AI 的终极瓶颈：电力争夺战

·奥特曼近期可谓分身乏术。一方面，OpenAI 全力冲刺通用人工智能（AGI），另一方面，硅谷科技巨头们正四处寻觅足以支撑其庞大能耗的电力资源——这两者实为同一枚硬币的两面。

数月前，有用户在X平台上戏谑询问：人类在与AI对话时频繁使用“请”和“谢谢”，会让OpenAI额外消耗多少电力？奥特曼的回答带着几分无奈的自嘲：“即便因此多支出数千万美元电费，这笔钱也花得物超所值。”

数千万美元的电费开销——这还仅仅是礼貌用语所引发的微小增量。

这一玩笑背后，隐藏着一个严肃且令人忧虑的事实。

预计到2026年，全球数据中心的总耗电量将突破1000太瓦时，相当于日本全国一年的用电量，其中人工智能负载占比接近三分之一。

我们正步入一个全新纪元：谁能掌握廉价、稳定且充足的电力，谁就能主宰AI时代的话语权。

我们每日与AI交流、让模型撰写文章、协助规划行程，但有多少人曾驻足思考——屏幕另一端“思考”的瞬间，究竟消耗了什么？

罗德岛大学AI实验室的一项研究披露了一个惊人的数据：GPT-5生成一个中等长度回答（约1000个token，即数百词），平均耗电约18瓦时，最高可达40瓦时。这是什么概念？18瓦时足以点亮一个白炽灯泡近20分钟，或驱动微波炉运行约80秒。

而其前代模型GPT-4，完成同样回答仅需约2.12瓦时。这意味着，一次迭代升级，能耗竟翻了8.6倍。

更令人震撼的数据接踵而至。若按ChatGPT日均处理约25亿次请求估算，GPT-5每日耗电量高达45吉瓦时——相当于

150万美国家庭一整天的总用电量，或2至3座核反应堆的持续输出功率。

有人在X平台调侃：“每次我在ChatGPT上提一个无聊问题，或许都在消耗地球某处电网的一度电。”此话虽显夸张，但方向无误。

我们已习惯数字世界的“轻盈”：点击鼠标，发送信息，云端即刻给出答案。我们却忽略了，每一次“点击”背后，都是物理世界实实在在的能源燃烧。

AI的电力消耗主要集中在何处？

两个关键环节：训练与推理。

训练阶段好比让学生苦读十八年。大模型需“学习”，必须在成千上万块GPU上吞吐海量数据，连续运算数十天甚至数月。GPT-4训练耗时约95天，日均训练耗电40万度，相当于4万个家庭一天的用电量。而单块GPU的最大功耗已飙升至1000瓦。1000瓦意味着什么？等同于一台大功率电暖器，而今日一个AI数据中心内，数万乃至数十万块此类GPU正同步运转。

推理阶段则是学生毕业后的日常“工作”。虽然单次推理能耗远低于训练，但全球数亿用户的调用量巨大。它宛如一家24小时营业的餐厅，每道菜加工虽不繁复，但日复一日接待顾客，总能耗反而超过厨房的大扫除。

正如中国科学院计算技术研究所工程师刘延嘉所言：“推理是大模型响应用户需求的过程，尽管AI推理阶段单次能耗低于训练，但因高频调用，电力消耗同样惊人。”

然而，根本原因不止于此。

若AI仅是“用电大户”，那只是故事的一半。真正令人不安的是，它正在吞噬的远不止电力。

水资源。训练GPT-4o模型每年所需的冷却用水量，超过1200万人的饮用水需求。一个热带雨林国家的数据中心，每年蒸发水量相当于一个小型水库，用以冷却服务器，而这些水以蒸汽形式散入大气，无法回收。

碳排放。仅训练马斯克旗下xAI的Grok 4一个模型，就排放了约72,816吨二氧化碳当量。这相当于多少辆普通燃油车全生命周期的排放量？数字之大令人咋舌。

电网承载力。据斯坦福大学2026年AI指数报告，美国AI数据中心总电力容量已攀升至29.6吉瓦，相当于纽约州用电峰值时的需求。到2030年，数据中心可能占据美国总电力需求的6%至8%。

而最大挑战并非资源绝对稀缺，而是时间错配。大型AI数据中心通常需100至300兆瓦的持续功率，是传统数据中心的3至10倍。开发商向电网申请供电，排队等待时间长达数年。电网建设与升级周期漫长，而AI呈指数级增长——两者速度差正撕裂整个系统。

这绝非危言耸听。事实上，已有多家科技公司因电力供应不足，被迫延期、缩减甚至搬迁数据中心项目至更偏远地区。

但故事远未走到绝望尽头。

就在OpenAI的GPT模型能耗一路飙升之际，中国AI公司DeepSeek开辟了一条截然不同的路径。其V3/R1版本在保持96.3%准确率的前提下，将单次推理能耗从行业平均的12.7瓦时降至3.8瓦时，压缩幅度超70%。

这与GPT-5的40瓦时形成鲜明对比。DeepSeek似乎在用行动昭示：

AI能耗存在巨大优化空间，我们不必必然选择“电老虎”式的未来。

这种差异背后，折射出更深层的问题：

能耗不仅是“成本”，更是一种设计哲学。

大模型发展正陷入悖论——更大模型、更长上下文、更多模态，确实带来更强能力，但代价是成倍甚至指数级增长的能耗。若人类不能在算法效率与能源利用上取得突破，等待我们的或许不是AGI，而是能源瓶颈下的停滞。

DeepSeek已证明效率型路线可行。但开源模型能实现的降本增效，能否在冲刺通用人工智能的顶级闭源模型上复现？这一答案将直接决定AI产业走向——以及我们留给地球的账单。

英伟达CEO黄仁勋近日提出著名产业模型——AI的“五层蛋糕”。在这个高度耦合系统中，自下而上五层分别为：

能源、芯片、基础设施、AI模型及应用。

许多人误以为AI竞争是上层“模型”与“应用”的比拼，看到的是ChatGPT的惊艳、OpenAI的领先。但黄仁勋敲响警钟：最底层决定一切，AI竞争尽头并非代码较量，而是对物理世界原子级资源的争夺。

他将能源置于第一层，直击当前AI产业最隐秘的痛点。英伟达、OpenAI、特斯拉——几乎所有硅谷巨头已敏锐察觉：

算力的尽头是电力。

若上一代互联网巨头的护城河是数据，那么下一代AI巨头的命门，将牢牢掌握在电网容量与清洁能源供给能力上。这也解释了为何大量硅谷资本正疯狂涌入核聚变、地热能、太阳能等前沿能源项目。

山姆·奥特曼本人曾明确表态：核裂变是满足人工智能日益增长能源需求的关键方案。

埃隆·马斯克提出颠覆性解法。他警告，若要达到每年200至300吉瓦的持续算力需求，必须建造规模庞大且造价昂贵的发电厂。他算了一笔账：一座典型核电站持续发电量约1吉瓦，而美国全国目前持续发电量仅约490吉瓦——将大部分电力供给AI？绝无可能。

若进一步提升至1太瓦的AI算力，在地球上根本无从实现。

他的答案简单而疯狂：

将AI送入太空。

在太空中，太阳能免费、持续且无穷尽。无需电池（永有阳光），无需复杂框架与防护层，冷却仅需辐射冷却——想想都比地球效率高数个数量级。他估计，或许不到五年，轨道上利用太阳能AI卫星进行运算，将成为全球成本最低的AI计算方式。

也有人将赌注押在核能上。SMR——小型模块化核反应堆——正成为科技巨头新宠。谷歌、亚马逊等已联合SMR及核聚变公司，为AI数据中心量身定制供能方案。中国在SMR领域亦具备先发技术基础，“玲龙一号”完成关键试验，山东石岛湾高温气冷堆已实现商业化运营。

在这条技术路线上，短期靠燃气轮机“救火”式应急供电，中长期则寄托于SMR、可控核聚变和固体氧化物燃料电池三条前沿路径。正如一位观察者所言：

供电能力正成为AI发展的底层约束，其重要性或高于算力硬件本身。

我们正见证一场前所未有的博弈。一边是算法工程师致力于更大更强的模型，一边是能源工程师拼命寻找充足电力。

但更深层的拷问在于：AI的尽头究竟是什么？

是电力吗？不完全是。

即便解决供电问题，还有水、碳排放、供应链——以及星球承载极限。若AI巨兽继续以当前速度膨胀，它将不仅耗尽地球可用电力，还会吞噬不可再生水资源、排放难以承受碳排，最终反噬其试图服务的文明。

但也正因如此，AI正倒逼人类做出前所未有的决定：

要么找到全新能源方式，要么重新定义AI发展路径。

而这两条路，无论哪一条，都足以改变人类命运轨迹。

任泽平近日说过一句话，我深以为然：“AI背后是算力，算力背后是电力。电决定了AI的产出上限。”

在我看来，黄仁勋的“五层蛋糕”同样给出答案：能源位于最底层。底层决定上层一切。无充沛电力，芯片无法运行；芯片无法运行，基础设施无从谈起；基础设施建不成，再强模型也只能活在PPT里——至于上层那些眼花缭乱的AI应用，不过是镜花水月。

谁拥有电力，谁就拥有AI未来。

这并非科幻预言，而是正在发生的现实。电网容量决定AI发展速度，新能源技术决定AI能走多远，而能源博弈结果，将在未来十年内，决定这场人类有史以来最伟大智力革命——究竟是辉煌启蒙，还是惨痛教训。

觉得不错，记得点赞关注分享！