AI 这么费电,有救吗

给孩子的 AI 常识

上一篇我们算了一笔账：全球数据中心 2024 年用电 415 太瓦时，相当于英国全年的电；到 2030 年要翻倍到 945 太瓦时，相当于日本全年的电。ChatGPT 回答一个问题的耗电是 Google 搜索的 10 倍。

AI 是电老虎。这一点没有争议了。

但有一个问题还没回答：这么大的电费，有没有办法降下来？

答案是：有人正在想办法，而且有些办法已经在起作用了。

最直接的思路——不是多发电，而是让 AI 少用电。

还记得"什么是大模型"那篇里提到的 DeepSeek 吗？它的核心创新就是"混合专家模型"——总参数超过 6000 亿，但每次运算只激活其中 300 多亿，其余的"休息"。相当于一个 1000 人的工厂，每条产品线只需要 50 个人上班，其他人轮休。

这不只是"聪明"——这直接就是省电。激活的参数少了，GPU 的运算量就少了，用电量也跟着降。

同样的思路还在更多地方发生。模型量化——把参数的精度从高清降到标清，运算量大幅减少，效果损失很小。模型蒸馏——用大模型去"教"一个小模型，让小模型学会大模型 80% 的能力，但只需要 10% 的算力。

每一代新芯片，单位算力的功耗都在降低。

Nvidia 的 H100 比上一代 A100 在 AI 推理任务上性能提升了约 3 倍，但功耗只增加了不到一倍——做同样的事情，H100 的能效比 A100 好了将近 2 倍。更新的 Blackwell 架构（B200）进一步提升能效。

这就像汽车发动机：新一代马力更大，但百公里油耗反而更低。

除了通用 GPU，还有一类专门为 AI 推理设计的芯片叫 ASIC——它不像 GPU 那样"什么都能算"，而是只做一种计算，但做得极其高效。Google 的 TPU 就是一种 ASIC。有研究显示，ASIC 在特定 AI 任务上的能耗可以做到 GPU 的十分之一。

数据中心大约 30%-40% 的电力不是用来计算的，而是用来降温的。

传统做法是用空调吹冷风——简单但效率低。现在越来越多的数据中心用液冷技术——把冷却液直接送到芯片表面带走热量，散热效率比风冷提升 5 倍以上。腾讯云数据中心已全面采用液冷，PUE 值降到了 1.15 以下。

还有更极端的做法：把整台服务器泡在冷却液里——叫"浸没式液冷"。听起来疯狂，但在超算中心已经开始试点。

省电之外，还有一条路——不是少用电，而是用更干净的电。

我们的"东数西算"工程就是这个逻辑：把数据中心建在西部——那里有丰富的水电、风电和光伏资源。在国家枢纽节点，新建数据中心的绿电使用比例已经超过 80%。

国家政策也在硬性推动：要求国家枢纽节点数据中心 PUE 不超过 1.2，非枢纽节点不超过 1.25。达不到标准的项目，能评审批都过不了。

AI 正在成为推动可再生能源建设加速的"意外推手"。

这是最有意思的一条——用 AI 给 AI 省电。

Google 在 2016 年就开始用 DeepMind 的 AI 系统管理数据中心的冷却系统，当时就把冷却用电降低了 40%。现在，越来越多的数据中心用 AI 算法做负荷预测、智能调度——提前预判哪些时段算力需求高、哪些时段低，动态调整服务器的开关和频率。

就像一栋智能大楼——有人的楼层开灯开空调，没人的楼层自动关闭。AI 数据中心正在变成这样的"智能大楼"，而管理它的，就是 AI 自己。

说了这么多途径，一个现实的问题：这些办法加在一起，能跑赢 AI 用电量的增长速度吗？

坦率说，目前还跑不赢。

AI 的用电量在指数级增长——每年翻一番。上面说的每一条路都能"减速"，但还没有任何一条能"刹车"。模型在变大、用户在增多、应用在扩展——省下来的电，很快被新增的需求吃掉。

但方向是清晰的：更高效的模型、更省电的芯片、更聪明的散热、更绿色的能源、更智能的管理。五条路同时走，至少能让 AI 的增长不是以牺牲地球为代价。

你还想了解 AI 的哪些事？留言告诉我。

— END —