https://mp.weixin.qq.com/s/FA3BsX61QxNjM2BM7z_umQ
你最近是習慣點開搜索框查資料，還是隨手問 AI 要答案？
當我們習慣事事問 AI ，你有沒有想過這幾個問題：AI 每敲下一段回答，大概會消耗多少能量？以及如果把人腦比作生物計算機，和 AI 的矽基大腦比起來，到底誰處理信息的能耗更高效？
答案可能會顛覆你對智能的固有認知AI 每一次輸出的背後，都藏著遠超想象的能量流動；而大腦這個進化了數百萬年的生物 CPU，或許正藏著最節能的生存智慧。
今天這篇文章，讓我們跟著作者抽絲剝繭，好好算算這筆智能賬。
雖然它已經是我的身體中耗能最高的器官，霸占了我 20%的日常能量消耗，但功率也不過 16 瓦左右。即使截稿日迫在眉睫，它也不肯提高一點功率來幫幫忙。
我對著屏幕苦思冥想，想給自己的拙劣稿子寫出點精彩的開頭，它仍然無動於衷，甚至嘲笑我：
拚盡全力？那好吧，你給我一杯拿鐵，我加到 20 瓦。沒有更多了，這是 5.4 億年進化賦予這個古怪器官的功率上限。就像你的台燈，調到最亮也就那樣。
而我麵前這台風扇正在嗚嗚叫的筆記本電腦，正在以 115 瓦的功率陪我一起發呆。光是開著這個幾近空白的文檔，它用的能源就是我大腦的 10 多倍。
我坐在這堆電器中間，隻為了寫出一句眾所周知，我的大腦是個小氣鬼。
與此同時，我的朋友發來了 AI 給她寫的小說。3 分鍾，AI 就給她的冷門 CP 寫了一整篇小甜文。這 3 分鍾的背後，是功率可能高達 100 兆瓦的 AI 數據中心在為她的 CP 努力。她的小甜文，看著就比我的文章成本貴多了。
讓我們請出馬克吐溫，這位大作家在自傳裏凡爾賽地說，他年輕時六十天裏寫了 20 萬詞，平均每天能寫 3000 多詞，即便到了 69 歲，他依然能每次坐下來寫四五個小時，平均能寫 1400 詞。
算下來，他的職業生涯平均寫作速度是每小時 300 詞。按這個讓我望塵莫及的速度來算，馬克吐溫寫 300 詞需要 1 小時，他那 20 瓦的大腦就要燒掉 20 瓦時的電，這還不算上其他器官能耗和日常消耗。
但是 AI 寫 300 詞呢？上個月穀歌發布的報告中提到，他們的 Gemini 處理一條請求隻需要 0.24 瓦時，差不多隻要人類大腦的 1%。
當然，你可能會想：這是寫文章嘛，那還有 AI 畫畫呢？並且前段時間不是剛有媒體說不要對 AI 說謝謝來浪費能源，現在怎麽又說人類更耗能了？
的確，同樣是寫東西，對 AI 說一句謝謝，和讓它正經寫一篇創意故事，能耗就能差出 9 倍之多，這取決於模型調用的參數數量。簡單來說，任務越複雜，能耗越大。
而畫畫的邏輯則又不一樣，生成圖片通常采用的是擴散模型，消耗的能量和輸入的提示詞長度無關，而是取決於生成的圖片分辨率大小和擴散的步數，步數越多，質量越高，當然也就更耗能。
但算下來，使用擁有 20 億參數的 Stable Diffusion 3 Medium 生成一張 1024*1024 分辨率的圖像大約也是需要 0.3 瓦時，就算擴散步數到 50，也就是 0.6 瓦時，數量級還是一致的。
這就更讓人好奇了：AI 的單次成本這麽低嗎？穀歌報告裏那 0.24 瓦時，真的把所有成本都包含進去了嗎？
為了確認這不是大公司的營銷手段，我仔細閱讀了一遍穀歌的報告，這份報告倒是非常翔實，把 Gemini 的能耗仔仔細細分成了四個部分進行統計。
首先是AI 加速器的能耗。把 AI 模型當成一個在超級計算器上執行的程序，這部分就是每次來請求時，芯片執行程序運算所消耗的能量。AI 模型使用的芯片是專門優化過的 GPU 或者 TPU，雖然它們比普通 CPU 聰明，但該燒的電一度也少不了，畢竟天下沒有免費的計算。
然後是CPU 和 DRAM 的能耗，雖然 AI 模型通常不直接在 CPU 上進行計算，但是 CPU 得負責調度整個流程：接收問題、分配給 GPU、整理答案再發回來，有點類似項目管理經理，而 DRAM 則是用來存儲模型參數和中間計算結果的臨時倉庫，得隨時待命，這種狀態也都是要燒電的。
以上兩個算是常規能耗，接下來是待機消耗，用戶提問的頻率並不恒定，很可能淩晨 3 點沒什麽人提問，而晚上 8 點服務器一直繁忙。但機器必須時刻準備著，就像空駛的出租車，就算沒載客也要燒油錢。穀歌把這部分的能耗也攤派了進去。
最後還有數據中心本身。服務器運行發熱，冷卻係統需要保證它們處於正常工作溫度範圍內。不間斷電源能讓數據中心保證永不斷電，甚至連接服務器的每根網線都在偷偷吃電。整個數據中心就像一個需要 24 小時開空調的豪宅，電表轉得飛快。
算完這些細賬，穀歌的報告顯示，Gemini 處理一條請求需要 0.24 瓦時。而對比一下，ChatGPT 那邊報的數字是 0.34 瓦時。兩家的數據在數量級上差不多，看來在能源價格飛漲的今天，沒人會在這事上撒謊。
這些數字隻計算了 AI 回答問題的能耗，還沒有算 AI 學習知識的成本。
訓練模型確實是一次性投資，我多問一個問題，它也不會重新訓練一遍，但完全不算也說不過去。考慮到 AI 模型每年都會更新換代，針對一個模型的單次訓練的實際壽命很可能不超過兩年甚至一年，那麽比較公平的做法是把訓練成本平攤到 1~2 年所能處理的請求上。
雖然穀歌對訓練 Gemini 的耗能守口如瓶，但我們可以利用 OpenAI 訓練 GPT-4 時所公布的數據進行估算。
訓練 GPT-4 動用了 25000 塊 Nvidia A100 GPU，連續跑了大約 14 周。一般來說，訓練使用的是 8 卡服務器，就是每 8 塊 GPU 裝進一台服務器，每兩塊 GPU 配置一個 PCIe Switch，每 2 個 PCIe Switch 配置一塊 CPU，再加上 6 塊 NVSwitch、2 塊存儲網卡等。
整台服務器的最大理論功耗 TDP（thermal design power，表示一個硬件在最大理論負載下的功耗）約 6500 瓦。那麽整個訓練的服務器能耗就是6500*3125*100*24/1000=48750000 kWh（千瓦時）。
前麵我們提過，數據中心還會有冷卻電源等日常消耗。業內用 PUE（電源使用效率）來衡量這些額外開銷，簡單來說就是每給服務器用 1 度電，整個數據中心要用幾度電。
不同的數據中心 PUE 不同，用於 AI 計算的新型數據中心通常做過優化，PUE 會更小，效率更高。微軟的 Azure West 超算中心算是合適的參考標杆，它的 PUE 做到了 1.12。那麽訓練一次 GPT-4 就是 48750000*1.12=54600000（千瓦時），也就是 5460 萬度。
一個普通三口之家一個月的用電大概是 200~300 度左右，也就是說這些電能讓十萬個家庭用 2 個月。
但先別急著驚呼，GPT-4 每天收到 10 億條請求，就算保守估計隻用一年，那麽就是 3650 億次請求。
把 GPT-4 的訓練成本平均到一年的請求量上，那麽每次請求隻分到 0.15 瓦時，加上之前的推理成本，也就是說用戶朝 AI 說一次話，能耗成本平均是 0.5 瓦時的數量級。
嗯，差不多能讓一台 30 寸的 LED 顯示器亮 1 分鍾吧，或者用 1000w 的微波爐叮 2 秒鍾飯盒。
這麽一算，好像 AI 耗能就是個偽命題。單次成本如此低廉，我們幾乎可以忽略不計，還有什麽好擔心的？我那 20 瓦的大腦因為想不出稿子而焦慮所消耗的能量，都比這要多。
但這正是整個時代向我們描繪的未來中最迷人，也最危險的地方。
讓我們把視線拉回到 19 世紀的英國。當時，一位叫威廉斯坦利傑文斯的經濟學家發現了一個奇怪的現象，當詹姆斯瓦特改良了蒸汽機，大幅提高了燒煤的效率後，英國的煤炭總消耗量非但沒有減少，反而以前所未有的速度飆升。
這就是著名的傑文斯悖論：當技術進步提高了資源利用效率時，反而會導致該資源的總消耗量增加，而不是減少。
因為蒸汽機變得更高效、更經濟，它被應用到了許多從前並未涉及的領域，因此催生了需求的爆炸增長，讓時代變革。
以前我們使用大腦，使用計算器，使用搜索引擎與各類軟件來完成工作，現在可能連回一封郵件想個朋友圈文案都懶得自己動腦。讓 AI 寫小說？真是完美印證了這個悖論，這是一種過去不存在如今卻因 AI 的廉價而創造出的全新需求。
當獲取一個答案的成本不可感知時，我們就會要求無數個答案。AI 這種完美乙方把每個用戶都慣成了自己最討厭的甲方再來一版還是沒有感覺。
還有人沉迷於和 AI 的聊天甚至發瘋，以前我隻在科幻作品裏見過這個。這還隻是個人用戶，企業級的 AI 需求則更多，AI 美顏、AI 長焦相機、AI 生成標題等，連如今的搜索引擎都會看似貼心加一段我根本沒有要求的 AI 總結。沒辦法，不加 AI 功能的產品沒有能向投資方講述的故事。
那麽，這場由無數個0.5 瓦時匯聚成的需求，在現實世界中究竟有多龐大？
根據國際能源機構（IEA）的報告，2024 年全球所有數據中心的耗電量為 415 太瓦時（TWh，即 1 萬億度電），預計到 2026 年將超過 1000 太瓦時。但在報告中，他們其實無法準確判斷有多少能耗來源於 AI 產業，隻能通過間接的線索，即以數據中心是否采用 AI 加速器架構來進行估算。
2024 年，有 15%的數據中心采用了加速器的架構，這樣算下來 AI 產業的能耗是約 62 太瓦時。這個數字正在逐年上升，即使以最保守的估計，都會在 2030 年增加到 200 太瓦時。
倘若我們按照之前的，Chatgpt 每天處理 10 億條請求，乘以 365 天和 0.34 瓦時，那麽一年的能耗隻有 0.1 太瓦時，把幾個主流聊天 AI 的用量加起來，大概也就 1 太瓦時。
算上訓練，全球最大的 283 個大模型的訓練能耗加起來也不過 1 太瓦時，全湊出來隻有全湊出來隻有 2 太瓦時，62 太瓦時的零頭。
結論隻有一個：我們日常民用的 AI 模型隻是 AI 產業能耗冰山上的一角。
IEA 的報告中無法更進一步地分析 62 太瓦時都被用在了什麽地方，這些能耗或許被大公司用來訓練新一代的 AI 模型，或許被小公司用來訓練和運行特定的模型，抑或是花在了各種沒有麵市的實驗性模型上。我們無法精確地剖析這塊冰山，但各大公司的數據和行動已經說明了一切。
穀歌的 2025 年環境報告顯示，它 2024 年的能耗較上一年增加了 20%，從 25 太瓦時增加到了 32 太瓦時，這之中除了 Gemini，還包含了各種小型公司所使用的雲計算服務。
而穀歌、微軟、Meta 紛紛增建數據中心和購買電廠，這本身就表明了他們對行業趨勢與能源需求的判斷：一個由 AI 引領的能源需求時代，即將來臨。
所以，我們該怎麽辦？難道因為耗能，就回到沒有 AI 的石器時代嗎？這顯然不現實。
傑文斯悖論的故事並非讓我們停下腳步，而是在提醒我們：節流多半沒用，人類不會甘心回到過去的苦日子，時代往前進步，靠的一定是開源。
科技巨頭們比誰都清楚這一點。他們瘋狂投資可再生能源，甚至自建電廠，在自己的環境年度報告中標榜綠色與低碳。
他們不是在做慈善，而是在為即將到來的巨浪修建堤壩，否則第一個被淹沒的就是他們自己。
而我們能做的，是在享受便利的同時，保持一份清醒，並要求一個更透明的未來。
AI 行業的能源消耗有不少數據尚未公開，因此連國際能源署對行業未來也有各種差異頗大的估算。這就像去吃一個菜單沒有價格的新店，我們隻管興高采烈地點菜，卻不知道最後的賬單會有多驚人。
畢竟，我那 20 瓦的大腦雖然小氣，但它至少教會了我一件事
[1] Black R W, Donald J. Patterson Andrew W. Torrance. The carbon emissions of writing and illustrating are lower for AI than for humans[J]. Scientific Reports, 14 February 2024.
[2] James ODonnell, Crownhart C. We did the math on AIs energy footprint. Heres the story you havent heard.[J]. , May 20, 2025.
[3]https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
[4] https://mit-genai.pubpub.org/pub/8ulgrckc/release/2
[5]https://www.gstatic.com/gumdrop/sustainability/google-2025-environmental-report.pdf
[6] https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference
[7] https://azure.microsoft.com/en-us/blog/how-microsoft-measures-datacenter-water-and-energy-use-to-improve-azure-cloud-sustainability/
[8] https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
本文為科普中國創作培育計劃扶持作品
出品丨中國科協科普部
監製丨中國科學技術出版社有限公司、北京中科星河文化傳媒有限公司
作者丨antares計算機圖形學碩士、遊戲行業從業者、科普作家
審核丨於暘 騰訊玄武實驗室負責人
策劃丨張林林
責編丨張林林
審校丨徐來
本文封麵圖片及文內圖片來自版權圖庫
轉載使用可能引發版權糾紛
原創圖文轉載請後台回複轉載
' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)
