AI无处不在，能给你实实在在的帮助，这是当下的一个现实。你打开百度搜索，回答问题的是百度AI＋，短暂的问题分析之后，一长串的专业解答自动生成；你想给孩子润色下综合测评的典型事例，直接把内容输入给豆包，几秒钟内就给你搞定；你想画个合心意的技术路线图放在刚写好的论文里，找kimi准没错……但我奉劝你，不要问AI“老婆饼里为什么没有老婆”这种蠢问题，也不要对它说谢谢，因为你对AI说的每句话，都会被它视为一次新的指令，这需要调用计算资源消耗大量算力来生成响应。

紧跟时代的人大概都知道AI耗电大、用水多，但对具体能耗有多大其实并没有实感。今天，请随科Way一起来算一算AI能耗这笔账。

—— PART 01 ——

AI的“吃电真相”

长久以来，全球电力需求一直保持相对稳定。工业、商业和居民生活三驾马车拉动着我们的用电量。工厂机器转动，商场电灯亮着，家里的冰箱空调开着，用电量和国家的经济发展、人民的生活水平直接挂钩，用电量变化趋势被预测。

但AI出现后的这几年，电力需求量持续激增。因为AI不仅需要更多芯片和服务器，也需要更大规模的数据中心。这些服务中心直接推高了全球电力需求。国际能源署（IEA）今年接连发布了几个相关的分析报告，将全球用电量激增的矛头直指数据中心和AI。

比如，IEA今年3月24日发布的《2025年全球能源评论》显示，2024年全球电力消耗增长超1080太瓦时，同比增长4.3%，相当于过去10年平均年增长率的2倍。IEA表示，快速扩张的数据中心成为最主要的推手，推动了全球用电量的大幅跃升。

再如，在《电力2024》这份报告里，IEA用如下一张图，比较了2022年和2026年全球传统数据中心、AI专用数据中心和加密货币的电力需求估算。

从上图可见，2026年全球传统数据中心的用电量比2022年增长了近一倍，还新增了一个 AI专用数据中心。

AI的耗电主要集中在模型训练和模型推理两方面。在训练阶段，要向AI输入大量的数据，以此来构建并优化大语言模型。

一般来说，参数量越大，大模型的算力消耗就越大，其消耗的电能就越多。这就像给小孩子喂饭，喂得多吃得多，孩子才能长得又快又高又壮。以GPT-3大模型为例，其训练耗电总量大约为1280兆千瓦时，也就是128万度电，相当于6400个中国普通家庭一个月的用电量。

这里面还有一个重要的问题，训练模型需要的计算能力大概每3—4个月就会翻一倍。这就意味着，每一代新AI模型，会比前一代“更饿”，能源需求也会指数级增长。

模型推理阶段的耗电量则更超乎想象。虽然AI推理阶段单次能耗比训练阶段低，但由于推理阶段产生能耗的持续时间更长，加上高频调用，最终电力消耗的数字恐将是个天文数字。在全球已推出的数百个AI大模型中，仅ChatGPT每天就要消耗50万千瓦时电力来响应超过2亿条的用户请求。随着全球用户数量、使用频率的增加，耗电量也将不断累积。

业内人士估计，推理阶段的能耗，能占到AI生命周期总能耗的60%至90%。

需要强调的是，不论是模型训练还是模型推理，都需要数据中心的支持。这又是个特别能“吃电”的地方。一方面，数据中心的功率密度极高，一个大型数据中心的耗电量可相当于一个小城镇的工业总用电量；另一方面，数据中心通常全年无休，因为断电几秒就可能导致AI模型训练任务报废，造成数千万元甚至上亿元损失。

IEA今年4月发布的特别报告《能源与人工智能》预测，随着AI训练和推理任务的激增，到2030年，全球数据中心的电力需求预计将超过945太瓦时，较当前翻倍，略高于当前日本全年的总用电量。美国、中国和欧洲是主要增长区域。

—— PART 02 ——

AI还喜欢“喝水”

除了用电，AI运行也非常耗水。数据中心那些支撑AI运行的服务器，工作时会产生大量热量。我们每次向AI提问，对应的就是一次运算，服务器高速运转，机箱热得烫手。比如一个英伟达H100的GPU，功率是700—800W。一台服务器会有8到16个这样的GPU，再加上CPU、内存、存储，总功率超过10kW。运转一小时，产生的热量是36兆焦。

这样的一台服务器理论上能在几分钟内使一个50平方米的房间气温升高600摄氏度。当然，现实中因为空气是流动的，热量会散发，房间不可能达到这样的高温。但这足以说明，服务器产生的热量是巨大的。

降温的手段无非两种：风冷和水冷。随着AI部署的增加，机柜负载激增，风冷系统已无法有效处理这些高功率机柜负载所产生的热量。液冷技术就成为了数据中心散热的必然选择——使用液体作为冷却介质，相比空气，能更高效地带走热量。

像微软、谷歌这类大公司，全都用大量的水来散热。比如，谷歌的一个中型数据中心，一天的用水量，相当于1000个家庭的年用水量。你和ChatGPT聊上10到50个回合，可能就会用掉一瓶500毫升的矿泉水。

有机构预测，到2027年，全世界AI需求的用水量，可能达到每年42亿到66亿立方米。这是一个什么概念呢？这超过了英国年用水量的一半，是丹麦年用水量的4到6倍。

—— PART 03 ——

如何应对AI耗电问题？

前段时间，一则“人工智能已对全球电力系统造成严重破坏”的报道，引发公众对AI能耗的担忧，甚至出现了AI正在“吸干”全球电力的言论。

有人说，干脆不要用AI。这种做法是典型的因噎废食。毕竟，作为21世纪最具影响力的新兴技术之一，AI给人类生活带来了积极的影响——如今的AI不仅能生成文本、图片和音频，还能预测天气、使机器人更智能灵活、自动化工作流程以及感知解读物理世界。

那么，如何解决AI耗电问题？

有业内人士建议，从供应端入手，不断增加供电量，以解决AI耗电问题。

具体的做法是：以风电、光电及储能技术为重要突破口。

如下表所示，一些科技巨头选择签订PPA（电力购买协议），直接与可再生能源项目开发商签长期合同，确保未来10—20年的稳定绿电供应。

不过，PPA虽然可以锁定长期绿色电力供应，但无法解决风光电力间歇性的问题。对于需要24小时稳定运行的数据中心来说，储能系统是保证稳定供电的关键。

储能可以实现在电价较低时充电，电价较高时放电，直接降低用电成本；还能在电网掉电的关键时刻以毫秒级速度顶上，保障计算不中断；更能和光伏、风电配套，让数据中心园区实现局部“独立供能”。

各国相关案例显示，储能正在从“可选项”变成“标配”。比如，中国颁布的新规已将储能纳入绿色数据中心的核心推荐标准；印尼雅加达在建的数据中心将配套120MWh电池储能系统；美国Redwood的二次电池微电网为高耗能AI数据中心提供供电保障；澳大利亚Allegro Energy以液流电池长时储能技术支撑数据中心用能。

而在需求端，包括算法优化、硬件改进和能源管理等方面都有节能潜力可以挖掘。算法优化可以在不显著降低AI性能的情况下，减少计算量和能耗。有业内人士建议，包括芯片在内的硬件改进，是解决AI耗电问题的重要途径，未来量子计算、光子计算等新型计算技术也可大幅提升计算效率，减少能耗。

此外，在AI数据中心能源管理上，使用先进的冷却技术和智能电力管理系统，都能有效降低AI的能耗。