AI 耗电惊人，破局之道何在？

给孩子的 AI 常识

上期我们算过一笔账：2024 年全球数据中心耗电量达 415 太瓦时，等同英国全年用电；预计 2030 年将翻倍至 945 太瓦时，堪比日本全年总量。ChatGPT 单次回答的能耗竟是 Google 搜索的十倍。

AI 是“电老虎”，这点已成共识。

但关键问题尚待解答：如此高昂的电费，能否降下来？

答案是：各界正在探索，且部分方案已初见成效。

路线一

最直观的思路——并非增加发电，而是让 AI 更省电。

还记得“什么是大模型”文中提到的 DeepSeek 吗？其核心创新在于“混合专家模型”——总参数量超 6000 亿，但每次运算仅激活 300 多亿，其余处于“休眠”状态。这就好比千人工厂，每条产线只需 50 人上岗，其他人轮休。

这不仅是“聪明”，更是直接的节能。激活参数减少，GPU 运算量随之降低，耗电自然下降。

类似思路广泛应用。模型量化——将参数精度从高清降至标清，大幅削减运算量且效果微损。模型蒸馏——用大模型“教导”小模型，使其掌握大模型八成本领，却仅需一成算力。

本质如一：并非所有问题都需满载算力。以恰好足够的资源完成任务，即是最佳节能。

路线二

每代新芯片，单位算力的功耗均在下降。

Nvidia 的 H100 相较前代 A100，在 AI 推理任务上性能提升约三倍，功耗增幅却不足一倍——同等任务下，H100 能效比 A100 高出近两倍。更新的 Blackwell 架构（B200）进一步优化能效。

这如同汽车引擎：新一代马力更强，百公里油耗反而更低。

除通用 GPU 外，还有一类专为 AI 推理设计的芯片叫 ASIC——它不像 GPU 那样“全能”，而是专注单一计算，效率极高。Google 的 TPU 即属此类。研究显示，特定 AI 任务中，ASIC 能耗可低至 GPU 的十分之一。

路线三

数据中心约 30%-40% 的电力非用于计算，而是用于散热。

传统做法是用空调吹冷风——简单但低效。如今越来越多数据中心采用液冷技术——将冷却液直送芯片表面带走热量，散热效率较风冷提升五倍以上。腾讯云数据中心已全面启用液冷，PUE 值降至 1.15 以下。

更有极端方案：将整台服务器浸入冷却液——称为“浸没式液冷”。看似疯狂，实则已在超算中心试点。

另一思路是选址。微软在北欧海底建设数据中心，借海水自然降温。越来越多数据中心落户内蒙古、贵州、北欧、加拿大——非为网速，只为借天然低温减少空调耗电。

路线四

除省电外，还有一条路——不是少用电，而是用更清洁的电。

我国“东数西算”工程正是此逻辑：将数据中心建于西部——那里水电、风电和光伏资源丰富。在国家枢纽节点，新建数据中心绿电使用比例已超 80%。

国家政策也在强力推动：要求国家枢纽节点数据中心 PUE 不超 1.2，非枢纽节点不超 1.25。未达标项目，能评审批无法通过。

Google—承诺 2030 年实现全天候 100% 清洁能源运营

微软—投资小型模块化核反应堆（SMR）为数据中心供零碳电力

中国—2026 年底太阳能发电装机规模预计首次超过煤电

AI 正成为推动可再生能源建设加速的“意外推手”。

路线五

这是最有趣的一条——用 AI 为 AI 省电。

Google 自 2016 年起便利用 DeepMind 的 AI 系统管理数据中心冷却，当时就将冷却耗电降低了 40%。如今，越来越多数据中心利用 AI 算法进行负荷预测与智能调度——提前预判算力需求高低时段，动态调整服务器开关与频率。

犹如智能大楼——有人楼层开灯开空调，无人楼层自动关闭。AI 数据中心正变为这样的“智能大楼”，而管理者正是 AI 自身。

列举这么多途径，一个现实问题浮现：这些办法叠加，能否跑赢 AI 用电量的增速？

坦率而言，目前尚不能。

AI 用电量呈指数级增长——每年翻番。上述每条路都能“减速”，却无一能“刹车”。模型变大、用户增多、应用扩展——省下的电，很快被新增需求吞噬。

但方向明确：更高效的模型、更省电的芯片、更聪明的散热、更绿色的能源、更智能的管理。五路并进，至少能让 AI 增长不以牺牲地球为代价。

AI 费电一事，短期难有一劳永逸之解。但有人在认真求解，且部分方案已见效。

这或许是技术发展的常态——问题与解法总是前后追逐。关键在于，追赶者不能停歇。

你还想了解 AI 的哪些事？留言告诉我。

— END —