AI 的能耗与环境成本

训练一次大模型要耗多少电？本文拆解 AI 能耗的完整构成——训练、推理与数据中心基础设施，介绍业界常见的效率改进方向与衡量指标，并讨论总量难以简单估算的原因，以及普通人如何理解这些数字。

电都花在哪了

谈 AI 的能耗，最容易想到的是训练大模型时成千上万块加速卡日夜运转。但完整账目不止于此：数据中心里服务器之外还有制冷、供电转换与备用电源等开销，通常用电源使用效率（PUE）来衡量这部分占比。此外还有芯片制造、设备更新与数据中心建设所消耗的隐含能源。

另一个常被忽略的部分是推理。单次推理的耗电远小于训练，但一个被广泛使用的服务每天要响应海量请求，长期累计的用电量可能相当可观。随着 AI 功能被嵌入搜索、办公、图像等高频应用，推理侧在总能耗中的比重被普遍认为会持续上升。

怎么衡量，数字怎么说

公开的估算通常依赖若干假设，比如模型参数量、训练时长、硬件能效与数据中心的碳强度，因此不同来源给出的数字差异较大，很难直接比较。研究者因此呼吁披露更细的测量口径，包括总用电量、用水量与所用电力来源，而不是只给出一个笼统的估算值。

需要客观指出的是，关于 AI 整体能耗占全球用电比例的说法，各方估计并不一致，且统计口径差异明显。较为稳妥的表述是：AI 相关用电增长较快，是数据中心用电增长的重要因素之一，但具体规模的量化仍存在不确定性，不宜引用未经核实的单一数字。

在做什么改进

改进沿三条路径展开。硬件层面，新一代加速卡在单位功耗下的算力持续提升，液冷等散热方案降低了制冷开销。算法与工程层面，模型压缩、量化、蒸馏与更高效的注意力实现，都在用更少的计算资源达到接近的效果，一些稀疏结构也减少了单次推理的激活量。

第三是运营层面，包括选择低碳电力、把训练安排在电网负荷较低的时段、回收余热用于供暖，以及提高服务器利用率。需要说明的是，效率提升与用量增长往往同时发生：单位算力更省电了，但应用场景变多又推高了总量，因此净效应不能简单判断。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。