AI碳排放核算方法

CH-18-05-010·约 16 分钟·AI硬件与算力·更新 2026-08-12

办一场三百人的婚宴有多费资源？你雇了厨师、租了场地、开了空调、用了上万件一次性餐具。事后想算清楚到底“排放了多少碳”，单靠翻垃圾袋是算不出来的。聪明的主厨会拿起账单：每度电、每罐煤气、每箱食材，背后都挂着一张无形的“碳标签”——一公斤牛肉的碳标签是二十七公斤二氧化碳，一度火电的碳标签约零点六公斤。把每样东西的重量乘上标签值，再加起来，这场宴席的“碳足迹”就跃然纸上。 AI大模型的训练，就是一场规模更大的“算力婚宴”。GPU集群通宵轰鸣，机房冷气开足马力，成千上万块芯片从工厂运来。如果AI公司想对公众说清“我训练这个模型排了多少碳”，就不能只凭感觉，而需要一套系统化的核算方法。本文为你拆解这套方法：从电力、硬件、冷却三大“耗能名厨”，到三类“排放归属账本”，再到一张完整计算流程表。学会了它，你就掌握了给AI算“绿色账单”的完整手艺。

岗位关联

学会这套核算方法，你就能为AI团队的“碳排放账单”负责，在绿色AI趋势下成为连接技术、财务与ESG的关键角色。

可视化演示
1. 核算总览
2. 碳排因子
3. 硬件碳足迹
4. 冷却能耗
5. Scope分类
6. 计算流程
7. 碳排基线
8. 绿色AI策略
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化处理流程：输入→处理→模型→输出性能监控：实时指标 P=L×T

1. 核算总览

办宴席前，主厨需要一本“总账本”来记所有采买。但账本边界得先定清楚：只记自家厨房的煤气，还是把租用场地的电费也记进来？AI碳核算也一样，第一步不是急着算，而是“画边界”。边界内的每一项能耗、每一块硬件，都要放进后续的账本中；边界外的一律不记，避免账目混乱。

企业碳核算有公认的组织边界和运营边界规则。训练大模型时，边界内通常包含三块内容：机房用电、备用燃料、上游硬件与云服务。这三块正好对应后面要讲的三类“排放归属”。在正式计算前，核算人员还要准备库存清单：电表读数、柴油采购量、GPU采购数量，以及对应的时间区间。

核算总览的框架公式如下：

画好账本边界，后面每一个“采购项”才不会漏记或重复记。宴席办完，三本小账正好汇总成一本总账。

\displaystyle C_{\text{total}} = C_1 + C_2 + C_3

总碳排等于直接排放、电力间接排放和供应链排放之和，三笔账各归各的口袋。

定义总碳排$C_{\text{total}}$ 是本场“算力宴席”从筹备到运行的全部二氧化碳当量。
$\displaystyle C_{\text{total}} = C_1 + C_2 + C_3$
直接排放 C₁自有发电机、应急柴油机等设备燃烧产生的排放。
$\displaystyle C_1 = \sum_{i} A_i \times EF_i$
电力间接 C₂从电网购买的电能，乘以电网平均排放因子。
$\displaystyle C_2 = E_{\text{grid}} \times EF_{\text{grid}}$
供应链 C₃芯片制造、服务器运输、云服务等上游环节的排放。
$\displaystyle C_3 = \sum_{j} A_j \times EF_j$

2. 碳排因子

采购清单上每样食材都有一个“每公斤含碳”标签，主厨用标签乘以用量，就能算出这道菜的碳成本。AI训练中，“每度电的含碳量”就是电力碳排放因子。我国电网由火电、水电、风电等多种电源混合供电，不同电源的排放因子差别很大——煤电约0.8千克二氧化碳每度，风光发电则几乎为零。

所以，电网平均因子不是拍脑袋定的，而是按各电源发电量占比加权算出来的。这也是为什么同一个GPU集群放在内蒙古和放在四川，训练同样模型的碳排可能差出好几倍。核算时，要优先使用数据中心所在区域电网的官方发布值，而不是随手用全国平均。

电网平均排放因子的加权公式为：

主厨去不同市场买菜，同一个菜在不同摊位价格不同；AI公司选择数据中心所在地，就是在选择不同的“电力摊位”。水电丰富地区因子低，煤电地区因子高。

\displaystyle EF_{\text{grid}} = \sum_{k} w_k \times EF_k

电网平均排放因子等于每种电源的发电量占比乘以其排放因子之和。

电源占比 w_k第 $k$ 种电源的发电量占总发电量的比例，例如水电占两成。
$\displaystyle w_k = \frac{E_k}{\sum_{j} E_j}$
各电源因子 EF_k第 $k$ 种电源每发一度电对应的碳排放量。
$\displaystyle EF_k = \frac{\text{CO}_2\text{排放量}_k}{E_k}$
加权求和把占比乘因子后全部相加，得到一张“综合碳标签”。
$\displaystyle EF_{\text{grid}} = \sum_{k} w_k \times EF_k$

3. 硬件碳足迹

宴席上的一次性餐具，虽然用的时候不耗电，但生产它们的过程排了碳。同样，GPU芯片和服务器在出厂前，已经留下一笔“隐藏碳债”。这颗芯片从晶圆制造、光刻到封装，每道工序都消耗电、化学品和超纯水，碳排放不容小觑。

硬件碳足迹属于生命周期评估（LCA）中的“原材料获取与制造”阶段。LCA强调从摇篮到坟墓看问题，不能只盯着使用阶段。服务器整机的碳足迹，还要把机箱金属、内存颗粒、电源模块等组件的生产排放都算进来。运输与最终回收阶段同样需要纳入。

制造阶段碳排可用以下简化公式估算：

如果宴席用高档骨瓷（高碳餐具）还是可降解纸碗，账本结局完全不同。AI公司选择使用成熟制程芯片而非每次追新，也是在降低这张“隐藏碳债”。

\displaystyle C_{\text{hw}} = \sum_{m} M_m \times EF_m

硬件制造碳排等于各主要部件质量乘以其材料碳强度之和。

部件质量 M_m服务器中芯片、内存、电源等第 $m$ 个部件的质量。
$\displaystyle M_m$
材料碳强度 EF_m每千克该材料从开采到加工成型排放的二氧化碳当量。
$\displaystyle EF_m = \frac{C_m}{M_m}$
求和加总每个部件的质量乘碳强度，所有部件相加得到制造总碳排。
$\displaystyle C_{\text{hw}} = \sum_{m} M_m \times EF_m$

4. 冷却能耗

夏天办婚宴，后厨空调开得越大，电费单越高。数据中心里，服务器持续发热，冷却系统是仅次于计算负载的用电大户。为了衡量“总用电中有多少真正用在算力上”，行业用PUE（电源使用效率）指标。PUE越接近1，说明冷却等基础设施越省电。

风冷、水冷、液冷是常见路线。风冷改造简单但效率有限，液冷散热能力强却对机房改造要求高。PUE为1.5时，意味着每消耗1度IT用电，还要额外消耗0.5度用于冷却等辅助设施。数据中心选址时，气候凉爽、自然冷源丰富的地区，天然有更低的PUE。

冷却能耗占总能耗的比例可由PUE推导：

婚宴上换一台变频空调、把宴会厅温度调高几度，都能省下一截电费。数据中心通过液冷、自然冷源等方式压低PUE，就是在给“算力宴席”配一台更省电的空调。

\displaystyle \frac{C_{\text{cool}}}{E_{\text{total}}} = \frac{\text{PUE} - 1}{\text{PUE}}

冷却能耗占比等于（PUE减1）除以PUE。PUE为1.5时，约三分之一的电被冷却系统吃掉。

PUE定义总能耗除以IT设备能耗，反映基础设施的额外消耗。
$\displaystyle \text{PUE} = \frac{E_{\text{total}}}{E_{\text{IT}}}$
冷却能耗总能耗减去IT设备能耗，余下部分算作冷却等辅助能耗。
$\displaystyle C_{\text{cool}} = E_{\text{total}} - E_{\text{IT}}$
占比推导把冷却能耗除以总能耗，再代入PUE定义，化简得到占比公式。
$\displaystyle \frac{C_{\text{cool}}}{E_{\text{total}}} = 1 - \frac{1}{\text{PUE}} = \frac{\text{PUE} - 1}{\text{PUE}}$

5. Scope分类

排放归属三兄弟：大哥烧自家煤气（直接排放），二哥用房东的电（电力间接），三弟让供应商送货、宾客打车（供应链排放）。每笔碳都要找到一个“户主”，否则账目就会乱。温室气体核算体系（GHG Protocol）正是按这个思路，把排放分为Scope 1、2、3三类。

映射到AI场景：自有发电机属Scope 1，外购电力属Scope 2，芯片制造、服务器运输、员工差旅属Scope 3。如果使用云GPU，服务器电力由云厂商计入其Scope 2，租户通常将购买云服务计入Scope 3，并按租赁上游处理。关键是边界约定要清晰，避免两边重复计算。

三类加总公式如下：

碳账本就像婚宴的报销单，每张发票都要写明报销人，不然财务室就会吵架。

\displaystyle C_{\text{total}} = \underbrace{C_1}_{\text{Scope1}} + \underbrace{C_2}_{\text{Scope2}} + \underbrace{C_3}_{\text{Scope3}}

总碳排由Scope 1、Scope 2、Scope 3三部分组成，财务上各记各的账。

Scope1直接企业拥有或控制的排放源，如备用柴油发电机。
$\displaystyle C_1 = \sum_{i} A_i \times EF_i$
Scope2间接购入电力、热力产生的排放。
$\displaystyle C_2 = E_{\text{purchased}} \times EF_{\text{grid}}$
Scope3其他供应链上下游产生的排放，范围最广也最需要精细约定。
$\displaystyle C_3 = \sum_{j} A_j \times EF_j$
防止重复云服务场景下，电力排放只在某一方账上记一次，不搞双重计算。

6. 计算流程

婚宴结束，主厨拿着采购单逐项结算：买了多少菜、用了多少电、租了多久场地，每项乘上对应“碳标签”，最后汇总成一张总碳账单。AI碳核算的计算流程正是如此，只是把菜名换成了“MWh“和”块”。

标准流程通常五步：确定核算边界、收集活动数据、选择对应排放因子、逐项相乘、汇总并校验。活动数据包括用电量（MWh）、燃料用量（吨）、硬件采购量（块）等。遇到数据缺失时，需要用保守估计补全，并在报告中披露假设，这属于不确定性修正。

核心计算式是所有核算方法的共同底座：

只要采购单清楚、标签准确，任何人都能按这个流程算出宴席的碳账。AI公司也可以通过自动化工具，每月固定输出一张“算力碳报表”。

\displaystyle C = \sum_{i} E_i \times EF_i

总碳排等于每一类活动量乘以对应排放因子后求和。

收集活动数据 E_i从电表、采购单、物流单中获取各类活动的原始数量。
$\displaystyle E_i = \text{第 }i\text{ 类活动的实物量}$
匹配排放因子 EF_i为每类活动选择对应因子，注意单位必须一致，例如每兆瓦时对应吨碳排。
$\displaystyle EF_i = \text{第 }i\text{ 类活动的单位碳排}$
乘加求和所有活动量与因子相乘，再逐项累加。
$\displaystyle C = E_1 \times EF_1 + E_2 \times EF_2 + \cdots$
不确定性修正对缺失数据做保守估计，并在报告中披露假设范围。

7. 碳排基线

说一场婚宴“环保”，不能只看总排放，还要看宾客人均用量。AI模型也一样，拿总碳排除以有效计算量，才能公平对比不同模型的“绿色程度”。一个参数量巨大但训练步数很少的模型，与一个小模型疯狂调参，总碳排可能相近，但单位算力碳排完全不同。

碳排基线是企业在某段时期、某种业务量下的参考排放水平。对于AI训练，最常用的归一化指标是单位算力碳排，即每完成一个FLOP（浮点运算）需要排放多少碳。这个指标可以横向比较不同团队、不同算法的绿色效率，也可以作为设定减排目标的基础线。

单位算力碳排的公式为：

有了“人均碳排”这个基线，下次宴席改进后就能说：同样请三百人，碳排降了两成。

\displaystyle \text{CI} = \frac{C_{\text{total}}}{N_{\text{FLOPs}}}

单位算力碳排等于总碳排除以训练总计算量，相当于宴席的“人均碳排”。

计算量 N_FLOPs训练期间有效浮点运算总数，反映“菜量”大小。
$\displaystyle N_{\text{FLOPs}} = \text{批量} \times \text{步数} \times \text{单步计算量}$
总碳排 C_total前几步算出的训练全流程碳排放。
$\displaystyle C_{\text{total}} = C_1 + C_2 + C_3$
相除得到 CI每单位计算量的平均碳排，用作跨模型比较的基线。
$\displaystyle \text{CI} = \frac{C_{\text{total}}}{N_{\text{FLOPs}}}$

8. 绿色AI策略

绿色宴席不是不办，而是换节能灶、买本地菜、少用一次性餐具。AI行业减排也是从核算走向行动：先有账本，再优化，最后用数据证明“绿色”不是空话。

绿色AI的常见路径有四条：能效优化（提高GPU利用率、动态调频）、低碳电力（购买绿电或选择水电富集区域）、模型压缩（量化、剪枝、蒸馏）、剩余排放的碳抵消。前三条是直接从源头减排，碳抵消则是最后兜底的手段。衡量这些策略成效的统一指标是减排率，即相对于基线的降幅。

减排率的计算公式为：

核算不是终点，而是绿色转型的起点。账算清之后，主厨才知道该换锅、换菜还是换能源。

\displaystyle R = \frac{C_{\text{base}} - C_{\text{new}}}{C_{\text{base}}}

减排率等于（基线碳排减去优化后碳排）除以基线碳排，反映下降比例。

基线碳排 C_base采用优化策略前的参考碳排，来自历史核算数据。
$\displaystyle C_{\text{base}} = \text{历史核算总碳排}$
优化后碳排 C_new采用绿色策略后的实际碳排，同样按Scope加总。
$\displaystyle C_{\text{new}} = C_1^{\prime} + C_2^{\prime} + C_3^{\prime}$
计算减排率分子是减少的碳排，分母是原基线，结果代表降幅比例。
$\displaystyle R = \frac{C_{\text{base}} - C_{\text{new}}}{C_{\text{base}}}$

AI 应用场景

云厂商数据中心的Scope核算

阶段：数据中心运营与ESG报告

解决的问题：传统方式只看电费账单，忽略备用发电机和硬件制造排放，导致对外披露不完整。基于本文的Scope分类方法，云厂商把电表、油料单、采购单按Scope 1/2/3分账，再乘以对应因子，输出结构化碳报告。

具体案例：某云服务商为其训练集群按月核算，将GPU机房电力（Scope 2）、柴油发电机（Scope 1）、GPU芯片采购（Scope 3）分别计算，并汇总PUE与单位算力碳排，向客户出具“算力碳强度证书”。

AI芯片制造商的LCA评估

阶段：产品碳足迹核算

解决的问题：传统产品手册只报告芯片使用功耗，忽略了制造阶段的高碳投入。通过生命周期评估（LCA）核算从晶圆到封装的每道工序碳排，帮助超算中心在采购时做出绿色决策。

具体案例：某GPU厂商发布新品时公开“从摇篮到大门”的碳足迹——一块训练芯片制造阶段约200千克二氧化碳当量，并随附生命周期数据表，供数据中心对比不同型号的“隐藏碳债”。

训练任务碳排对比与排程

阶段：模型训练优化

解决的问题：传统任务调度只看GPU利用率和耗时，导致同样模型在不同时段、不同区域执行时碳排差异巨大。结合实时电网碳排放因子，可以把非紧急训练任务调度到低碳时段。

具体案例：MLOps平台监测到某区域午间光伏发电充足，将夜间跑批的调参任务改到午间执行，单位算力碳排下降约15%。团队用碳排基线对比优化前后的碳强度，向管理层提交了绿色改造报告。

Python 演示

python63 行

# -*- coding: utf-8 -*-# 模拟一个简化版 AI 训练碳排核算器class CarbonCalculator:    def __init__(self, job_name="training_job"):        self.job_name = job_name        self.scope1 = {}   # 自有燃料消耗        self.scope2 = {}   # 外购电力        self.scope3 = {}   # 供应链活动        self.factors = {}  # 排放因子字典        self.pue = 1.5     def add_factor(self, scope, key, value):        self.factors[(scope, key)] = value     def set_pue(self, value):        self.pue = value     def add_activity(self, scope, key, amount):        if scope == 1:            self.scope1[key] = amount        elif scope == 2:            self.scope2[key] = amount        else:            self.scope3[key] = amount     def calc_scope(self, activity, scope):        total = 0.0        for key, amount in activity.items():            factor = self.factors.get((scope, key), 0.0)            total += amount * factor        return total     def calc_total(self):        c1 = self.calc_scope(self.scope1, 1)        c2 = self.calc_scope(self.scope2, 2) * self.pue        c3 = self.calc_scope(self.scope3, 3)        return c1 + c2 + c3     def carbon_intensity(self, flops):        total = self.calc_total()        if flops <= 0:            return 0.0        return total / flops  if __name__ == "__main__":    cc = CarbonCalculator("llm-7b-ft")    # 训练期间外购电力 1200 MWh (IT 负载)    cc.add_activity(2, "grid_electricity", 1200.0)    # 备用柴油发电机消耗 3 吨    cc.add_activity(1, "diesel", 3.0)    # 上游芯片制造活动 500 块等效    cc.add_activity(3, "gpu_chip_manufacture", 500.0)    cc.add_factor(2, "grid_electricity", 0.581)    cc.add_factor(1, "diesel", 2.61)    cc.add_factor(3, "gpu_chip_manufacture", 0.72)    cc.set_pue(1.4)     total = cc.calc_total()    intensity = cc.carbon_intensity(2.5e21)    print("训练任务:", cc.job_name)    print("总碳排 tCO2e:", round(total, 2))    print("单位算力碳排 tCO2e/FLOPs:", round(intensity, 18))

目的：读入AI训练项目的活动数据和排放因子，自动计算Scope 1/2/3总碳排与单位算力碳排，帮助团队快速生成碳核算草表。

self.factors[(scope, key)] = value用二元组作因子字典索引，区分不同Scope下同名活动，避免串账。
total += amount * factor活动量乘以因子，逐项累加，对应正文的核心计算流程。
c2 = self.calc_scope(self.scope2, 2) * self.pue将冷却带来的额外电耗按PUE放大，Scope 2用电量再乘因子。
def carbon_intensity(self, flops)总碳排除以训练FLOPs，得到单位算力碳排，用作基线对比。
if __name__ == "__main__":提供可执行入口，直接运行即可看到核算结果。

常见误区

误区我一直以为AI碳排就是GPU电费，拿到电费单后直接乘排放因子就算完了，觉得硬件制造和空调耗电都不算数。

正解AI碳排是“宴席全流程账单”，训练用电只是其中一道菜。硬件制造、服务器运输、冷却耗水耗电都有碳排。正确做法是用LCA视角，把芯片制造、机架运输、PUE带来的额外电耗都纳入核算。

为何常见：电费是唯一直接可见的账单，硬件制造藏在供应链深处，冷却电耗又混在总电费里，初学者很容易只抓看得见的那部分。

误区查到一个全国电网平均排放因子，就用到所有数据中心的核算里，感觉这样最省事。

正解不同区域发电结构差异巨大，水电大省与煤电大省的电网因子可能相差数倍。核算时应采用数据中心所在区域电网的官方发布值，并关注年度更新。

为何常见：网络资料最容易搜到全国平均值，区域电网因子需要去电力部门或专业数据库查，获取门槛稍高，于是被偷懒跳过。

误区看到某机房PUE是1.1，就觉得它一定是绿色标杆，总碳排肯定很低。

正解PUE只衡量基础设施效率，不衡量IT负载本身是否高效。如果服务器算力利用率低，或用电来自煤电，即便PUE再低，总碳排也可能很高。绿色与否要看PUE、IT利用率和电力因子三者的组合。

为何常见：PUE是行业最常宣传的指标，营销材料铺天盖地，容易让人把它当成绿色程度的唯一标尺。

误区用了云GPU，电费不在自己账单上，但电力是租户用的，所以租户应该把电力算作Scope 2。

正解租用云服务属于购买上游服务，通常计入Scope 3；云厂商的机房电力才计入其Scope 2。若租户自行将云电力算作Scope 2，会与云厂商的核算重复。

为何常见：直觉上觉得“谁耗电谁负责”，但组织边界和运营边界规则要求按合同与控制权划分，初学容易忽略。

误区比较两个大模型的绿色程度时，我习惯用参数量做分母，以为参数越多碳排越高。

正解参数量并不能反映真实算力消耗，训练步数、批次大小、硬件利用率都会显著影响总碳排。应使用实际训练的FLOPs或GPU时长作为分母，计算单位算力碳排。

为何常见：参数量在模型卡上随手可得，FLOPs却需要从训练日志中统计，图方便就会用错误指标。

面试题

Q1. AI训练中的外购电力碳排放，通常属于以下哪个范畴？

单选题 · easy

A.Scope 1 直接排放
B.Scope 2 电力间接排放← 正确答案
C.Scope 3 供应链排放
D.不属于企业碳排

答案：B。外购电力就像婚宴租用场地的电费，不属于自家煤气（Scope 1），也不是供应商送货（Scope 3），而是企业购入能源产生的间接排放，因此归入Scope 2。

Q2. 碳排放因子的含义是什么？

单选题 · easy

A.单位活动量对应的碳排放← 正确答案
B.单位面积对应的碳排放
C.单位温度对应的碳排放
D.单位价格对应的碳排放

答案：A。碳排放因子就是每单位活动数据的“碳标签”。比如每度电对应0.581千克二氧化碳，把活动量乘以因子即可得到碳排，其余选项都混淆了物理量纲。

Q3. 为什么电网碳排放因子要按地区区分？

单选题 · easy

A.各区域发电结构不同← 正确答案
B.各区域电费价格不同
C.各区域用电需求不同
D.各区域设备型号不同

答案：A。不同地区的水电、煤电、风光占比差异很大，发电结构直接决定每度电的“碳标签”。电费、需求、设备型号影响的是成本与运行，不改变单位电力的碳排放本质。

Q4. PUE的计算公式是什么？

单选题 · mid

A.总能耗除以IT设备能耗← 正确答案
B.IT能耗除以总能耗
C.冷却能耗除以IT能耗
D.总能耗减冷却能耗

答案：A。PUE用于衡量数据中心基础设施效率，总能耗包含IT与冷却等所有用电，除以IT设备能耗后，越接近1表示越高效。选项B是PUE的倒数，C、D都不是标准定义。

Q5. 以下哪些属于Scope 3供应链排放？

多选题 · mid

A.芯片制造过程排放← 正确答案
B.员工差旅交通排放← 正确答案
C.自有柴油发电机排放
D.外购电力排放

答案：AB。Scope 3是供应链上下游的“隐藏碳债”。芯片制造和员工差旅都发生在企业控制之外，归三弟管；自有发电机是Scope 1，外购电力是Scope 2，所以只选A和B。

Q6. 生命周期评估（LCA）强调关注什么？

单选题 · mid

A.从制造到回收的全程← 正确答案
B.仅训练阶段用电
C.仅芯片性能指标
D.仅数据中心选址

答案：A。LCA相当于宴席从买锅、做菜到洗餐具的全过程记账，而不是只看开火那一顿饭。硬件制造、运输、使用、回收都要纳入，因此选A。

Q7. 下列哪些绿色AI措施可以降低训练碳排？

多选题 · mid

A.对模型进行量化压缩← 正确答案
B.采购风能光伏电力← 正确答案
C.增加硬件冗余备份
D.提高GPU利用率← 正确答案

答案：ABD。量化压缩减少算力消耗，绿电降低电力因子，提高GPU利用率让每度电干更多活，三者都直接减排。增加硬件冗余备份反而会多耗电、多制造硬件，因此不选C。

Q8. 单位算力碳排强度如何计算？

单选题 · hard

A.总碳排除以训练FLOPs← 正确答案
B.总碳排除以模型参数量
C.训练FLOPs除以总碳排
D.训练时长除以总碳排

答案：A。单位算力碳排类似“人均碳排”，用总碳排除以训练总FLOPs。参数量不能反映真实算力消耗，所以B不准确；C、D的分子分母颠倒，量纲也错误。

Q9. 设定AI项目碳核算边界时，需要考虑哪些因素？

多选题 · hard

A.运营控制权的归属← 正确答案
B.供应链是否纳入范围← 正确答案
C.模型参数量大小
D.机房空调温度设定

答案：AB。核算边界类似婚宴“报销范围”：自家厨房和租用场地是否纳入，取决于运营控制权；供应链上下游记不记，取决于核算目标。参数量与空调温度属于后期优化细节，不决定边界。

Q10. 云GPU场景下，避免碳排重复核算的关键是什么？

单选题 · extreme

A.只由云厂商计入Scope2
B.只由租户计入Scope3
C.双方按约定分摊归属← 正确答案
D.双方同时计入各自账单

答案：C。云GPU的电力碳排通常由云厂商记入Scope 2，租户将云服务记入Scope 3，形成上下游链条而非重复计算。A和B各对一半，D会造成双边重复计账，最佳实践是按边界约定清晰分摊，因此选C。