算力与能源：AI的电力账单比模型参数更值得关注——一个被忽视的真相

一个被忽视的数字

2026年，全球AI数据中心的电力消耗约为40GW，占全球电力消耗的1.5%。到2028年，这个数字将超过100GW，占全球电力消耗的3-4%。

AI正在成为全球电力消耗增长最快的领域。 大多数人在讨论AI模型有多少参数，但很少有人讨论AI消耗了多少电力。这是一个巨大的盲区。

以GPT-4为例：训练算力需求约为2e25 FLOPs，使用约25000张A100 GPU，训练时间约90-100天。总电力消耗约50-60 GWh（吉瓦时）。按0.1美元/kWh的工业电价计算，电力成本约为5000-6000万美元。

这还只是一次训练。GPT-4之后，GPT-5、Claude 4、Gemini Ultra——每个新模型的训练电力消耗都在增加。模型越大，电力消耗越大，而且是超线性增长。

AI推理的电力消耗比训练更难估算。因为推理是持续不断的，而训练是一次性的。一个AI应用拥有1亿用户，每天回答10亿次查询，每次查询消耗约0.001-0.01 kWh的电力。 这意味着每天消耗1-10 GWh的电力，每年365-3650 GWh。

推理的电力消耗，正在超过训练的电力消耗。 而且推理是"持续"的——只要AI应用在运行，电力就在消耗。

挑战一：电力供应不足。 一个100MW的AI数据中心，需要一个小型发电站专门供电。在北弗吉尼亚（全球最大的数据中心聚集区），电力公司已经无法满足新数据中心的电力需求。电力正在成为AI数据中心选址的首要约束。

挑战二：碳排放。 如果AI数据中心使用化石燃料电力，碳排放将非常巨大。一个大型AI数据中心，年碳排放量可达100万吨CO2——相当于20万辆汽车的排放量。

挑战三：电力成本。 电力成本正在成为AI公司最大的运营成本之一。算力价格的波动，部分源于电力价格的波动。

清洁能源：AI公司正在大规模采购可再生能源。Microsoft承诺到2030年实现"碳负排放"，Google承诺到2030年实现"24/7无碳能源"。AI的能源未来，在太阳能、风能、核能。

芯片效率提升：新一代AI芯片（如NVIDIA B200）的能效比H100提升2-3倍。芯片效率的提升，是控制AI电力消耗的关键。

数据中心效率提升：液冷、蒸发冷却、AI优化电力调度——这些技术可以降低数据中心的电力消耗。

“AI的算力竞赛，正在变成AI的电力竞赛。谁能获得廉价、充足、清洁的电力，谁就能在AI竞争中胜出。AI的未来，不是由GPU的数量决定的，而是由发电站的数量决定的。”

AI算力投资，不能只看GPU，还要看电力。投资AI基础设施，需要同时投资算力资产和能源资产。 那些拥有清洁能源优势的地区和公司，将在AI时代获得巨大的竞争优势。