在美国弗吉尼亚州的吞噬卡尔佩珀县 
，牛的胃底有多数量几乎是人口数量的3倍，空气中弥漫着干草和粪肥的吞噬气味。这里的胃底有多大农场大多数仍由家庭经营 ，广袤的吞噬森林与田园风光交相辉映。然而，胃底有多这片宁静的吞噬乡村正经历着21世纪的巨变
。

过去几年 ，胃底有多为支持生成式人工智能（AI）的吞噬发展，该县批准了7个大型数据中心的胃底有多建设项目 。这些数据中心将为AI模型训练和全球海量查询提供支持 ，吞噬但也面临巨大的胃底有多能源消耗问题。每个数据中心的吞噬用电量堪比数万户家庭用电量，不仅推高了居民用电成本，胃底有多还对电网造成很大压力。吞噬

生成式AI比传统AI耗能更多，促使科技公司投入巨资扩建数据中心
。但是，这些公司在AI能耗方面缺乏透明度 ，使得研究人员难以准确评估其影响。英国《自然》杂志报道称，不少研究人员试图通过各种方法来探索AI的实际能源需求。

基于市场实施估算

荷兰阿姆斯特丹自由大学研究员 、Digiconomist公司创始人亚历克斯·德弗里斯，利用基于供应链或市场的估算方法研究了英伟达一款服务器的功耗，并据此推算出其一年的能耗。然后，他根据特定任务所需此类服务器总数来进行估计。

德弗里斯估算了谷歌搜索使用生成式AI所需的能源 。如果将类似ChatGPT的AI整合到谷歌搜索中 ，将需要40万至50万台英伟达A100服务器，这些服务器每年耗电量将达230亿至290亿千瓦时。预计谷歌每天处理多达90亿次搜索，通过AI服务器进行的每次搜索请求需要7至9瓦时的能源。据谷歌2009年的一篇博客文章中的数据 ，这比普通搜索的能耗高出23倍至30倍。

这种估算方法虽然直观 ，却忽略了算力成本下降趋势。过去5年AI训练成本已下降了80%  ，芯片能效每年提升35% 。

美国能源分析公司SemiAnalysis表示，评估生成式AI能耗的最佳方法仍然是监测服务器的发货量及其电力需求。

自下而上进行实测

更精确的自下而上测量法正在兴起。这种测试方法的理念是  ，用户提交一个提示 ，例如生成图像的请求或文本聊天请求，运行结束后，它会估算出用户所使用的硬件消耗了多少能源 。

研究人员发现 ，不同的任务需要不同的电力 。平均而言，根据文本提示生成图像消耗约0.5瓦时的电力，而生成文本则略少。相比之下，现代智能手机充满电可能需要22瓦时 。

但这种方法也存在先天局限。比如，谷歌的张量处理单元等专有芯片的能耗数据仍被锁在“黑箱”之中。

预测存在不确定性

国际能源署估计，2022年
，数据中心的用电量为240太瓦时至340太瓦时，占全球需求的1%—1.3%
。但随着生成式AI的普及 ，这一数字可能进一步上升。然而 ，相比于全球电力需求预计到2050年增长80%以上的趋势，数据中心的能耗占比仍相对较小。

不过 ，《自然》杂志指出
，AI对能源的影响在地方和区域层面将最为严重
。以美国弗吉尼亚州为例，数据中心已占该州电力消耗的4.4%，预计到2028年可能翻倍甚至翻3倍 ，达到总用电量的7%至12%。该州的电力基础设施正面临巨大压力，部分数据中心项目因供电不足而被迫延期。

那么 ，AI的电力需求会下降吗？这一问题目前似乎还难以回答
。

独立研究员乔纳森·库米指出，许多预测基于简单假设 ，且科技公司可能夸大需求 。因此 ，AI能耗预测的难点在于其不确定性
。

此外，AI技术进步也可能引发“杰文斯悖论” ，即效率的提升并不必然导致资源消耗的减少，反而可能因为成本降低和应用范围扩大 ，刺激需求增长 ，最终导致资源消耗总量增加。

未来的解决方案需要跨越技术
、政策和伦理的多维创新。或许卡尔佩珀县的牧民们能给出启示：就像他们世代遵循的轮牧制度，让土地休养生息。数字文明也需要建立“能源轮牧”机制 ，即在算力扩张与电网承载力之间找到动态平衡，而这也是亟待解决的全球性问题
。