（来源：由 AI 生成的图片）
随着 ChatGPT 引发新一轮人工智能（AI）热潮，而其背后带来的能耗问题也持续引发关注。
今年 4 月 10 日，芯片巨头 Arm 公司 CEO 哈斯（Rene Haas）公开表示，包括 ChatGPT 在内的 AI 大模型需要大量算力，预计到 2030 年，AI 数据中心将消耗美国 20% 至 25% 的电力需求，相比今天的4% 大幅增加。
公开数据显示，目前，ChatGPT 每天需要处理超过 2 亿次请求，其电量消耗高达每天 50 万千瓦时。一年时间，ChatGPT 光电费就要花 2 亿元人民币。
这意味着，ChatGPT 日耗电量是普通家庭的 1.7 万倍以上。（美国商业用电一度约为 0.147 美元也就是 1.06 元，相当于一天 53 万元）
据荷兰咨询机构负责人 Alex de Vries 预计，到 2027 年，AI 行业每年将消耗 850 亿~1340 亿千瓦时的电力，相当于瑞典或荷兰一个欧洲国家一年的总用电量。
马斯克判断，电力缺口最早可能会在 2025 年发生，“明年你会看到，我们没有足够电力来运行所有的芯片”。
OpenAI CEO 奥尔特曼（Sam Altman）也预计，AI 行业正在走向能源危机，未来 AI 技术发展将高度依赖于能源，人们也需要更多的光伏和储能产品。
这一切都显示出，AI 即将引爆全球新一轮“能源战争”。
不止是芯片，AI 还被能源“卡脖子”
过去 500 多天里，ChatGPT 引发全球新一轮 AI 大模型和算力需求热潮。
微软、谷歌、Meta、OpenAI 等多家全球科技巨头开始疯抢 AI 芯片，甚至亲自下场“造芯”，总规模超过数十万亿元美金。
实际上，AI 本质上是一种计算机技术和处理信息的技术，背后则需要大量 GPU 芯片，更底层则是大量电能、水力、风能、资金等资源的支持。
早在 1961 年，在 IBM 公司工作的物理学家拉尔夫·兰道尔（Rolf Landauer）发表了一篇论文，提出了后来被称为“兰道尔原理”（Landauers Principle）的理论。
这一理论认为，计算机中存储的信息发生不可逆的变化时，会向周围环境散发一点点热量，其散发的热量和计算机当时所处的温度有关——温度越高，散发的热量越多。
兰道尔原理连接起了信息和能量。更具体地说，它连接到了热力学第二定律上。因为逻辑上不可逆的信息处理操作，也就意味着湮灭了信息，这会导致物理世界中熵的增加，从而消耗能量。
这一原理自提出以来遭受过不少质疑。但近十几年来，“兰道尔原理”已被实验证明。
2012 年，《自然》杂志发表了一篇文章，研究团队首次测量到了一“位”（bit）数据被删除时释放的微量热量。后来的几次独立实验，也都证明了“兰道尔原理”。
过去 10 多年间，现代电子计算机在计算时实际消耗的能量，是兰道尔理论值的数亿倍。而科学家们一直在努力寻找更高效的计算方法，以降低成本。
如今，AI 大模型爆发，它确实需要大量计算。因此，AI 不止被芯片“卡脖子”，还被能源“卡脖子”。
马斯克近期也在“博世互联世界 2024”大会上表示，一年多以前，短缺的是芯片，明年你会看到电力短缺，无法满足所有芯片的需求。
中国科学技术信息研究所人工智能中心副主任李修全也表示，近年来， AI 大模型规模、数量都在高速增长，也带来对能源需求的快速增加。尽管短期内还不会很快出现“缺电”等问题，但未来大规模智能化时代来临后的能源需求激增不容忽视。
AI 大模型质量的关键在于数据、算力和顶尖人才，而高算力的背后，是靠着数万张芯片昼夜不停的运转支撑。
具体来说，AI 模型算力的工作过程大致可以分为训练、推理两个阶段，能源消耗也是如此。
其中，在 AI 训练阶段，首先需要收集和预处理大量的文本数据，用作输入数据；其次，在适当的模型架构中初始化模型参数，处理输入的数据，尝试生成输出；最后，通过输出与预想之间的差异反复调整参数，直到模型的性能不再显著提高为止。
从训练 15 亿参数的 GPT-2，到训练 1750 亿参数的 GPT-3，OpenAI 模型背后的训练能耗十分惊人。公开信息称，OpenAI 每训练一次需要 128.7 度电，相当于 3000 辆特斯拉同时跑 32 公里。
据研究机构 New Street Research 估计，仅在 AI 方面，谷歌就需要大约 40 万台服务器，每天消耗 62.4 吉瓦时，每年消耗 22.8 太瓦时的能源。
而在推理阶段，AI 则会先加载已经训练好的模型参数，预处理需要推理的文本数据，再让模型根据学习到的语言规律生成输出。谷歌称，从 2019 年到 2021 年，AI 相关能源消耗 60% 都来自推理。
据 Alex de Vries 估算，ChatGPT 每天大概要响应大约 2 亿个请求，耗电量超过 50 万度，按照一年电费就是 2 亿元人民币，比每个美国家庭的平均日用电量高 1.7 倍。
SemiAnalysis 报告称，使用大模型进行问题搜索所消耗的能源是常规关键词搜索的 10 倍。以谷歌为例，标准谷歌搜索使用 0.3Wh 电力，而大模型每次互动的耗电量为 3Wh。如果用户每次在谷歌搜索都使用 AI 工具，每年大约需要 29.2 太瓦时的电力，也就是每天约 7900 万度。这相当于给全球最大的摩天大楼，迪拜的哈利法塔，连续供电超过 300 年。
另据斯坦福人工智能研究所发布的《2023 年 AI 指数报告》显示，每次 AI 搜索的耗电量大约为 8.9 瓦时。相比普通谷歌搜索，加入 AI 的单次耗电量几乎是一般搜索的 30 倍。而一个高达 1760 亿参数的模型，光是前期训练阶段就得用掉了 43.3 万度电，相当于美国 117 个家庭一年的用电量。
值得注意的是，在 Scaling Law（缩放规律）之中，随着参数规模不断跃升，大模型性能也不断提升，而对应的是，能耗也会越来越高。
因此，能源问题已经成为 AI 技术持续发展的关键“桎梏”。
GPT 每天消耗 50000 升水，电和水是 AI 两大能源需求
AI 不仅是“耗电狂魔”，更是“吞水巨兽”。
其中，在电力方面，除了上述信息外，据国际能源署(IEA)数据显示，2022 年，全球数据中心消耗约 460 太瓦时的电量(相当于全球总需求的2%)，随着生成式 AI 飞速发展，这一数字到 2026 年可能膨胀至 620 至 1050 太瓦时。
Alex de Vries 预计，到 2027 年，AI 服务器所消耗的用电量将等同于荷兰全国的能源需求量。最坏的情况就是，仅谷歌一家公司的 AI 就可以消耗与爱尔兰等国家一样多的电力。
IBM 高级副总裁达里奥·吉尔曾表示，“AI 能耗”是非常重要的挑战。生成式 AI 的高性能服务器的持续运行，将导致数据中心一半以上的电力消耗都被 AI 占据。据悉，预计到 2025 年，AI 业务在全球数据中心用电量中的占比将从2% 猛增到 10%。
那么，水能呢？大模型背后需要数据中心、云基础设施的支持，那就需要大量的“液冷”进行散热。
得克萨斯大学的一份研究指出，作为 ChatGPT 背后的重要支持力量，微软的 Microsoft Azure 云数据中心光是训练 GPT-3，15 天就用掉将近 70 万升的水，相当于每天花销约 50000L 水。
同时，ChatGPT 每回答 50 个问题就要消耗 500 毫升水。公开信息称，2022 年微软用水量达到 640 万立方米，比 2500 个奥林匹克标准游泳池的水量还多。
美国加州大学河滨分校副教授任绍磊团队预计，到 2027 年，全球 AI 可能需要 4.2-66 亿立方米的清洁淡水量，这比4-6 个丹麦、或二分之一的英国的一年取水总量还要多。
除了数据中心，内置的 GPU 芯片也是能源消耗的重点领域之一。今年 3 月，英伟达发布史上性能最强 AI 芯片——Blackwell GB200，宣称是 A100/H100 系列 AI GPU 的继任者，性能相比 H100 提升 30 倍，但能耗却降低了 25 倍。
上个月，黄仁勋的一句“AI 的尽头是光伏和储能”更是在网络疯传。尽管有网友扒出原视频称，黄仁勋本人并未说过这句话，更没有提及“光伏和能源”，但 AI 能耗严重，却是摆在公众面前的事实。
国际能源机构（IEA）在一份报告中强调了这个问题，全球 AI 数据中心的耗电量将是 2022 年的十倍，并指出部分原因在于 ChatGPT 这样的大模型所需的电力，远高于谷歌等传统搜索引擎。
不过，值得注意的是，由于科技巨头们并未正式披露过 AI 使用中的电力消耗数据，因此，目前关于 AI 耗电量的数据多为估算，并不一定是非常准确的数据。美国信息技术与创新基金会（ITIF）曾指出，个别不准确的研究高估了 AI 能耗。AI 训练是一次性事件，它的使用是长期过程。人们应关注 AI 能耗的长期影响，并非爆发式增长。
有专家认为，目前大模型训练成本中 60% 是电费，能源开支已经严重制约着大模型的迭代升级。
金沙江创投主管合伙人朱啸虎近日也表示，可控核聚变实现前，我们并没有足够的算力实现真正的 AGI。帮人类降低 90% 的工作可能未来 3 到 5 年可以实现，但最后的 10% 可能需要大量的算力和能耗。
如何解决 AI 能耗之困？硬件优化和核聚变或是重要手段
虽然黄仁勋也非常担忧能源供给，但他却给出了一个更乐观的看法：过去 10 年，AI 计算提高了 100 万倍，而它消耗的成本、空间或能源并未增长 100 万倍。
美国能源情报署发布的长期年度展望中估计，美国目前电力需求的年增长率不到1%。而按新能源公司 NextEra Energy CEO 约翰·凯彻姆（John Ketchum）的估计，在 AI 技术的影响下，这一电力需求年增长率将加快至 1.8% 左右。
波士顿咨询集团的报告则显示，2022 年，数据中心用电量占美国总用电量（约 130 太瓦时）的 2.5%，预计到 2030 年将增加两倍，达到 7.5%（约 390 太瓦时）。这相当于约 4000 万个美国家庭的用电量，即全美三分之一家庭的用电量。该集团还预计，生成式 AI 将至少占美国新增用电量的1%。
这意味着，即使数据中心、AI 新增用电量并不小，但还远不到毁天灭地的地步。
而在成本方面，国际可再生能源署报告指出，过去十年间，全球风电和光伏发电项目平均度电成本分别累计下降超过了 60% 和 80%。上述业界人士也介绍说，“光伏的综合成本跟火电差不多，风电一半区域的综合成本比火电低了。”
因此，随着 AI 技术一路狂飙，我们又将如何应对即将到来的能源需求热潮？
钛媒体 App 根据一些行业专家的观点总结来看，目前解决 AI 能耗问题有两种方案：一是可以通过大模型或 AI 硬件优化降低能耗；二是寻找新的能源，比如核聚变、裂变资源等，以满足 AI 能耗需求。
其中，在硬件优化方面，对于能耗较高的万亿级 AI 大模型，可以通过算法和模型优化，压缩模型 token 大小及复杂度，以降低能源消耗规模；同时，企业也可以持续开发和更新能耗更低的 AI 硬件，如最新的英伟达 B200，AI PC 或 AI Phone 终端等；此外，通过优化数据中心的能效，提高电源使用效率，以降低能源消耗。
对此，中国企业资本联盟副理事长柏文喜表示，未来，还需要进行技术创新和设备升级，以进一步提高发电效率、提高电网输送能力和稳定性、优化电力资源配置、提高电力供应的灵活性、推广分布式能源系统并减少能源输送损耗，以此来应对算力发展带来的能源需求挑战。
中国数据中心工作组（CDCC）专家委员会副主任曲海峰认为，相关行业应该要重视提升数据中心用电能效，而不是抑制它的规模。数据中心并非要减少对能源的消耗，而是要提升能源消费的质量。
而在开发核聚变能源方面，由于可控核聚变由于原料资源丰富、释放能量大、安全清洁、环保等优势，能基本满足人类对于未来理想终极能源的各种要求。
核聚变的能量来源目前主要有三种：宇宙能源，即太阳发光发热；氢弹爆炸（不受控核聚变）；人造太阳（受控核聚变能源装置）。
据统计，当前世界共有 50 多个国家正在进行 140 余项核聚变装置的研发和建设，并取得一系列技术突破，IAEA 预计到 2050 年世界第一座核聚变发电厂有望建成并投入运行。
这种核聚变发电，将大大缓解全球因 AI 大模型需求造成的能源短缺情况。
2023 年 4 月，奥尔特曼就“未雨绸缪”，以个人名义向核聚变初创公司 Helion Energy 投资 3.75 亿美元（约合人民币 27.04 亿元），并担任公司董事长。同时，去年 7 月，奥特特曼还通过旗下公司 AltC 与其投资的核裂变初创公司 Oklo 合并，斩获了一个估值约为 8.5 亿美元（约合人民币 61.29 亿元）的 IPO，ALCC 最新市值超过 400 亿美元。
除了奥尔特曼这种重金投资核聚变公司，亚马逊、谷歌等科技巨头则直接大手笔采购清洁能源。
据彭博数据显示，仅在 2023 年，亚马逊就购买了 8.8GW（吉瓦）的清洁能源电力，已经连续第 4 年成为全球最大的企业清洁能源买家。Meta（采购 3GW）和谷歌（采购 1GW）等科技公司则位列其后。
亚马逊称，其 90% 以上的数据中心电力都来源于清洁能源产生的电力，预计能在 2025 年实现 100% 使用绿色电力。
实际上，以美国为例。清洁能源、AI、数据中心、电动汽车、挖矿等多种产业的增长，让原本陷入停滞的美国电力需求再度“起飞”。但即使被誉为世界上“最大的机器”，美国电网也似乎无法应对这突如其来的变化。
有分析师指出，美国 70% 的电网接入和输配电设施已老化，某些地区电网传输线路不足。因此，美国电网需要大规模升级，如果不采取行动，到 2030 年美国将面临一道难以逾越的国内供应缺口。
相对于美国，中国则对能源需求表达乐观态度。“AI 再耗电，中国的体量和能力足以支撑，现在不进行大规模开发，是因为没需求。”一位风电行业人士表示，中国可规划的容量足够大，AI 要是有大量电力需求，我现在就能上项目当中去工作。
目前，中国风电、光伏产品已经出口到全球 200 多个国家和地区，累计出口额分别超过 334 亿美元和 2453 亿美元。
随着 AI 呈现爆发式增长，这场中美 AI 产业角逐，已经从大模型技术比拼，升级成为一场算力、能源、人力等多方位争夺战。
随着核聚变能源或将到 2050 年落地，人类期望终结 AI 能耗这一具有挑战性难题，进入无限发电时代。
（本文首发钛媒体 App，作者｜林志佳。张盈对本文亦有贡献）
