超人们预期。
数据中心是AI最重要的算力基础设施，AI的训练和推理主要在数据中心完成。根据绿色和平组织报告，全球AI数据中心耗电量占全球数据中心耗电量的比重将从2024年的16%猛增至2030年的53%（如图1所示），全球数据中心耗电量将从2024年的563太瓦时（5630亿度）猛增至2030年的1385太瓦时（13850亿度）（如图2所示）。若按53%的全球AI数据中心用电量占比测算，2030年全球AI数据中心耗电量（7340亿度）约占2024年日本耗电量（1.03万亿度）的71%、相当于德国耗电量（4640亿度）和英国耗电量（2510亿度）之和的103%。全球数据中心最近几年的耗电量之所以快速增加，最根本的原因是AI高速发展和大量普及。从表3可以看出，谷歌耗电量从2020年的151.26亿度增至2024年的321.06亿度，复合年均增长率为20.7%，其中数据中心的耗电量更是从2020年的144.26亿度飙升至2024年的308.26亿度，