每次和AI聊天都在耗电耗水:全球算力大战,本质是大国基建比拼

我们可以把大模型想象成一头永不停止进食的巨兽。

训练阶段决定这头巨兽最终能成长到什么规模；推理阶段，也就是普通人日常使用 AI 发起提问、生成素材，决定它日复一日持续消耗多少资源。

公开数据显示，2020 年 GPT-3 单次训练耗电量 1287 兆瓦时。根据多家行业机构预测，规划中的前沿大模型训练能耗预计达到 6 万兆瓦时，需要数万张高端 GPU 不间断运行 90 天。短短数年，前沿模型训练能耗预估提升近 50 倍。

很多人误以为，训练完成就是能耗的终点。事实恰恰相反：训练只是耗电的起点。

模型正式上线面向公众服务之后，亿万次日常调用是持续不断的能耗黑洞。

行业典型场景测算可以直观感受这份消耗：

✅ 向 AI 发起一次文字提问，大约消耗 0.34 瓦时电能，足够点亮家用 LED 灯泡两分钟；

✅ AI 生成一张高清图片，能耗约 12 瓦时，差不多能将手机电量从零充满；

✅ 生成一段 5 秒高清 AI 视频，多模态运算量暴涨，能耗上限可达 1 度电，足以支撑家用空调全速制冷一小时。

把单次能耗乘以国内每日海量 AI 调用总量，数值十分惊人。

这还仅仅是 GPU 运算产生的直接耗电量。叠加机房冷却设备、供水水泵、电力长途输送损耗，国内 AI 算力设施每日综合耗电量可达 400 万度以上，相当于一座几十万人口的中型县的全体居民一整天的用电总量。

服务器高负荷运转持续产生巨大热量，大型数据中心必须消耗大量淡水用于降温。多篇国际学术研究测算，平均向大模型发起十次请求，对应的冷却耗水量约等同于一 500 毫升纯净水。

海外科技企业数据更具参考性：微软数据中心年度耗水量近年涨幅超 51%，全年耗水达到 56 亿升；谷歌仅在美国爱荷华州一座单体数据中心，一年耗水量就高达 49 亿升。每年，相当于数千座奥运标准泳池体量的洁净淡水，在机房冷却塔持续蒸发，只为给硅片降温。

至此，我们必须接受一个新认知：

AI 早已不是轻量化互联产品，它是依靠电力系统、冷却系统、水资源共同托举的数字重工业。

上半场，全球企业全力争抢先进制程算力芯片，比拼硬件获取能力；

下半场，比拼算力配套与基础设施的规模、韧性与成本优势。

这场竞争不再只是科技企业之间的商业博弈，而是延伸至国家级底层基础设施能力的较量。

美国头部科技企业掌握高端算力芯片技术优势，但本土电力体系长期存在短板：电网前期投入不足、线路老旧、区域电网相互割裂。

飞速增长的 AI 算力需求，撞上承载力趋于饱和的公共电网，能源瓶颈愈发凸显。

不妨把全国电网想象成一个插满电器的巨型插排，数十年勉强维持用电平衡。当大批算力中心集中上马，企业准备接入供电时才发现：区域电网几乎没有预留新增负荷空间。

作为全球数据中心最密集的区域走廊，美国 PJM 电网面临严峻的并网难题。目前排队等待接入电网的新建算力项目总规模预估高达 195GW。一座全新算力中心想要顺利通电，普遍需要等待 4-5 年。

大模型技术按月迭代，漫长的等待周期足以让大量项目错失发展窗口。电网容量紧缺，直接推高电力成本，电网容量拍卖价格最高上涨十倍以上。

面对漫长的排队、持续走高的用电成本，海外科技巨头开始尝试绕开公共电网，重金布局核电项目自救。

微软计划重启三里岛核电站；亚马逊购入核电站专属电力，押注尚未大规模商用的小型模块化反应堆；谷歌接连和多家核能初创企业达成合作。

但远水难解近渴。核电站审批流程严苛，整体建设周期动辄十年以上。企业各自布局微电网的模式，很难短期内填补国家级的能源缺口。

硅基算力竞赛中，海外 AI 产业陷入一道现实难题：资本扩张速度再快，终究会被高压电网的承载上限束缚。

马斯克曾在公开访谈中点明关键：限制人工智能规模扩张的核心瓶颈并非芯片，而是电力。谈及全球算力发展的能源挑战时，他提到，依托庞大发电体量、持续增长的清洁能源装机，以及一体化统筹的电网体系，中国具备领先全球的能源支撑潜力。

和海外电网拥堵困局形成对比，依托完善的基建规划能力，中国正在全国布局一盘规模空前的算力与能源大棋。哥伦比亚大学研究人员曾用 “令人震惊” 形容国内电网扩张速度，仅过去一年，中国新增发电装机容量，约相当于美国现有总装机容量的 40%。

我们同样面临客观挑战：资源空间严重错位。

算力集群、海量互联网用户集中在东部沿海；风电、光伏等低成本绿电，以及适合机房自然冷却的低温环境，集中在数千公里之外的西北荒漠。东部算力嗷嗷待哺，西部清洁能源存在消纳空间。

为打通资源壁垒，两张国家级战略王牌同步落地。

第一张，东数西算工程。

对延迟要求不高的大模型训练、批量数据处理任务，可以直接部署至西部算力枢纽。内蒙古乌兰察布，这座传统农牧城市，如今成为知名的 “草原云谷”。当地年均气温仅 4.3℃，天然适合服务器自然风冷，大幅减少空调能耗；风电、光伏产出的绿电通过专线直供数据中心，直接压低算力长期运营成本。

但面向大众实时交互的推理算力，要求极低的网络延迟，大多需要部署在东部，无法远距离向西迁移。

这时，第二张王牌登场 —— 特高压输电网。

特高压是我国具备全球领先优势的电力技术。目前国内建成投运特高压线路总里程突破 6.2 万公里。来自四川水电站的清洁水电，可以跨越 2080 公里输送至东部 AI 算力机房，传输时延仅数毫秒。

国家级能源大动脉，打破局部区域电网容量不足的桎梏，实现跨区域电力高效调配。

当海外科技企业还在为争抢电网容量漫长排队、远期押注核电方案时，国内依托全国统筹布局的特高压骨干网络、西部清洁能源基地，提前布局化解算力发展的能源瓶颈。

在通用人工智能底层赛道的长期竞争里，全国一盘棋的能源与算力布局，为未来持续扩张算力筑牢根基。

通用人工智能的前景绚烂，但也把人类带入高度依赖能源与淡水的巨型算力时代。

从消耗巨量电力的前沿大模型，到亿万次普通人屏幕前的 AI 交互，AI 产业潜藏的碳排放、水资源消耗，正在持续受到全球关注。

人类并没有被动面对这头能耗巨兽，各行各业的工程师正在探索多元化绿色解决方案：

✅ 浸没式液冷技术，将服务器浸泡在绝缘冷却液中，大幅降低冷却能耗；

✅ 余热回收体系，把机房产生的废热回收，为城市居民供暖；

✅ 碳感知智能调度算法，根据风光发电波动动态调度算力；

✅ 下一代光子芯片，革新硬件发热逻辑，探索更低能耗的计算路径。

多方技术持续迭代，目标是把高耗能的 AI 产品逐步转型为能够和自然生态共生的绿色智慧引擎。

人工智能的竞争，表象是算法、模型、芯片，底层终究回归能源、土地、水资源这些最基础的物理资源。

数字世界的一切智能，永远扎根于坚实的物理基建之上。

你觉得未来 AI 最大的制约是算力芯片，还是电力供给？欢迎在评论区聊聊你的看法。