AI 推理碳排与水耗因子数据集
数据集简介
SAEF 的定位与核算用途
SOMA AI Emission Factors (SAEF) 面向企业温室气体清单中「采购的人工智能推理」这一容易被忽略的排放项。它把 AI 推理的碳足迹拆解为可按 token 计量的因子,使企业能够按照模型类别与云区域估算调用大模型所产生的排放与耗水,并归入 GHG Protocol 与 CSRD 框架下的范围三类别一(Scope 3 Category 1)。
数据集的核心口径是「每百万 token」:碳排放以 kg CO₂e 表示,耗水按模型类别与区域给出。所有因子均带版本号,当前因子版本标识为 soma-ai-ef-2026.10-dataset-v3.0.0。
文件清单与行数
GitHub 仓库保存的是 v2.0.0 快照(对应 17 个云区域),各 CSV 文件的行数如下:
| 文件 | 行数 | 内容 |
|---|---|---|
| carbon_factors.csv | 53 | 按模型类别、区域与基础设施情景给出每百万 token 碳排放 |
| water_factors.csv | 49 | 按模型类别与区域给出耗水 |
| energy_factors.csv | 9 | 设施级 GPU 能耗(每千 token Wh) |
| grid_intensity.csv | 17 | 2023 年基于位置的电网碳强度(kg CO₂e/kWh) |
| energy_per_token_raw.csv | 19 | 原始 GPU 能耗测量 |
| lifecycle_factors.csv | 7 | 与区域无关的硬件隐含碳与训练摊销附加项 |
| model_class_mapping.csv | 30 | 模型名到四个类别的映射及推理 token 倍数 |
carbon_factors.csv 的字段包括 model_class、region_id、infra_scenario、grid_kg_co2e_per_kwh 与 kg_co2e_per_1m_tokens;其余文件分别承担水耗、能耗、电网强度、原始测量、生命周期附加项与模型归类等环节。仓库另含 tools/check_factors.py,用于一致性校验。
四个模型类别
因子按四个模型类别组织,覆盖从小型模型到前沿大模型的主要形态:
- 小型模型,参数量约 8B;
- 中型稠密模型,参数量约 70B;
- 前沿 MoE(混合专家)模型;
- 前沿稠密模型,参数量约 405B。
model_class_mapping.csv 提供具体模型名到上述四个类别的映射,并给出推理 token 倍数,便于把实际调用量换算到对应类别后再查因子。
快速上手:用 pandas 读取
CSV 文件可直接从仓库读取,也可通过 raw.githubusercontent.com 直读。典型用法是用 pandas 载入 carbon_factors.csv,按 model_class 与 region_id 过滤后取得 kg_co2e_per_1m_tokens,再乘以实际 token 数(以百万计)得到估算排放。仓库中的 Python 计算器封装了这一流程,tools/check_factors.py 可用于核对因子文件之间的一致性。
清单计算公式(Tier 2a)
数据集配套的核算方法采用 Tier 2a 口径:以每百万 token 的碳排放因子为基础,结合模型类别归属、云区域与基础设施情景,逐项累加推理排放。与区域无关的硬件隐含碳与训练摊销部分由 lifecycle_factors.csv 单独提供,作为附加项计入,从而把「运行能耗」与「设备与训练分摊」区分开来。
按区域的碳因子(B 类示例)
carbon_factors.csv 以 region_id 区分区域,并保留 grid_kg_co2e_per_kwh 字段,使每百万 token 的排放可直接回溯到当地电网碳强度。v3.0.0 的区域覆盖扩展到 210 个国家与经济体、27 个美国 eGRID 子区域,以及 AWS、Azure、Google Cloud 共 143 个云区域,企业可据此选择实际部署区域对应的因子。
官方渠道与下载方式
数据集由 SOMA AI(西班牙巴塞罗那)发布,采用 CC BY 4.0 许可。GitHub 仓库公开可下载,完整数据集另以概念 DOI 10.5281/zenodo.20443585 与 v3.0.0 版本 DOI 10.5281/zenodo.23371447 在 Zenodo 发布,同时提供数据集查看器与 AI factors API 逐行查询。论文《Accounting for Purchased Artificial Intelligence Inference in Corporate Greenhouse Gas Inventories: A Token-Based Method》(arXiv:2606.10660)为该数据集的方法学配套文献。
模型归类与最低排放区域
借助 model_class_mapping.csv,用户可先把具体模型归入四个类别之一,再结合区域因子比较不同部署地的排放水平,从而识别同一模型在不同云区域下的最低排放选择。由于因子文件保留了电网碳强度与生命周期附加项,区域之间的差异可以直接在表格层面核对,而不必重新测算。