算力的尽头是电表？

科学家们正在探索新的算法、硬件和计算方法，以降低人工智能的能耗需求。数据中心的战略性选址以及其他提高绿色能源使用率的措施，同样至关重要。

随着近年来 AI 工具的日渐普及，其带来的环境影响也与日俱增。图片来源：JAMES FRYER / THEISPOT

科学家们正在从算法、硬件和计算方式等多个方向探索降低AI耗电量的办法。另外，数据中心的选址策略，以及如何提高绿色能源的使用比例，同样很关键。

当我（译者注：作者）在公寓里喝着咖啡，随手问了谷歌的AI Gemini一个问题时，很难想到生成一个回复会耗掉多少电。信号从路由器发出，大概先经过铜线或光纤，然后一路跑到谷歌的某个数据中心。在数据中心里面，经过一排排处理器的处理，我的问题被转换成数字，再经过数十亿次运算，才弄清楚上下文和意思。答案组织好之后，转瞬之间就又飞了回来。

数据中心好比互联网的心脏，驱动着从电子邮件到网页搜索的一切，已经运转了几十年。但随着AI生成文本、图像和视频的功能日趋普及，数据中心的耗电量也达到了前所未有的水平。据谷歌的估算，用Gemini处理一条中等长度的文本提示词，大约要花掉0.24瓦时电。

单看一次消耗的电量，确实微不足道——0.24瓦时，也就够你看九秒钟电视。但是架不住积少成多。2026年3月，OpenAI估计每周有超过9亿人在用它的ChatGPT，每天的查询量高达数十亿次。

加州大学圣巴巴拉分校研究数据中心可持续性的埃里克·马萨内特（Eric Masanet）说，数据中心在全球——以及在美国（美国的数据中心数量位居全球之首）——到底用了多少电，并不是每家科技公司都会公开披露。但是，按照国际能源署最新的估算，2025年美国的数据中心吞掉了大约224太瓦时的电量，占了全美用电量的5%以上。相比2018年数据中心用电占比估计只有1.9%，可以说是大幅攀升，那会儿生成式AI还没大规模爆发。

而这种电力消耗似乎还远远不够。为了争夺生成式AI市场的领导地位，谷歌、Meta、亚马逊、OpenAI、Anthropic、微软、甲骨文等知名科技公司都在疯狂砸钱，动辄几百亿、几千亿美元，大建AI专用数据中心。AI时代之前的数据中心，耗电量大概在100兆瓦上下（足以满足 83,000 户家庭平均用电需求）。现在新建的往往是“超大规模”的数据中心，轻轻松松吃掉1吉瓦甚至更多，大致相当于洛杉矶全市发电量的十分之一。

令马萨内特和其他专家感到警觉的是，这些新增的能源需求中有很大一部分是由化石燃料（如天然气）电厂满足的，而化石燃料的燃烧会释放大量二氧化碳，进一步加剧全球变暖。导致这种情况的一个关键原因是，数据中心常建在水电、地热、太阳能或风能等可再生能源不够丰富的地区。

对于这个问题，科技公司的常见做法是，在别处投资可再生能源，用来“抵消”自己的碳排放。但问题是，除非那些清洁能源电厂的发电量超过了数据中心的耗电量，否则这个策略说破天也只是让排放量原地踏步，做不到真正的“净零排放”。而要遏制全球变暖，净零排放才是关键。“每用化石燃料发电机发电一兆瓦，”马萨内特说，“就等于我们往后退了一步。”

这还没算上制造数据中心里那些硬件所消耗的资源，也没有考虑对周边社区的影响。住在数据中心附近的居民，常常要忍受天然气电厂的空气和噪音污染。同时，数据中心冷却还需要大量用水，使当地的水资源也面临着巨大压力。

国际能源署的一份不完全数据库显示，美国大量数据中心集中在弗吉尼亚一带。图片来源：IEA / ENERGY AND AI OBSERVATORY 2025. CC BY 4.0

预测AI的能源影响，向来是一件非常棘手的事情。毕竟AI投资的回报规模能有多大，谁也说不准。但在专家们看来，有一件事已经很清楚：节能策略已经刻不容缓。2025年的一项估算显示，如果任其发展，美国数据中心每年的二氧化碳排放量很快会达到2400万到4400万吨，后者与挪威全国一年的排放量相当。

因此，计算机科学家和工程师们正在重新审视 AI 背后的那些能耗巨大的硬件和软件。他们一边研发更省电的算法和处理器设计，一边认真考虑数据中心的选址和建造方式。

“AI的高能耗不是偶然的，说到底，它是我们构建系统的方式决定了的，”康奈尔大学能源系统专家尤峰崎（Fengqi You）说道。但他也指出，如果能搭配运用好各种解决方案，“我们是有可能扭转这个趋势的。”

能耗问题的根源

要想搞懂AI为什么这么耗电，首先得了解一下大语言模型（LLM）。LLM是聊天机器人、AI助手这类文本生成工具背后的核心——具体来说，它们大多基于谷歌大脑（Google Brain）机器学习实验室在2017年提出的一种设计。这种设计，即 Transformer 架构，能够以闪电般的速度处理文本：它同时获取每个单词，并衡量该词与其所见到的每一个其他单词之间的关系。它通过计算每个单词与文本中所有其他单词的关联强度，并在大量上下文中观察每个单词，来“学习”哪些词汇可以组合在一起。（AI图像和视频生成器用的也是类似的设计思路。）

落到计算层面，实际操作就是把单词或词片段转化成数字，然后在它们之间执行加法和乘法运算。速度能这么快的关键在于可以并行计算，而这得益于图形处理器，即 GPU。GPU 主要由英伟达（NVIDIA）制造，最初是为了在游戏中快速渲染3D画面而发明出来的。

给AI计算提供算力的芯片厂商正在努力提高芯片的能效，英伟达最新推出的AI专用芯片就是一例。图片来源：英伟达

LLM为了学会这些关系所做的初始训练，会消耗大量能源。训练的时候，每个词都要跟同一段文本里所有其他词逐一比对，所以模型的计算量——也就是能耗——会随着文本长度以平方关系增长：文本长度变两倍，计算量变四倍。考虑到大多数 LLM 是在海量的公开互联网文本上训练的，这样算下来更是天文数字。有人估算过，训练GPT-4（2023 年推出的 ChatGPT 版本），花掉了大约50到60吉瓦时的电力，足以满足旧金山三到四天的用电。

不过，让专家们更头疼的，是模型训练完成之后实际使用时——也就是推理阶段——的能耗。“训练也就一次，但推理要面对的是全球几十亿用户，”密歇根大学的AI系统专家莫沙拉夫·乔杜里（Mosharaf Chowdhury）说道。他一直在跟踪测量几个已开源的大语言模型的用电情况。

这一过程出乎意料地低效。Transformer模型每生成一个词——挑出在当前上下文中跟在前面那个词后面概率最高的那个——就得把整个查询和已经写了一半的答案重新送入模型中再运行一遍。而且它每次都要动用训练期间为了理解语言模式所需要的全部参数，这些参数动不动就是几千亿甚至几万亿个。

“只是为了多写一个词，就要做海量计算，这件事本身就很有问题，”奥地利约翰内斯·开普勒大学的AI专家君特·克兰鲍威尔（Günter Klambauer）表示。

优化AI软件以节省能源

意识到这一点后，人们开始把目光投向那些专攻特定任务的小型语言模型。这些模型训练面更窄、参数更少（几千万到几亿个），计算量也比大模型少得多。在2025年联合国教科文组织发表的一篇论文中，伦敦大学学院的计算机科学家伊万娜·德罗布尼亚克（Ivana Drobnjak）和同事把Meta的语言模型Llama-3.1跟几款专门针对特定任务的小模型做了能耗对比——其中DistilBART和t5-small-xsum负责摘要，另外几款分别做翻译或问答。结果发现，在各自的任务上，这些小模型比执行同样工作的 Llama 3.1 节省了超过 90%的能耗。

于是，计算机科学家们干脆把这种任务特化的思路做进了LLM内部。所谓的“专家混合”模型，就是一个大模型里只有特定部分会针对某些任务被激活。这些部分“各自学会了处理语言中不同的模式，”德罗布尼亚克解释道。

DeepSeek R1 模型的能耗远低于其他模型，很多人认为“专家混合”就是原因之一。康奈尔科技学院的电气与计算机工程专家乌迪特·古普塔（Udit Gupta）指出，其实像Gemini 或ChatGPT这样的LLM也在把用户的查询导向更专业化的子模型。“目前有大量工作致力于评估用户查询或任务的复杂性，然后找到合适的模型来处理。”古普塔说。（谷歌发言人拉尔夫·布雷默提到，处理一条中等长度的Gemini提示词现在花0.24瓦时，能效相比2024年已经提高了33倍，但一些专家仍然怀疑，用LLM处理查询到头来还是比普通网页搜索更耗能。）

科学家们还在探索不同类型的 LLM，以摆脱克兰鲍威尔所说的Transformer模型那个“平方诅咒”。

一种替代方案被称为长短期记忆（LSTM）模型。它的思路是，把用户输入的提示词和已经生成的文本临时储存成一份“摘要”，就像回想一部电影的关键情节，而不是把整部电影从头再放一遍。这样一来，每次生成新词的时候，它只需要处理摘要，不用再跑一遍此前文本中所有的词。LSTM靠这一招避免了响应查询时能耗暴涨的问题。克兰鲍威尔说，处理八千字左右的文本，LSTM比Transformer类模型节省了大约一半的电力。

LSTM模型其实在20世纪90年代就已问世，但因 Transformer 训练速度更快而被暂时搁置。不过克兰鲍威尔说，最近的一些进展提升了LSTM的性能，现称为xLSTM。他正与奥地利初创公司NXAI合作，继续开发和优化xLSTM，“因为我们觉得为了能效，这条路值得走。”他说。不过，德国人工智能研究中心的人工智能与商业信息学研究员沃尔夫冈·马斯（Wolfgang Maa?）也指出，大科技公司在Transformer路线上砸了这么多时间、这么多资源，如果要换赛道，成本过于高昂。“我们还得观望一下，看它是会成为主流，还是只在市场里占据一个小众定位。”

晶圆与光计算

虽然专家们说最快见效的节能手段在软件层面，但也有一些人在打AI计算芯片本身的主意，毕竟这些芯片才是真正的吃电大户。多年以来，工程师通过往单颗处理器里塞进更多算力来不断提升芯片效率，这样在协同进行 AI 计算的芯片之间传输数据就不那么费电了。而实现这一点的办法就是缩小芯片里晶体管（处理数据的微型电子开关）的尺寸。

但晶体管已经小到接近物理极限了。“我们需要想点别的办法来改进设计，”波士顿大学光子学中心的计算机架构师阿贾伊·乔希（Ajay Joshi）说道。

一种策略是让芯片变得更大。伊利诺伊大学厄巴纳-香槟分校的计算机工程师拉克什·库马尔（Rakesh Kumar）介绍说，餐盘大小的“晶圆级芯片”，集成的晶体管数量是邮票大小单颗 GPU 的近 70 倍，而通信功耗只有同类GPU的 1/143。晶圆级芯片目前由加州公司Cerebras量产，不过也有缺点，比如制造过程中更容易损坏。但靠着省电等优势，“它对很多超大规模企业和AI公司会非常有吸引力。”库马尔表示。

提高处理器效率的一种策略是将其做得更大，以容纳更多的晶体管（计算机的基本构建单元）。像加州厂商Cerebras开发的晶圆级芯片，就减少了在单个芯片之间传输信息所消耗的能量。图片来源：CEREBRAS SYSTEMS

很多科技公司走的是另一条路，即自己设计专门用于 AI 计算的处理器，来提高能效。例如亚马逊云服务（AWS）的 Trainium 2 芯片、谷歌的 Ironwood 张量处理单元（TPU）。至于英伟达，可持续发展主管乔希·帕克（Josh Parker）说，现在的 AI 专用的 GPU 跟当年给游戏用的已经不可同日而语，其设计目标就是用最高的效率运行 AI 任务。另外，其他方面的创新，像是GPU 之间互连效率的提升，也发挥了重要作用。“过去八年，英伟达 GPU 跑大语言模型任务的能效提升了 45,000倍。”他说。

工程师们还在探索其他可能的计算方式。传统的 AI 处理器通过将数字编码为 0 和 1 的二进制系统来进行计算，这是通过晶体管的开启和关闭来实现的（例如，表示数字 5 需要四个晶体管来表示编码 0101）。但晶体管能做的事情，不止是当个二进制开关、要么通电要么不通电。它还能像模拟旋钮一样，停留在不同的中间电压上，各自代表不同的数字。这样一来，完成同样的计算只需更少的晶体管，从而更省电。“人们几十年前就知道，用模拟的方式来做某些事情可以大幅提高能效，”库马尔说道。

例如，德国于利希研究中心的电气工程师保罗·马内亚（Paul Manea）和他的同事们正在开发一种名为“增益单元”的器件，里面装满了按上述方式工作的晶体管。关键是，增益单元既能存储处理查询所需的数据，又能直接计算出答案。这克服了传统计算系统的另一大能耗瓶颈——在传统设计中，数据存储和运算分别在不同的硬件上进行，数据来回传输非常耗电。

对于基于 Transformer 的 LLM 而言，这个问题尤其要命，因为每次生成一个词，它都得把查询和写了一半的答案从内存搬运到处理器上。马内亚及其同事估算，用增益单元代替传统 GPU，能把 Transformer 类 LLM 里能耗最高的部分所消耗的能量降低四个数量级。但马内亚表示，增益单元还需要进一步改进才能得到更广泛的应用。

既能存储信息又能进行计算的器件概念，是“神经形态”计算的一个核心理念。这是一个正在蓬勃发展的新兴计算机工程领域，其灵感来自人脑——要知道，人脑的能耗比计算机低了好几个数量级。另一项受大脑启发的发明是这样一种芯片，其不用连续数据流来编码信息，而是像人类神经细胞那样，用电压脉冲在系统中传播的时间来编码。让芯片的各个部分在不用的时候保持休眠状态，“就有可能压低能耗。”英国谢菲尔德大学的生物启发机器学习专家埃莱尼·瓦西拉基（Eleni Vasilaki）表示。

以马斯为例，他所在的团队从德国政府获得了约 580 万美元拨款，用于测试神经形态芯片等多种技术路线，目的是降低AI模型的能耗。伦敦大学学院的纳米电子学专家托尼·凯尼恩（Tony Kenyon）表示，市面上已经能买到一些类脑芯片了，但这项技术要想吸引主流计算领域的兴趣，还有很长一段路要走。凯尼恩的团队最近从英国政府获得了1700万美元拨款，专门用于开发神经形态计算。

还有一些科学家在开发不通过电子、而是通过光子与物质的相互作用来处理信息的芯片（光纤电缆已经在全世界铺开，用光脉冲来编码和传输数据）。德国耶拿弗里德里希·席勒大学的光子计算研究员埃莱娜·戈伊（Elena Goi）表示，利用光子，可以同时传输更多信息，信号调制的速度也快得多。

乔希表示，已经有好几家公司做出了能用光学方法执行部分 AI 计算的芯片。他最近估算，制造光学芯片的能耗，可能比制造同样大小的传统芯片低一个数量级。乔希希望，“十年之内，能搞出一个可以在数据中心里大范围铺开的实用方案。”

重塑AI的能源轨迹

即便不去彻底颠覆计算机的工作原理，也有很多办法可以减少 AI 对能源以及用于冷却数据中心的水资源的影响。能源系统专家尤峰崎指出，重要的是科技公司应重新考虑数据中心的选址。眼下，美国现有的数据中心集中在弗吉尼亚州北部，而跟中西部比，那里的水资源和可再生能源容量都很有限。尤峰崎最近估计，只要选址合理，再配上能效更高的硬件和软件，就能把美国数据中心未来的碳足迹降低 73%，水足迹降低 86%。

马萨内特还补充说，那些在全国各地已有数据中心的科技公司，至少可以在策略性地点训练模型。“一些公司，像是谷歌，已经在这么做了：把计算任务调度到有可再生能源的地方去。”他还说，这些公司还应该正视另外两个问题：一是为新数据中心制造处理器所消耗的电力和资源，二是每隔几年淘汰旧设备产生的大量电子垃圾。

亚马逊在给《Knowable Magazine》的一份声明中说，延长硬件使用年限、回收旧电子设备来减少电子垃圾，是公司可持续发展策略的一环；同时，以节能节水的方式设计数据中心，并投资一系列可再生能源和核能项目，也是策略的一部分。“我们会继续推进对客户和运营所在社区都有利的解决方案，”亚马逊云服务美洲区能源与水资源负责人布兰登·奥耶（Brandon Oyer）表示。

与此同时，微软的一位新闻发言人也列举了公司已采取的若干可持续发展措施，包括新型冷却技术、投资可再生能源、减少废弃物等等。谷歌发言人拉尔夫·布雷默强调了两项目标：到 2030 年，公司整体运营实现净零排放，同时回补办公室和数据中心所消耗淡水量的 120%。OpenAI 的一位代表提到了一份新闻稿，其中概述了该公司为最大限度减少用水所做的努力，以及在其中一处园区建设太阳能发电的计划。Anthropic、Meta 和甲骨文在截稿前未回应置评请求。

但宾夕法尼亚大学的计算机工程师本杰明·李（Benjamin Lee）指出，尽管可持续性在科技公司的考量之中，但它们的首要目标仍是迅速扩张数据中心容量。他预测，这些公司最终还是会为了降低成本而加大能效投入。马萨内特认为，政府应当帮助加速这一转变。截至目前，他和他的团队统计到近 220 项在美国州一级出台的旨在解决数据中心可持续性问题的政策，联邦层面有 18 项，其他国家也有不少，尽管并非所有政策最终都获得了通过。

“显然，世界各地的政府正在开始采取行动，”他说。然而，他补充道，“不过我们也看到，有些州和地方政府提出的政策，主要目的其实是在鼓励和加快数据中心建设，而不是约束。”

加州大学圣巴巴拉分校的工业可持续性分析实验室一直在追踪与数据中心相关的州级和联邦政策。其中绝大多数政策都或多或少涉及数据中心的可持续性，但也包括一些税收激励措施。这份数狙檀必完整。

AI的能耗代价，终究需要审慎权衡：它在寻找癌症疗法、优化物流等方方面面帮人类省下大量的资源，但是这些最终抵不抵得过它自己消耗掉的？不过凯尼恩指出，造出更省电的 AI 是一回事，但什么场景真正需要 AI、什么场景其实没必要，这个问题同样需要认真想清楚。比如说，让不是人的AI 客服来接电话，这个世界真的因此变得更美好了吗？

“我认为，每当一项新技术出现时，人们往往会犯一个常见的错误，那就是不假思索地认为‘所有东西都必须采用这项新技术，’”他说。“这种做法对我们真的没有任何好处。”