摘要：如今，AI 的身影无处不在，智能助手随时待命答疑解惑，智能家居让生活便捷随心，智能医疗助力精准诊断，智能交通优化出行体验…… 但在 AI 为我们带来诸多便利的同时，其背后隐藏的能源消耗问题也逐渐浮出水面，引发广泛关注。
如今，AI 的身影无处不在，智能助手随时待命答疑解惑，智能家居让生活便捷随心，智能医疗助力精准诊断，智能交通优化出行体验…… 但在 AI 为我们带来诸多便利的同时，其背后隐藏的能源消耗问题也逐渐浮出水面，引发广泛关注。
AI 模型的训练过程堪称一场 “电耗马拉松”。为了让模型掌握知识、具备智能，研发人员需向其投喂海量数据，模型则依据这些数据反复调整参数。这一过程极度依赖强大的算力支持，而算力的背后是持续不断的电力供应。以 GPT-3 为例，它拥有 1750 亿参数，训练耗电量高达 1287 兆瓦时，这相当于美国约 121 个家庭一整年的用电量。且随着模型复杂度的增加，所需算力呈指数级增长，耗电量也随之飙升。从早期的简单神经网络到如今的巨型语言模型，训练能耗的攀升速度令人咋舌。
当 AI 模型完成训练，进入推理阶段，也就是依据输入信息给出答案或决策时，耗能问题同样不容小觑。每一次用户向智能助手提问、请求推荐，或是自动驾驶汽车依据路况实时决策，背后都伴随着 AI 模型的推理运算。与训练阶段不同，推理是实时、高频次发生的。虽然单次推理的能耗看似不多，但积少成多，随着 AI 应用的广泛普及，全球数以亿计的用户频繁交互，推理阶段的总能耗逐渐成为一个庞大的数字。有研究表明，OpenAI 公司为支持 ChatGPT 的推理，每天的能源需求高达 564 兆瓦时，甚至超过了训练阶段的能耗。谷歌报告也显示，2019 年至 2021 年间，其与 AI 相关的能源消耗中，有 60% 来自生成推理阶段，这清晰地揭示了推理能耗的增长趋势。
AI 能耗的飙升带来了严峻的环境挑战。一方面，大量的电力消耗意味着更多的碳排放。数据中心作为 AI 运行的关键基础设施，其电力大多来源于传统火电，燃烧煤炭、天然气等化石燃料释放出大量二氧化碳。据估算，全球数据中心每年的碳排放量高达数亿吨，且随着 AI 发展，这一数字还在持续上扬，加速全球变暖进程，对生态平衡造成严重威胁。
另一方面，AI 硬件的快速更新换代产生了海量电子垃圾。为满足不断增长的算力需求，高性能芯片、服务器等硬件频繁迭代，大量旧设备被废弃。这些电子垃圾中含有的重金属、有害物质，如铅、汞、镉等，若处置不当，会渗入土壤、污染水源，对周边环境和生物造成长期且难以逆转的危害。据相关研究预测，到 2030 年，AI 产业产生的电子废弃物可能激增近 1000 倍，累积达 120 万至 500 万吨，成为环境污染的 “定时炸弹”。
AI 的迅猛发展对当前的能源供应体系构成巨大挑战。传统能源供应模式在面对 AI 爆发式的能耗增长时，显得捉襟见肘。以数据中心聚集的地区为例，用电高峰时，电力供应紧张，甚至出现拉闸限电现象，影响 AI 产业及其他行业正常运转。
从能源结构来看，当前全球能源仍以化石能源为主，其供应的稳定性、可持续性堪忧，且面临资源枯竭风险。AI 对清洁能源的吸纳能力不足，尽管太阳能、风能等可再生能源发展迅速，但受限于技术、成本、储能等问题，在 AI 领域的大规模应用受阻。这迫切要求能源结构加速调整，提升清洁能源占比，构建适配 AI 发展的新型能源供应架构。
算法是 AI 的 “灵魂”，优化算法能从根本上减少计算量，进而降低能耗。研究人员不断探索新的神经网络架构，摒弃冗余设计，使模型更轻量化、高效。比如谷歌的 BERT 模型，通过改进注意力机制，在提升性能的同时减少了训练时间与能耗。还有一些科研团队采用模型量化技术，将高精度参数压缩为低精度，以低存储、低计算成本实现相近效果。据实验，某智能语音识别模型经量化后，能耗降低约 30%，且准确率仅微降，这为 AI 大规模部署提供了低耗范例。
硬件是 AI 的 “躯体”，研发低功耗芯片成为关键突破口。英伟达推出的新一代 GPU，采用更先进制程工艺，优化电路设计，降低漏电功耗，提升单位功耗下的算力。像英伟达 A100 GPU 相比前代，性能提升 20 倍，能耗却大幅优化。此外，类脑芯片模拟人脑神经元工作原理，以极低功耗处理复杂任务。英特尔的 Loihi 芯片，能效比传统芯片高出千倍，为 AI 节能带来新希望，有望变革 AI 硬件耗能格局，让 AI 在低耗轨道高速驰骋。
面对 AI 能耗难题，绿色能源成为破局曙光。近年来，太阳能光伏技术发展迅猛，光电转换效率持续攀升，成本不断降低。许多科技企业与数据中心纷纷行动，在建筑顶部铺设大面积光伏板，或于空旷场地建设光伏电站，为 AI 运行供能。如美国某大型数据中心，通过在周边空地建设大规模光伏阵列，实现部分时段电力自给，大幅削减对传统电网依赖，降低碳排放。
风能同样是 AI 能源转型的得力助手。风力发电技术成熟，风力发电机遍布全球沿海、高原等风能富集区。据统计，欧洲北海的海上风电场，可为周边多个国家的 AI 研发中心及数据中心提供可观电力，有力支撑 AI 运算需求。
然而，绿色能源在为 AI 赋能的道路上并非一帆风顺。一方面，新能源发电存在间歇性、波动性问题，受天气、时段影响，发电量不稳定，难以满足 AI 持续稳定的电力需求。另一方面，储能技术瓶颈亟待突破，当前储能设备成本高、能量密度低、充放电效率有限，无法大量、长效存储电能，制约绿色能源在 AI 领域的深度应用。
面对 AI 能耗带来的诸多挑战，各国政府纷纷出台政策引导产业转型。欧盟制定严格的能效标准，要求数据中心在规定期限内降低 PUE 值，促使企业优化能源利用；美国加大对 AI 节能技术研发的资金支持，推动高校、科研机构与企业联合攻关；中国积极推动 “东数西算” 工程，引导数据中心向西部清洁能源富集地区迁移，实现能源与算力的优化配置。
产业协同同样至关重要。科技巨头与能源企业携手，共同探索绿色能源直供数据中心的新模式，保障电力稳定供应的同时减少传输损耗；上下游企业加强联动，芯片制造商依据算法优化需求定制低耗芯片，数据中心运营商与软件开发商合作，依据业务流量动态调整算力分配，全方位降低能耗，携手迈向 AI 与能源和谐共生的未来。
来源：中国能源产业发展网
