AI能耗挑战：四维技术驱动绿色智能未来
01
AI为何面临算力瓶颈？
当前，我们正见证一场数据中心建设的空前热潮。
为支撑人工智能发展，全球科技公司正不遗余力地构建庞大的数据中心，部署数以万计的GPU，使其全天候运行以训练模型、生成图像、响应查询。如今，全球数据中心的数量已达惊人的12000座。
这些庞大的基础设施极大地提升了AI的智能水平，但其背后消耗的电力和水资源也日益严峻。数据中心对电网、土地及水资源的压力已达到不容忽视的程度。因此，AI节能并非仅仅是环保的口号，而是产业发展的迫切需求。
当前，全球科技巨头及各国政府正积极寻求创新的AI节能技术，以构建更环保的数据中心。接下来，我将从算法、芯片、数据中心布局以及全网调度四个维度，深入探讨AI在高速发展并消耗大量能源的同时，是如何努力实现节能降耗的。
02
国家战略与PUE指标的博弈
在衡量数据中心能耗时，全球普遍采用PUE（能源使用效率）作为关键指标。
PUE的计算公式为“数据中心总耗电量”除以“用于计算设备本身的耗电量”。若某数据中心的PUE值为2.0，意味着每消耗1度用于计算的电力，其配套的空调、照明等辅助系统就会额外消耗1度电。PUE值越接近1.0，代表能源浪费越少。
目前，全球数据中心的平均PUE值徘徊在1.56左右，许多老旧的数据中心仍在大量浪费能源。
在此方面，我国的战略规划展现出卓越的前瞻性和执行力。《数据中心绿色低碳发展专项行动计划》设定了明确目标：到2025年，全国数据中心的平均PUE必须稳定下降至1.5以下！同时，要求每年提高10%的绿色能源使用比例，减少煤电消耗，增加风电和光伏发电的比重。
实际上，我国已于2023年提前达成此目标，全国平均PUE控制在1.48。与美国数据中心的平均PUE 1.4相比，仅有微小差距。然而，美国的数据中心面临电网容量的挑战，迫使其专注于PUE优化，而我国的国家电网在电力供应方面早已无后顾之忧。因此，我国在AI节能创新方面的努力，更多是出于主动的绿色发展战略考量。
中国目前已建成246个国家级绿色数据中心，其平均PUE已接近1.2。而在国家规划的八大算力枢纽（京津冀、长三角、粤港澳大湾区、成渝、内蒙古、贵州、甘肃、宁夏），最先进的绿色数据中心PUE甚至降至1.04。这种将算力与绿色能源深度结合的优势，为中国在AI时代奠定了坚实的基础。
03
节能技术探索
上述数据令人印象深刻，但具体是如何实现如此显著的节能效果的呢？
让我们从日常的AI交互体验说起。想象一下，全球每天有数亿用户同时向AI提出各种问题。如果AI对每个问题都全力以赴，调用最庞大的模型进行计算，后台服务器将不堪重负。因此，各大AI厂商必须在用户体验和成本控制之间找到平衡点。这解释了为何聊天界面常提供“快速”、“思考”或“专家”等不同模式选项。对于简单问题，选择快速模式能大幅节省算力。
当然，您和我一样，可能总是习惯性地选择“专家”模式，因为使用成本并不直接感知。
既然无法控制前端用户行为，后台算法就必须在资源利用上精打细算。
算法：全行业竞逐“Token”优化
当前，AI厂商最核心的节能技术之一是MOE（混合专家模型）。MOE系统如同为大模型设立了一个“智能分诊台”。当接收到问题时，系统能迅速判断问题所属领域，并仅激活与该领域最相关的少数“专家”网络。如此一来，在保证回答质量的同时，响应速度也得以提升，能耗显著降低，可达10%，实现了双赢。
除了混合专家模型，另一项关键技术是“蒸馏”。如果将传统模型的训练比作少林高僧数十年的闭关修炼，那么“蒸馏”则如同方丈将毕生绝学直接传授给弟子，实现快速成才。通过利用现有顶级大模型“指导”小型模型，后者无需海量语料数据的反复训练，便能继承“师父”大部分的智慧。例如，Deepseek的出现曾引起硅谷的巨大轰动，西方科技巨头们对此感到震惊：一家中国公司如何能以如此低的成本，达到接近顶级模型的性能？甚至有人质疑其是否“蒸馏”了OpenAI的模型。不论此指控是否属实，它都表明AI的进步并非只能依赖增加显卡数量、消耗更多电力、扩建更大规模的数据中心。底层算法和训练方式的优化，可能蕴藏着巨大的节能潜力。
芯片革新：从光子技术到生物计算的终极畅想
第二大节能重点在于算力的基础——芯片，尤其是AI训练普遍依赖的GPU。GPU最初为图形渲染设计，虽然擅长并行计算，但用于AI任务时，其图形处理功能会造成不必要的能源浪费。为此，谷歌开发了专用于AI的TPU芯片，使每一度电都用于AI计算，功耗可降低至GPU的五分之一。
然而，无论是GPU还是TPU，本质上仍是将大量芯片集中部署于数据中心进行中心化训练。这种模式效率高且便于管理，但所有芯片产生的集中热量对制冷系统提出了极高要求。
那么，能否实现AI训练的“去中心化”呢？
这与当年的比特币挖矿热潮有几分相似：普通用户也能在家中使用显卡参与计算。在AI训练领域，这种模式被称为联邦学习（Federated Learning）。传统AI训练是将海量文本、图像、声音数据上传至数据中心进行集中模型训练。而联邦学习则通过联合用户手机的芯片，形成一个“算力联邦”，共同训练模型。
具体流程是：云端将一个小模型分发至用户手机；当手机在夜间充电、连接Wi-Fi且处于闲置状态时，利用本地的照片、文本数据对模型进行少量训练。训练完成后，将结果上传至云端，云端再汇总海量设备的训练成果，从而使AI变得更加智能。
但这还不够。科学家们在优化芯片能耗和效率方面的创新远不止于此。除了广为人知的量子计算，还有利用光波干涉实现光速计算的光子AI芯片；利用A、T、G、C碱基对进行极低功耗信息存储和运算的DNA计算；甚至利用人类活体脑细胞在培养皿中进行计算的细胞计算。我们不得不惊叹于科学家们的想象力，但这些技术何时能实现大规模商业化，以及它们是否适用于AI计算场景，仍是未知数。
未来数据中心：深海与太空的探索
将视角放大至数据中心层面，业内已拥有成熟的制冷技术。例如，华为的iCooling智能冷却系统，通过AI调度制冷资源，将机房PUE降至1.26。阿里巴巴在河源的浸没式液冷数据中心，将服务器直接浸泡在绝缘液体中，在双十一高峰期，PUE仍稳定在1.09。
PUE降低了，但耗水量却有所增加。如何解决这个问题？
过去，液冷系统的热水只能通过冷却塔蒸发掉。如今，通过大型工业热泵，这些热水可直接并入市政供暖管网。在气候寒冷的北方地区，数据中心变身为超级“锅炉房”。AI密集运算产生的高温，通过管道输送至周边居民住宅、医院病房，甚至用于农作物温室大棚的供暖。
我们此前探讨过太空和海洋的潜力，AI巨头们也已将目光投向了这两个传统上不被视为数据中心选址的领域。
首先来看海底。微软早在2018年，就在英国将一个装有服务器的密封钢舱沉入海底，利用冰冷的海水进行自然散热。该实验取得了成功：855台服务器在海底运行两年，由于舱内无氧气和灰尘，故障率仅为陆地机房的八分之一。
然而，微软最终并未将其大规模商业化。因为海底数据中心除了上述优势，还面临海水腐蚀、海底电缆铺设、舱体密封性、后期维护以及海洋生态影响等一系列挑战。
有趣的是，在中国企业在微软停下的地方继续前进。2025年，海兰信将在海南启动全球首个商用海底智算中心。该公司将海底数据舱、光电复合缆、海底分电站整合为一套商业基础设施。此外，上海临港也在推进海上风电融合型海底数据中心项目，将海底冷却与海上风电相结合。
而在太空，数据中心的设想更为宏伟。马斯克计划在地球轨道外部署100万颗携带巨型太阳能阵列的AI算力卫星，旨在规避地面电力和水资源瓶颈。中国的路线则更为务实，国星宇航提出了“星算”计划，目标是到2035年组建一支由2800颗计算卫星组成的星座，其中2400颗用于推理，400颗用于训练。通过激光通信，将太空算力、地面数据中心和智能终端连接起来，构建“天数天算、地数天算、天地同算”的太空算力体系。
太空数据中心的最大优势在于其永续的能源供应。这里没有黑夜、没有云层、没有大气阻挡，太阳能板的发电效率可达地面的8倍。然而，它也面临诸多挑战：例如，虽然太空温度极低，但由于缺乏空气和液体等传导介质，热量只能通过辐射散发，使得散热成为一个极其困难的问题。此外，发射成本、宇宙辐射、芯片维修、激光通信以及轨道碎片等问题，都使得太空数据中心目前并非成熟的产业。但相信在我国科学家的不懈努力下，这些困难终将一一克服，下一代太空基础设施的建设势在必行。
全网调度：数据中心追逐绿色电力
最后，将目光从单个数据中心扩展至全国范围内由7000多家数据中心组成的网络，中国辽阔的疆域导致电力和算力分布不均。东部地区需求旺盛，西部地区能源充沛；部分地区风光水电资源丰富，而另一些地区电网负荷紧张。未来的数据中心网络可以通过动态调度AI任务来解决这一问题。
分布不均的现状，以及由此引发的资源配置挑战，需要创新的解决方案。碳感知算法是当前数据中心调度的前沿技术。
该系统能够实时感知各地天气状况和电网负荷。例如，当内蒙古风力发电强劲、新疆光伏发电充足、四川水电进入丰水期时，便将训练和推理任务调度至这些区域。反之，若某地区电网负荷过高、火电比例上升，则会减少该地区的计算任务，将其转移至绿色能源供应更充足的地区。
国家对数据中心可再生能源利用率的要求，促使AI厂商不仅要比拼模型性能和PUE值，还要比拼其利用风电、光伏、水电等绿色能源的效率。
过去，数据中心是在“寻找合适的地点安置服务器”；而未来的数据中心，则将是在“追逐绿色电力”的道路上前进。风力所向、阳光最烈之处、水电最充沛之地，AI的算力任务将随之流向。
04
从索取到共生
人类的发展和科技的进步，似乎总是伴随着对自然的无尽索取。但我坚信，AI的未来，必将成为一个深深植根于地球循环系统、与人类命运和谐共生的绿色智能生态。
点击关注下方账号，您将收获有趣的自然知识～