AI碳足迹追踪怎么落地：用Python脚本估算推理能耗与碳排放

知识分享

2026-10-29 02:40

12 阅读

AI碳足迹追踪的核心不是买一套监控系统，而是把每次模型调用产生的能耗和碳排放记录下来，形成可对比的数据。
对大多数使用API或本地推理的团队来说，用Python脚本在调用链路里埋点，记录token量、推理时长和硬件功耗，再乘以电网碳强度，就能得到估算值。
本文面向零基础用户，从准备条件到脚本落地讲清楚怎么做。

先确定追踪范围和记录字段

开始写脚本前，先想清楚追踪哪类调用。
常见场景包括：调用云端大模型API、本地运行开源模型、批量跑推理任务。
不同场景记录方式不同，但核心字段可以统一：

调用时间、模型名称、请求ID
输入token数、输出token数（API通常返回usage字段）
推理耗时（秒），本地推理可用time.perf_counter()记录
硬件类型和功耗系数（GPU型号或CPU TDP）
电网碳强度（gCO2/kWh），可按地区取公开平均值

如果使用云端API，优先从响应体的usage字段拿token数据；
本地推理则需自己统计。不要一开始追求精确到每瓦时，先用可复现的估算方法跑通流程。

准备环境和依赖

在Linux或macOS上准备Python 3.8+环境，安装必要库：

python3 -m venv venv
source venv/bin/activate
pip install requests pandas

如果需要读取GPU功耗，可以安装pynvml（NVIDIA显卡）：

pip install nvidia-ml-py

准备一个CSV文件作为记录载体，字段固定为：timestamp,model,input_tokens,output_tokens,duration_sec,device,power_watt,carbon_intensity。
后续可以用pandas做汇总。

编写追踪脚本：在调用前后埋点

以调用一个通用大模型API为例，脚本结构分三步：记录开始时间、发起请求、解析usage并写入CSV。
关键代码如下：

import time, csv, requests
from datetime import datetime

API_URL = "https://api.example.com/v1/chat/completions"
HEADERS = {"Authorization": "Bearer YOUR_KEY"}

def track_call(prompt, model="gpt-4o-mini"):
    start = time.perf_counter()
    resp = requests.post(API_URL, headers=HEADERS, json={
        "model": model,
        "messages": [{"role": "user", "content": prompt}]
    })
    duration = time.perf_counter() - start
    data = resp.json()
    usage = data.get("usage", {})
    row = {
        "timestamp": datetime.utcnow().isoformat(),
        "model": model,
        "input_tokens": usage.get("prompt_tokens", 0),
        "output_tokens": usage.get("completion_tokens", 0),
        "duration_sec": round(duration, 3),
        "device": "cloud_api",
        "power_watt": 0,
        "carbon_intensity": 475
    }
    with open("carbon_log.csv", "a", newline="") as f:
        writer = csv.DictWriter(f, fieldnames=row.keys())
        writer.writerow(row)
    return data

注意：power_watt对云端API无法直接获取，
可以先填0，
后续用估算系数替代；carbon_intensity取当地电网平均碳排放因子，
中国区域可参考公开的电网平均排放因子，
单位gCO2/kWh，
不同年份有差异，
使用时注明来源和年份。

本地推理场景则需要在推理前后读取GPU功耗，例如使用pynvml采样：

from pynvml import nvmlInit, nvmlDeviceGetHandleByIndex, nvmlDeviceGetPowerUsage
nvmlInit()
handle = nvmlDeviceGetHandleByIndex(0)
power_mw = nvmlDeviceGetPowerUsage(handle)  # 毫瓦
power_watt = power_mw / 1000

把采样到的平均功耗填入power_watt，再结合推理时长计算能耗：能耗(kWh) = 功率(W) × 时长(h) / 1000，碳排放(gCO2) = 能耗 × 碳强度。

汇总与验证：从日志到碳足迹报告

记录一段时间后，用pandas汇总：

import pandas as pd
df = pd.read_csv("carbon_log.csv")
df["energy_kwh"] = df["power_watt"] * df["duration_sec"] / 3600 / 1000
df["carbon_g"] = df["energy_kwh"] * df["carbon_intensity"]
print(df.groupby("model")[["energy_kwh","carbon_g"]].sum())

验证方式：检查总调用次数是否与业务日志一致，单次碳排放量是否在合理范围（例如一次短文本API调用通常远小于1gCO2，本地GPU推理则可能达到数克）。
如果数值异常大，优先检查功率单位是否混淆（瓦与毫瓦）和碳强度单位是否用错。

容易踩的坑和注意事项

单位混乱：功率用瓦、时间用秒、碳强度用gCO2/kWh，换算时统一到小时和千瓦，否则结果差几个数量级。
云端API功耗无法直接测量：不要编造精确值，可以用服务商公开的能效数据或行业估算系数，并在报告中注明估算方法。
碳强度不要写死：不同地区、不同时段电网碳强度会变化，建议做成配置项，按月份或地区更新。
日志文件并发写入：多进程同时写CSV可能丢行，生产环境建议改用SQLite或日志队列。
不要承诺精确碳足迹：脚本输出的是估算值，用于趋势对比和优化参考，不能替代第三方碳核算认证。

常见疑问

追踪AI碳足迹需要改模型代码吗？ 不需要。
大多数情况下在调用层加埋点即可，云端API从响应中取usage，本地推理在前后计时和采样功耗，模型本身不用动。

没有GPU功耗读数怎么办？ 可以用CPU TDP或GPU标称功耗乘以利用率作为近似，但要在报告中说明是估算，不能当作实测数据。

多久记录一次比较合适？ 按调用次数记录即可，每次请求一行。
如果请求量很大，可以按小时聚合后再写入，避免日志膨胀。

完成以上步骤后，你就有了一个可运行的AI碳足迹追踪脚本，能输出按模型、按时间段的能耗和碳排放估算。
后续可以根据业务量调整采样频率，或把结果接入看板做持续对比。

AI垃圾分类配置：用Python脚本调用模型接口识别垃圾类型

AI工具怎么选：150款软件平台按实际任务收敛到3类