2026年,全球AI吃掉的电比整个日本用一年还要多

2026年，全球AI吃掉的店比整个日本用一年还要多。

你每问ChatGPT一个问题，背后就要烧掉大半瓶矿泉水。

更可怕的是，它一年能喝干3000个西湖。它为什么会这么耗电？要把这个问题讲通透，我们得从头看AI。

AI模型的诞生，需要经历训练阶段，这就像是让一个孩子在几个月内读完人类历史上所有的书。

为了完成这个过程，成千上万块GPU必须开足马力。

就比如GPT-3训练能耗约为1287兆瓦时，相当于几百个美国家庭一年的用电量。后来的GPT-4，由于参数规模激增至1.8万亿，其训练能耗飙升至前者的40倍以上。

虽然训练一次很累，但模型部署后，服务用户的推理过程才是真正的能耗大头。

研究表明，AI推理能占到AI总能耗的80%到90%。

GPT-4仅仅一次短查询就会消耗约0.42瓦时的电量。

当全球每天有数以亿计的请求涌向这些模型时，电表转动的速度简直超乎想象。

不过同样是处理一个任务，有的AI是大胃王，有的却是节能达人。一方面是模型基因不同，传统的“大力出奇迹”，让模型越来越大，能耗也随之失控。但像Llama 3.1 8B这样的高效选手，处理长指令仅需0.443瓦时。

另一方面，同一个AI住在不同的数据中心，能效天差地别。比如在专业云平台上的能耗，比在自有服务器上直接减少了70%。

这说明AI的碳足迹不仅取决于算法，更取决于数据中心的电源使用效率和冷却技术。未来的算力竞赛不仅比谁更聪明，更要比谁更绿色。

随着AI大爆发，算力中心正面临一个火烧眉毛的麻烦——热。

装满顶级AI芯片的机架，功率密度已飙升至100到200千瓦甚至更高。单个AI机架的能耗竟然相当于普通家庭的39倍，成千上万个这样的机架挤在一起，整栋建筑就成了一个持续高烧的巨型烤箱。

由于空气导热能力的物理上限，传统风冷已彻底跟不上AI进化的脚步。于是，散热这个工程经历了三个阶段的进化。

第一阶段，风冷极限：封闭的冷热空气站。工程师先将风冷推向极致，封闭冷热通道，通过物理隔断，让冷空气直达服务器正面，热空气从背面排走，防止混流。这套方案将数据中心的电能利用效率（PUE）从1.8压到了1.4左右。但当单机架功率超过40千瓦，满载运行24小时，大约要消耗960度电，这已经超过一个普通美国家庭一个月的用电量。到了这个级别，风再大也吹不走核心的热量。

第二阶段，冷板液冷：给芯片贴“退热贴”。风冷到头，液冷登场。冷板液冷是在芯片上方加装金属冷板，内部流动的冷却水直接带走热量。液体的导热系数远高于空气，能轻松应对单颗芯片数百瓦的功耗。虽然PUE能降至1.3左右，但它更像局部退热，内存、主板等部件仍需风扇辅助，且存在漏液风险。

第三阶段，浸墨液冷：让服务器泡“冷水澡”。最彻底的方案是浸墨式液冷，把整台服务器直接浸泡在不导电的冷却液中，液体与所有部件360度接触，导热效率是空气的千倍以上。采用单向浸墨液冷，冷却液靠循环流动散热，阿里巴巴在张北数据中心部署后，总功耗下降36%，PUE低至1.07；采用两相浸墨液冷，利用液体受热沸腾气化的相变带走巨量热量，PUE可压到1.02到1.05，逼近理论极限。这种“泡澡”方案不仅节能，还让硬件故障率下降了53%，机房排出的废热可达60至80摄氏度，能直接为城市供暖，让AI的“体温”温热居民的暖气片。

真正的能效突破，不止靠降温，更要靠全站协同。谷歌证明了，从硬件、模型到系统的每一层优化，能产生惊人的叠加效应。优化分三招：第一招，定制硬件，自研AI加速器，从底层实现低功耗设计；第二招，算法瘦身，利用量化技术降低计算精度，在保证回答质量的前提下，进一步降低能源消耗；第三招，专材专用，用小型专用模型处理翻译或摘要，能效比通用大模型高出15到50倍，拒绝资源浪费。通过这套“硬件散热+算法瘦身+智能调度”的组合拳，Gemini实现了里程碑式的飞跃，能耗降至原来的1/33。

散热与算法的革命，本质上是算力增长的侧影。未来的AI不仅要比谁更聪明，更要比谁更绿色、更清凉。

面对这场能源挑战，各国给出了不同答案：中国用“东数西算”把算力中心建在西部绿电旁边，同步推进算电协同，用电高峰时让算力中心主动为电网让路，同时用AI帮电网做精准调度，给电网装上了“智慧大脑”；欧盟立法强制新建数据中心PUE≤1.3；美国依靠市场驱动，但部分地区电网已面临严峻压力，微软甚至签约重启了三里岛核电站，专攻数据中心供电。

讲完了AI有多“费电”，下期我们来聊聊AI有多“笨”——它会一本正经地编造根本不存在的文章。这些不是偶发的bug，而是深植于AI工作原理的系统性缺陷。