Arm：預計到2030年AI資料中心將佔美國20%至25%的電力需求

公開資料顯示，目前，ChatGPT每天需要處理超過2億次請求，其電量消耗高達每天50萬千瓦時。一年時間，ChatGPT光電費就要花2億元人民幣。

這意味著，ChatGPT日耗電量是普通家庭的1.7萬倍以上。（美國商業用電一度約為0.147美元也就是1.06元，相當於一天53萬元）

據荷蘭諮詢機構負責人Alex de Vries預計，到2027年，AI 行業每年將消耗850億~1340億千瓦時的電力，相當於瑞典或荷蘭一個歐洲國家一年的總用電量。

馬斯克判斷，電力缺口最早可能會在2025年發生，“明年你會看到，我們沒有足夠電力來執行所有的晶片”。

OpenAI CEO奧爾特曼（Sam Altman）也預計，AI 行業正在走向能源危機，未來 AI 技術發展將高度依賴於能源，人們也需要更多的光伏和儲能產品。

這一切都顯示出，AI 即將引爆全球新一輪“能源戰爭”。

不止是晶片，AI 還被能源“卡脖子”

過去500多天裡，ChatGPT引發全球新一輪 AI 大模型和算力需求熱潮。

微軟、Google、Meta、OpenAI等多家全球科技巨頭開始瘋搶 AI 晶片，甚至親自下場“造芯”，總規模超過數十萬億元美金。

實際上，AI 本質上是一種計算機技術和處理資訊的技術，背後則需要大量GPU晶片，更底層則是大量電能、水力、風能、資金等資源的支援。

早在1961年，在IBM公司工作的物理學家拉爾夫·蘭道爾（Rolf Landauer）發表了一篇論文，提出了後來被稱為“蘭道爾原理”（Landauer’s Principle）的理論。

這一理論認為，計算機中儲存的資訊發生不可逆的變化時，會向周圍環境散發一點點熱量，其散發的熱量和計算機當時所處的溫度有關——溫度越高，散發的熱量越多。

蘭道爾原理連線起了資訊和能量。更具體地說，它連線到了熱力學第二定律上。因為邏輯上不可逆的資訊處理操作，也就意味著湮滅了資訊，這會導致物理世界中熵的增加，從而消耗能量。

這一原理自提出以來遭受過不少質疑。但近十幾年來，“蘭道爾原理”已被實驗證明。

2012年，《自然》雜誌發表了一篇文章，研究團隊首次測量到了一“位”（bit）資料被刪除時釋放的微量熱量。後來的幾次獨立實驗，也都證明了“蘭道爾原理”。

過去10多年間，現代電子計算機在計算時實際消耗的能量，是蘭道爾理論值的數億倍。而科學家們一直在努力尋找更高效的計算方法，以降低成本。

如今，AI 大模型爆發，它確實需要大量計算。因此，AI 不止被晶片“卡脖子”，還被能源“卡脖子”。

馬斯克近期也在“博世互聯世界2024”大會上表示，一年多以前，短缺的是晶片，明年你會看到電力短缺，無法滿足所有晶片的需求。

中國科學技術資訊研究所人工智慧中心副主任李修全也表示，近年來， AI 大模型規模、數量都在高速增長，也帶來對能源需求的快速增加。儘管短期內還不會很快出現“缺電”等問題，但未來大規模智慧化時代來臨後的能源需求激增不容忽視。

AI 大模型質量的關鍵在於資料、算力和頂尖人才，而高算力的背後，是靠著數萬張晶片晝夜不停的運轉支撐。

具體來說，AI 模型算力的工作過程大致可以分為訓練、推理兩個階段，能源消耗也是如此。

其中，在AI訓練階段，首先需要收集和預處理大量的文字資料，用作輸入資料；其次，在適當的模型架構中初始化模型引數，處理輸入的資料，嘗試生成輸出；最後，透過輸出與預想之間的差異反覆調整引數，直到模型的效能不再顯著提高為止。

從訓練15億引數的GPT-2，到訓練1750億引數的GPT-3，OpenAI模型背後的訓練能耗十分驚人。公開資訊稱，OpenAI 每訓練一次需要128.7度電，相當於 3000 輛特斯拉同時跑 32 公里。

據研究機構New Street Research估計，僅在AI方面，Google就需要大約40萬臺伺服器，每天消耗62.4吉瓦時，每年消耗22.8太瓦時的能源。

而在推理階段，AI 則會先載入已經訓練好的模型引數，預處理需要推理的文字資料，再讓模型根據學習到的語言規律生成輸出。Google稱，從2019年到 2021年，AI相關能源消耗60%都來自推理。

據Alex de Vries估算，ChatGPT每天大概要響應大約2億個請求，耗電量超過50萬度，按照一年電費就是2億元人民幣，比每個美國家庭的平均日用電量高1.7倍。

SemiAnalysis報告稱，使用大模型進行問題搜尋所消耗的能源是常規關鍵詞搜尋的10倍。以Google為例，標準Google搜尋使用0.3Wh電力，而大模型每次互動的耗電量為3Wh。如果使用者每次在Google搜尋都使用AI工具，每年大約需要29.2太瓦時的電力，也就是每天約7900萬度。這相當於給全球最大的摩天大樓，杜拜的哈利法塔，連續供電超過300年。

另據史丹佛人工智慧研究所釋出的《2023年 AI 指數報告》顯示，每次 AI 搜尋的耗電量大約為8.9瓦時。相比普通Google搜尋，加入 AI 的單次耗電量幾乎是一般搜尋的30倍。而一個高達1760億引數的模型，光是前期訓練階段就得用掉了43.3 萬度電，相當於美國117個家庭一年的用電量。

值得注意的是，在Scaling Law（縮放規律）之中，隨著引數規模不斷躍升，大模型效能也不斷提升，而對應的是，能耗也會越來越高。

因此，能源問題已經成為 AI 技術持續發展的關鍵“桎梏”。

GPT每天消耗50000升水，電和水是 AI 兩大能源需求

AI不僅是“耗電狂魔”，更是“吞水巨獸”。

其中，在電力方面，除了上述資訊外，據國際能源署(IEA)資料顯示，2022年，全球資料中心消耗約460太瓦時的電量(相當於全球總需求的2%)，隨著生成式AI飛速發展，這一數字到2026年可能膨脹至620至1050太瓦時。

Alex de Vries預計，到2027年，AI伺服器所消耗的用電量將等同於荷蘭全國的能源需求量。最壞的情況就是，僅Google一家公司的AI就可以消耗與愛爾蘭等國家一樣多的電力。

IBM高階副總裁達里奧·吉爾曾表示，“AI能耗”是非常重要的挑戰。生成式 AI 的高效能伺服器的持續執行，將導致資料中心一半以上的電力消耗都被AI佔據。據悉，預計到2025年，AI 業務在全球資料中心用電量中的佔比將從2%猛增到10%。

那麼，水能呢？大模型背後需要資料中心、雲基礎設施的支援，那就需要大量的“液冷”進行散熱。

得克薩斯大學的一份研究指出，作為ChatGPT背後的重要支援力量，微軟的Microsoft Azure雲資料中心光是訓練GPT-3，15天就用掉將近70萬升的水，相當於每天花銷約50000L水。

同時，ChatGPT每回答50個問題就要消耗500毫升水。公開資訊稱，2022年微軟用水量達到640萬立方米，比2500個奧林匹克標準游泳池的水量還多。

美國加州大學河濱分校副教授任紹磊團隊預計，到2027年，全球AI可能需要4.2-66億立方米的清潔淡水量，這比4-6個丹麥、或二分之一的英國的一年取水總量還要多。

除了資料中心，內建的GPU晶片也是能源消耗的重點領域之一。今年3月，英偉達釋出史上效能最強AI晶片——Blackwell GB200，宣稱是A100/H100系列AI GPU的繼任者，效能相比H100提升30倍，但能耗卻降低了25倍。

上個月，黃仁勳的一句“AI的盡頭是光伏和儲能”更是在網路瘋傳。儘管有網友扒出原影片稱，黃仁勳本人並未說過這句話，更沒有提及“光伏和能源”，但 AI 能耗嚴重，卻是擺在公眾面前的事實。

國際能源機構（IEA）在一份報告中強調了這個問題，全球 AI 資料中心的耗電量將是 2022 年的十倍，並指出部分原因在於 ChatGPT 這樣的大模型所需的電力，遠高於Google等傳統搜尋引擎。

不過，值得注意的是，由於科技巨頭們並未正式披露過 AI 使用中的電力消耗資料，因此，目前關於 AI 耗電量的資料多為估算，並不一定是非常準確的資料。美國資訊科技與創新基金會（ITIF）曾指出，個別不準確的研究高估了AI能耗。AI訓練是一次性事件，它的使用是長期過程。人們應關注 AI 能耗的長期影響，並非爆發式增長。

有專家認為，目前大模型訓練成本中60%是電費，能源開支已經嚴重製約著大模型的迭代升級。

金沙江創投主管合夥人朱嘯虎近日也表示，可控核聚變實現前，我們並沒有足夠的算力實現真正的AGI。幫人類降低90%的工作可能未來3到5年可以實現，但最後的10%可能需要大量的算力和能耗。

如何解決 AI 能耗之困？硬體最佳化和核聚變或是重要手段

雖然黃仁勳也非常擔憂能源供給，但他卻給出了一個更樂觀的看法：過去10年，AI 計算提高了100萬倍，而它消耗的成本、空間或能源並未增長100萬倍。

美國能源情報署釋出的長期年度展望中估計，美國目前電力需求的年增長率不到1%。而按新能源公司NextEra Energy CEO約翰•凱徹姆（John Ketchum）的估計，在 AI 技術的影響下，這一電力需求年增長率將加快至1.8%左右。

波士頓諮詢集團的報告則顯示，2022年，資料中心用電量佔美國總用電量（約130太瓦時）的 2.5%，預計到2030年將增加兩倍，達到7.5%（約390太瓦時）。這相當於約4000萬個美國家庭的用電量，即全美三分之一家庭的用電量。該集團還預計，生成式 AI 將至少佔美國新增用電量的1%。

這意味著，即使資料中心、AI 新增用電量並不小，但還遠不到毀天滅地的地步。

而在成本方面，國際可再生能源署報告指出，過去十年間，全球風電和光伏發電專案平均度電成本分別累計下降超過了60%和80%。上述業界人士也介紹說，“光伏的綜合成本跟火電差不多，風電一半區域的綜合成本比火電低了。”

因此，隨著 AI 技術一路狂飆，我們又將如何應對即將到來的能源需求熱潮？

鈦媒體App根據一些行業專家的觀點總結來看，目前解決 AI 能耗問題有兩種方案：一是可以透過大模型或AI硬體最佳化降低能耗；二是尋找新的能源，比如核聚變、裂變資源等，以滿足AI能耗需求。

其中，在硬體最佳化方面，對於能耗較高的萬億級 AI 大模型，可以透過演算法和模型最佳化，壓縮模型token大小及複雜度，以降低能源消耗規模；同時，企業也可以持續開發和更新能耗更低的 AI 硬體，如最新的英偉達B200，AI PC或AI Phone終端等；此外，透過最佳化資料中心的能效，提高電源使用效率，以降低能源消耗。

對此，中國企業資本聯盟副理事長柏文喜表示，未來，還需要進行技術創新和裝置升級，以進一步提高發電效率、提高電網輸送能力和穩定性、最佳化電力資源配置、提高電力供應的靈活性、推廣分散式能源系統並減少能源輸送損耗，以此來應對算力發展帶來的能源需求挑戰。

中國資料中心工作組（CDCC）專家委員會副主任曲海峰認為，相關行業應該要重視提升資料中心用電能效，而不是抑制它的規模。資料中心並非要減少對能源的消耗，而是要提升能源消費的質量。

而在開發核聚變能源方面，由於可控核聚變由於原料資源豐富、釋放能量大、安全清潔、環保等優勢，能基本滿足人類對於未來理想終極能源的各種要求。

核聚變的能量來源目前主要有三種：宇宙能源，即太陽發光發熱；氫彈爆炸（不受控核聚變）；人造太陽（受控核聚變能源裝置）。

據統計，當前世界共有50多個國家正在進行140餘項核聚變裝置的研發和建設，並取得一系列技術突破，IAEA預計到2050年世界第一座核聚變發電廠有望建成並投入執行。

這種核聚變發電，將大大緩解全球因 AI 大模型需求造成的能源短缺情況。

2023年4月，奧爾特曼就“未雨綢繆”，以個人名義向核聚變初創公司Helion Energy投資3.75億美元（約合人民幣27.04億元），並擔任公司董事長。同時，去年7月，奧特特曼還透過旗下公司AltC與其投資的核裂變初創公司Oklo合併，斬獲了一個估值約為8.5億美元（約合人民幣61.29億元）的IPO，ALCC最新市值超過400億美元。

除了奧爾特曼這種重金投資核聚變公司，亞馬遜、Google等科技巨頭則直接大手筆採購清潔能源。

據彭博資料顯示，僅在2023年，亞馬遜就購買了8.8GW（吉瓦）的清潔能源電力，已經連續第 4 年成為全球最大的企業清潔能源買家。Meta（採購3GW）和Google（採購1GW）等科技公司則位列其後。

亞馬遜稱，其90%以上的資料中心電力都來源於清潔能源產生的電力，預計能在2025年實現100%使用綠色電力。

實際上，以美國為例。清潔能源、AI、資料中心、電動汽車、挖礦等多種產業的增長，讓原本陷入停滯的美國電力需求再度“起飛”。但即使被譽為世界上“最大的機器”，美國電網也似乎無法應對這突如其來的變化。

有分析師指出，美國70%的電網接入和輸配電設施已老化，某些地區電網傳輸線路不足。因此，美國電網需要大規模升級，如果不採取行動，到2030年美國將面臨一道難以逾越的國內供應缺口。

相對於美國，中國則對能源需求表達樂觀態度。“AI再耗電，中國的體量和能力足以支撐，現在不進行大規模開發，是因為沒需求。”一位風電行業人士表示，中國可規劃的容量足夠大，AI要是有大量電力需求，我現在就能上專案當中去工作。

目前，中國風電、光伏產品已經出口到全球200多個國家和地區，累計出口額分別超過334億美元和2453億美元。

隨著 AI 呈現爆發式增長，這場中美 AI 產業角逐，已經從大模型技術比拼，升級成為一場算力、能源、人力等多方位爭奪戰。

隨著核聚變能源或將到2050年落地，人類期望終結 AI 能耗這一具有挑戰性難題，進入無限發電時代。

作者｜林志佳