GitHub 與耶魯調查：八成受訪開發者想要節能程式工具，但缺乏量測方法

發生了什麼事

GitHub 在官方部落格發表研究文章（2026 年 9 月 23 日發布、9 月 24 日更新），作者為 Paull Young。據 GitHub 表示，這份調查由 GitHub 與耶魯大學氣候變遷傳播計畫共同進行，從美國的 GitHub 每月活躍使用者中取得 1,039 份回覆，詢問他們對氣候變遷、AI、軟體效率與科技業組織責任的看法。

GitHub 歸納的核心結論是：開發者知道高效率軟體很重要，但許多人缺乏找出浪費、量測改善並說服團隊處理的明確方法。

閱讀完整文字說明

消息會先蒐集來源、獨立查核，再交由 Jev 判斷。

調查的主要數字

據 GitHub 公布，79% 受訪者擔心全球暖化，71% 關注 AI 系統在能源、用水與碳排放上的環境影響，75% 認為雇主積極減少環境影響很重要。在需求面，80% 對節能程式工具感興趣，78% 想學習減少軟體環境足跡的最佳實踐，74% 希望衡量軟體或開發流程的環境影響，70% 有興趣參與永續相關開源專案。

GitHub 也將部分題目與耶魯全國代表性調查「Climate Change in the American Mind」中的美國成人結果對照，受訪 GitHub 使用者在多數題目上表達了較高的關注程度。

落差在哪裡：有意願，但缺少可行的路徑

據 GitHub 公布，僅 10% 受訪者認為自己寫軟體的方式對減少個人環境影響有很大作用，28% 認為有中等作用，63% 認為作用很小。GitHub 表示，開放式回答中有人希望能估算程式碼儲存庫與 CI/CD 工作流程（程式修改後自動建置、測試與部署的流程）的足跡、找出不必要的 GitHub Actions（GitHub 的自動化執行服務）執行，並比較 AI 使用與其他運算需求；也有受訪者警告不要在沒有證據時做環境宣稱。

GitHub 特別指出，程式變快可以減少資源使用，但執行時間本身不能證明能源或排放下降，因為硬體、工作負載、地點、時間與電力來源都會影響結果。

GitHub 建議的做法與 AI 代理工具

GitHub 建議從四個面向找可量測的浪費：程式碼（重複計算、低效演算法等）、資料（過度抓取、缺少快取等）、網路與 I/O（重複請求、過大傳輸等），以及前端（不必要的渲染、過早載入畫面外資源等）。執行時間、CPU 使用、記憶體配置與網路傳輸量都可作為代理指標，也就是無法直接量耗電時，用來間接反映運算需求的數字；但 GitHub 提醒每種指標都有侷限，應說明量了什麼、沒量什麼。

同時，GitHub 介紹其開源的 Daily Efficiency Improver 工作流程，屬於 GitHub Agentic Workflows，也就是由 AI 自動執行一連串步驟的工作流程。據 GitHub 表示，它會檢視儲存庫中的效率改善機會、執行測試，並可開啟附有證據與取捨說明的草稿 pull request（提交給維護者審查的程式修改提案），但不會自行合併。GitHub 建議啟用前先檢查權限、設定、模型使用、執行頻率與運算成本，先在測試儲存庫或以手動方式試行，並表示最終仍由人類判斷證據與是否採納。

對一般讀者的實際影響

• 對一般使用者：這份調查反映部分開發者關心軟體與 AI 的耗能問題，但它是意見調查，不代表任何服務已實際變得更省電。
• 對開發團隊：GitHub 的建議重點是「先量測、再宣稱」，以具體數據與可重現的測試支持效率改善，而不是只稱變更「更環保」。
• 對考慮使用 AI 代理工具的團隊：GitHub 自己也提醒，自動化工作流程本身會消耗運算資源並需要權限設定，建議僅作為提出假設的輔助，由維護者審核。

查看同分類最新消息

• 科技新聞