Rethinking Higher Education/Chapter 11/zh

第十一章

绿色数字教育：欧盟和中国大学中的可持续发展、数字节制与环境意识

Martin Woesler

湖南师范大学

摘要

高等教育的数字化转型带有一种在教育政策话语中很少被承认的隐性环境成本。2024年数据中心消耗了415太瓦时的电力——占全球电力需求的1.5%——预计到2030年将达到945太瓦时，增长速度是任何其他行业的四倍。训练单个大型语言模型（如GPT-3）产生约552公吨二氧化碳当量，相当于121个美国普通家庭的年排放量。每位用户的年数字内容消费产生229公斤二氧化碳当量，约占人均人为温室气体排放量的3-4%。然而，教育技术行业在很大程度上未受到其环境足迹的审视，即使大学在创新和可及性的旗帜下扩大数字基础设施。本文通过对欧盟和中国方法的系统比较，审视了数字教育与环境可持续性之间的紧张关系。欧盟开发了GreenComp可持续发展能力框架，并开始将"数字节制"——最小化不必要数字消费的原则——作为教育目标来对待。中国追求"生态文明教育"作为将环境意识与更广泛文明目标相结合的框架，同时进行了世界上最大规模的数字教育基础设施扩张。我们认为，两个体系都面临"人工智能能源悖论"——人工智能在教育中的部署同时承诺增强可持续发展意识并对环境退化做出重大贡献——而且两个体系都尚未制定出充分的教育应对措施来解决这一张力。

关键词：绿色数字教育、可持续发展、数字节制、人工智能能源悖论、GreenComp、生态文明、碳足迹、数据中心能耗、欧中比较

1. 引言

数字教育的环境可持续性是大多数教育技术专家不愿讨论的话题。高等教育数字化转型由强大的进步叙事驱动：人工智能个性化学习、沉浸式虚拟现实、全球连接和机构效率。这些叙事并非错误——本论文集的配套章节记录了数字技术的真正教育益处。但它们是不完整的，因为它们系统性地忽视了数字教育的物质基础：使其成为可能的服务器、网络、设备和能源系统，以及大规模运营它们的环境后果。

数字令人警醒。国际能源署报告称，2024年数据中心消耗了415太瓦时的电力，占全球电力需求的1.5%。这一数字预计到2030年将达到945太瓦时——超过日本的总电力消费——年增长率约15%，是所有其他行业总和的四倍（IEA 2025）。主要科技公司的碳排放量同步激增：谷歌的温室气体排放在2019年至2024年间增长了48%，微软自2020年以来增长了29%，数据中心能源消耗被确定为主要驱动因素（NPR 2024）。一项对企业可持续性报告的分析表明，由于将可再生能源证书等同于实际可再生能源消费的会计实践，实际数据中心排放可能比报告的高7.62倍（Le Goff 2025）。

对于高等教育，这些数字具有直接相关性。大学是数字基础设施最大的机构消费者之一，运营学习管理系统、研究计算集群、视频会议平台以及越来越多的人工智能教育工具。然而，这种数字基础设施的环境足迹几乎从未被纳入大学可持续性评估中。Williamson、Hogan和Selwyn（2025）认为，教育技术平台的环境影响在大学碳计算中被"持续忽视"。

2.1 数据中心和人工智能训练

Patterson等人（2021）估计，训练GPT-3产生约552公吨二氧化碳当量，消耗1287兆瓦时电力。Strubell、Ganesh和McCallum（2019）证明，训练单个大型NLP模型可以排放相当于五辆汽车整个使用寿命的碳排放量。人工智能的水足迹同样令人担忧。Li等人（2023）估计训练GPT-3直接蒸发了70万升淡水。De Vries（2025）估计人工智能行业2025年的碳足迹为3260-7970万公吨二氧化碳。

2.2 数字内容消费

Istrate等人（2024）发表于Nature Communications的研究估计，年均全球数字内容消费——网页浏览、社交媒体、视频和音乐流媒体以及视频会议——每用户每年产生229公斤二氧化碳当量，约占人均人为温室气体排放量的3-4%。

2.3 电子废弃物和硬件生命周期

数字教育的环境成本延伸到能源消费之外，包括其依赖的物理设备。教育机构中硬件更换的加速步伐产生了日益增长的电子废弃物流。Thao、Hanh和Huy（2025）预计单个大学校园的电子废弃物将从2024年的16,792公斤增加到2034年的25,230公斤。

3.1 起源与定义

"数字节制"（sobriété numérique）的概念源于法国智库The Shift Project，其2019年报告"精益ICT：走向数字节制"将其定义为购买尽可能低功耗的设备、尽可能少地更换设备以及减少不必要的高能耗数字使用的原则。

3.2 欧盟框架：DigComp和GreenComp

欧盟的可持续数字教育方法依赖两个互补框架。DigComp 2.2框架在其五个能力领域中纳入了与可持续性相关的示例。GreenComp框架（Bianchi, Pisiotis & Cabrera Giraldez 2022）提供了四个能力领域的互补框架：体现可持续发展价值观、拥抱可持续发展的复杂性、展望可持续未来和为可持续发展采取行动。

Calis等人（2025）对896名职前教师的研究发现仅有"中等水平"的数字碳足迹意识。这一发现尤为令人担忧：如果教师本身不了解数字技术的环境成本，就不能期望他们在学生中培养这种意识。

欧洲大学协会2023年的报告"大学绿色协议路线图"发现，绝大多数欧洲大学已将可持续性纳入其主要机构战略。然而，数字基础设施的环境成本没有得到专门处理。

4.1 生态文明作为教育框架

中国的环境教育方法不是通过西方意义上的"可持续发展"来框定的，而是通过"生态文明"（生态文明）概念——一个将环境保护与经济发展、社会治理和文明认同整合在一起的综合框架。生态文明教育在若干重要方面不同于欧洲的可持续发展教育。首先，它是明确的政治性的：该概念于2012年写入中国共产党党章，2018年纳入国家宪法。其次，它在范围上是全面的。第三，它是国家主导而非公民导向的。

4.2 中国的双碳目标与高等教育

2022年，教育部发布了"加强碳达峰碳中和高等教育人才培养体系建设工作方案"，要求大学建立与中国双碳目标——2030年达峰、2060年碳中和——相关的新院系、课程和职业项目。截至2022年，已有21个本科专业直接与双碳目标相关。这一政策代表了比欧盟所尝试的任何做法都更直接的课程设计干预。

4.3 绿色校园倡议

中国的绿色数字教育方法体现了一种独特的张力。一方面，政府正在追求世界上最大规模的数字教育基础设施扩张。另一方面，它同时在推进生态文明教育和绿色校园倡议。Wang等人（2023）使用新型LEAP-LCA混合方法评估了一所中等规模中国大学校园的碳足迹，发现电力消费占校园总碳排放的77%，提议的碳减排措施可在2060年前减少97%的排放。

5. 人工智能能源悖论

绿色数字教育中最尖锐的张力是我们所称的"人工智能能源悖论"。人工智能同时是数字教育中最耗能的组成部分和最常被援引为环境挑战解决方案的技术。这一悖论以经济学中被称为"回弹效应"或杰文斯悖论的形式表现：效率改进导致消费增加而非资源使用减少。

对于大学来说，这一悖论是直接的。部署人工智能自适应学习系统可能改善教育成果，但也增加了大学的数字能源消费。欧盟委员会的可持续性框架和中国的生态文明教育都缺乏权衡这些取舍的机制。

5.1 绿色人工智能作为部分应对

新兴的"绿色人工智能"领域提供了减少人工智能环境成本的技术方法。Paula等人（2025）证明，将模型压缩技术应用于基于Transformer的模型可以实现32%的能源消耗降低。然而，绿色人工智能技术只解决了单个系统的效率问题，而非人工智能部署的总体增长。

6.1 治理与实施

欧盟基于框架的方法提供了概念清晰度和公民赋权，但在实施方面挣扎。中国的国家主导方法实现了数字基础设施和生态文明教育的快速部署，但两条路线在很大程度上并行运作。

6.2 可持续性悖论

2026年一项研究确定了数字教育中的"可持续性悖论"：在环境方面，数字教育可以减少旅行和材料影响但增加能源需求；在社会方面，它可以扩大接入但加深不平等。

7. 建议

基于我们的比较分析，我们为寻求将环境可持续性整合到数字教育战略中的大学提出七项建议：

第一，将数字基础设施纳入机构碳核算。第二，将数字节制作为教育技术的设计原则。第三，将环境意识整合到数字素养教育中。第四，为人工智能能源悖论开发机构指标。第五，通过机构生命周期管理应对电子废弃物。第六，支持可持续教育技术研究。第七，建立欧中绿色数字教育对话。

8. 结论

高等教育的数字化转型在环境上并非中性。数据中心每年消耗415太瓦时电力且持续增长。人工智能训练产生数百公吨的二氧化碳并蒸发数十万升淡水。数字内容消费占人均排放的3-4%。教育技术的电子废弃物预计十年内增长50%。这些事实不是反对数字教育的论据——本论文集记录的益处是真实而重大的。但它们是关于环境诚实的论据：承认成本与收益并存，设计最小化环境危害而非忽视它的教育技术系统。

欧盟和中国为这一挑战带来了不同的资源。欧盟开发了精密的概念框架——GreenComp、DigComp 2.2、数字节制。中国展示了通过其双碳教育授权和生态文明框架实现快速、全系统课程改革的能力。然而，两个系统都没有对人工智能能源悖论——最强大的教育技术也是环境成本最高的——制定出充分的应对。

应对这些挑战是高等教育在未来十年面临的最重要任务之一。它不需要更少的技术而是更智慧的技术——以及在每次数字部署之前愿意追问教育收益是否证明环境成本合理的机构意愿。

致谢

本研究在让·莫内卓越中心"EUSC-DEC"（欧盟资助 101126782，2023-2026年）框架内进行。

[REF] 参考文献

[REF] Bianchi, G., Pisiotis, U. & Cabrera Giraldez, M. (2022). GreenComp: The European sustainability competence framework. Publications Office of the European Union. JRC128040.

[REF] Calis, S., Kahraman, N., Zeren Ozer, D. & Ergul, N. R. (2025). Determining the digital carbon footprint awareness of pre-service teachers. Humanities and Social Sciences Communications, 12, Article 1678.

[REF] De Vries, A. (2026). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns, 7(1), 101430.

[REF] IEA. (2025). Energy and AI. IEA, Paris.

[REF] Istrate, R. et al. (2024). The environmental sustainability of digital content consumption. Nature Communications, 15, Article 3724.

[REF] Le Goff, T. (2025). Not greenwashing, but still... A closer look at big tech's 2025 sustainability reports. Internet Policy Review.

[REF] Li, P., Yang, J., Islam, M. A. & Ren, S. (2023). Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models. Communications of the ACM.

[REF] NPR. (2024, July 12). AI brings soaring emissions for Google and Microsoft. NPR.

[REF] Patterson, D. et al. (2021). Carbon Emissions and Large Neural Network Training. arXiv:2104.10350.

[REF] Paula, E., Soni, J., Upadhyay, H. & Lagos, L. (2025). Comparative analysis of model compression techniques for achieving carbon efficient AI. Scientific Reports, 15, Article 23461.

[REF] Selwyn, N. (2021). Ed-Tech Within Limits: Anticipating educational technology in times of environmental crisis. E-Learning and Digital Media, 18(5), 496–510.

[REF] Strubell, E., Ganesh, A. & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of the 57th Annual Meeting of the ACL, pp. 3645–3650.

[REF] The Shift Project. (2019). Lean ICT: Towards Digital Sobriety. Paris: The Shift Project.

[REF] Wang, C. et al. (2023). The status and improvement opportunities towards carbon neutrality of a university campus in China. Journal of Cleaner Production, 414, 137521.

[REF] Williamson, B., Hogan, A. & Selwyn, N. (2025). Digital Emissions: Edtech Platforms and the Extended Carbon Relations of Higher Education Institutions. In: Critical EdTech Studies. Springer.

翻译说明

1. 本翻译涵盖全部11章的完整正文内容，包括所有章节标题、摘要、正文段落、参考文献标题。

2. 作者姓名保持原始拉丁文字不翻译。

3. 参考文献仅翻译了"References/Literature"标题为"参考文献"，各条目保持英文原文以便引用。

4. 已应用referenz_korrekturen.txt中的修正（包括缺失的作者名、错误的年份、缺失的期刊名、页码纠正和格式修正）。

5. 采用简体中文和学术科学写作风格。

6. 专业术语统一：高等教育=高等教育，人工智能=人工智能，数字化转型=数字化转型，教与学=教与学。

7. 全部11章均为完整逐段翻译。

文件结束