在我們與Sluicebox創始人兼首席執行官Elmar Kert的采訪第一部分中，我們了解了為什么碳排放正成為與成本和規格并列的第三個設計參數。工程師們不能再把隱含碳當作“可有無”的存在。它正迅速變得和電力預算或熱量限制一樣根本。

但事情變得復雜的地方是：實際測量電子產品中的碳排放問題出乎意料地多。

問題不在于缺乏會計方法。我們有三種主要方法。問題在于，每一種在應用于電容、控制器或存儲芯片等元件時都存在嚴重缺陷。根據你采用的方法，你可能會看到75%的減排，實際上根本不存在，或者完全錯過兩個看似相同的部件之間10×的差異。

這很重要，因為工程師越來越多地基于碳數據做出真正的采購和物料清單決策。錯誤的計算不僅會導致糟糕的環境結果;它可能會主動引導你去使用電子表格上看起來綠色的組件，卻毫無實際效益。

在這三部分訪談的這一部分，我們將拆解三種主要碳核算方法，并揭示它們在電子領域的具體失誤，首先是看似簡單的基于支出的方法。

埃爾瑪·柯特，Sluicebox.ai 創始人兼首席執行官。

基于支出的方法現實檢驗

問：當工程師使用基于支出的碳計算來進行典型物料清單時，他們實際應預期的誤差范圍是多少？

一個：誤差范圍可能非常驚人——從50%到500%甚至更多。這種波動性源于多重因素：關稅、批量折扣、地區價格差異以及商品市場波動。例如，如果你基于一個10美元的微控制器計算排放，實際碳足跡無論你花10美元還是談判降到5美元，都是一樣的。然而，基于支出的計算卻錯誤地顯示你已經將排放減半。

問：為什么批量折扣和商品價格波動使得基于支出的計算對電子元件尤其不可靠？

一個：讓我用真實的例子來說明：

批量折扣：

• MLCC電容：0.04美元（小額訂單）對比0.002美元（1000萬件）——同一部件價格相差20×

• SSD控制器：30美元（原型）與6美元（量產）——價格差5×，硅片相同

商品波動：

• 2020-2022年間銅價上漲了67%，但PCB銅含量（及相關排放）保持穩定

• 鉭電容器價格在2000年代初飆升了5×，而實際的生產規模保持不變

綜合效應：大宗商品下跌期間的大批量買家可能排放量極低，而價格飆升時的低量買家可能看起來排放量高出10×——而且是同一成分。

問：如果采購團隊從2美元電容器更換為0.50美元等效零件，基于支出的計算可能如何誤導他們？

一個：這正是基于支出的方法變得危險的地方。計算結果顯示碳排放可減少75%，而實際上兩款電容器的制造工藝和碳足跡很可能幾乎相同。價格差異可能僅僅反映了不同的供應商、市場條件或產量協議——這些都不會影響該組件的實際環境影響或制造工藝。

基于流程的LCA挑戰

問：對于典型的500個電子零件BOM獲取基于工藝的碳數據，現實的時間表是怎樣的？

一個：現狀是，有了專門的資源、響應迅速的供應商和現有的專業知識——你至少需要4到6個月。更現實的是，預計12到24個月。這假設你擁有內部LCA團隊或顧問預算，以及了解數據收集要求且有能力參與的供應商。許多項目在供應商無法或不愿提供必要數據時陷入無限期停滯。Sluicebox改變了我們行業的范式，因為你可以通過其組件碳智能?獲得近實時的流程碳數據

問：工程師在半導體元件的工藝導向方法上遇到哪些具體障礙？

一個：三大障礙：

1. 復雜性：半導體制造涉及數百個工藝步驟，跨越多個工廠。跟蹤和分配排放需要深厚的領域專業知識

2. 成本：缺乏內部專業知識的顧問對全面半導體LCA收取5萬美元至20萬美元+費用

3. 時間：每次組件分析都需要數周到數月，使迭代設計變得不可能

問：使用傳統工藝方法比較三種不同的MOSFET方案需要多少成本和時間？

一個：你要花8到12周，單獨咨詢費就要15,000到30,000美元。這還假設制造商配合——許多制造商因知識產權問題不愿分享詳細工藝數據。

混合方法的復雜性

問：將流程級數據與基于支出的代理數據結合時，會出現哪些問題？

一個：你本質上是在把精確測量和粗略估計混合在一起——比如用千米測量某些部件，用碼尺測量其他部件。這就形成了“數據弗蘭肯斯坦”，你無法信任你的熱點分析。你可能會執著于用詳細數據優化組件，卻忽視了你最大的排放源其實是基于支出的計算。

速度與信譽的兩難境地

問：如果工程師需要30天內獲得碳數據，而需要6個月，與傳統方法的準確性差異有多大？

一個：30天后，你被迫進行基于支出的計算，誤差可能超過200%。6個月時，你可能會獲得關鍵組件的部分流程數據，提高準確性，但仍留下顯著空白。而是在快速準確錯誤和慢慢部分正確之間做出選擇。

問：當客戶要求“數周內”提供零部件級排放數據時，電子公司被迫做出什么不可能的選擇？

一個：公司常常訴諸“復選框合規”——無論準確性如何，都提供他們能快速生成的數字。這破壞了信任，制造了一場競爭，最快（但不夠準確）的數據贏得合同。

行業特有挑戰

問：為什么半導體供應鏈特別容易受到這些碳核算問題的影響？

一個： 半導體制造極其復雜：多個制造點、數百個工藝步驟，以及極高的知識產權敏感性。一顆芯片可能經過臺灣、馬來西亞和中國的工廠，每一步都被嚴格保密為商業機密。傳統的LCA方法根本不適合如此復雜的程度和機密性。

問：在利潤薄的情況下，供應商為何無法提供細粒碳數據？

一個： 簡單來說：他們負擔不起3萬到20萬美元的顧問費，以獲得合適的LCA。當利潤率微薄時，為每個產品系列花費六位數的碳核算在財務上是不可能的。

生成式LCA解決方案

問：生成式LCA如何在保持準確性的情況下解決速度問題？

一個：通過將專家知識編碼進能夠根據技術規格即時分析組件的人工智能系統。我們的測試顯示，7200×速度提升，能夠擴展到擁有100k+ SKU的全球產品組合——如今耗時數月的成果只需幾分鐘，而通過全面數據綜合，與傳統LCA研究相比，準確率達到了90%+。這份與Western Digital和Vishay共同撰寫的白皮書深入探討了內容。

問：“7,200×更快”對工程工作流程意味著什么？

一個：碳排放數據將與價格或技術規格一樣即時可用。工程師可以在元件選擇時評估排放影響，而不是在設計凍結后幾個月。它將碳從合規復選框轉變為實際的設計參數。

問：生成式LCA如何既能實現更高的準確性又更快？

一個：人工智能系統能夠綜合遠超任何人類專家的參考數據，分析數千種零部件和制造工藝的模式。雖然人類專家可能會引用10到20項類似研究，但我們的人工智能會瞬間分析數百個相關數據點。

實際實現

問：生成式LCA會如何改變組件選擇？

一個：工程師們會在現有工具中同時看到CO2e值、價格、供應情況和技術規格。他們可以像優化成本一樣輕松地優化碳影響，做出實時權衡決策，而不是寄望于環保的選擇。

問：隨著監管收緊，企業在沒有現代碳核算的情況下面臨哪些競爭風險？

一個：除了立即失去合同給擁有更好數據的競爭對手外，公司還面臨聲譽受損、CSRD違規罰款以及CBAM邊境稅的風險。更嚴重的是，他們會錯失真正減少排放的機會，因為他們對真正的環境影響是盲目飛行。