（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 "（Landauer's 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 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 、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。
来源：钛媒体
