2025 年 4 月，国际能源署（IEA）发布《Energy and AI》特别报告，给出了两个被反复引用的数字：全球数据中心 2024 年用电约 415 太瓦时（TWh），占全球用电量约 1.5%；在基准情景下，2030 年将增至约 945 TWh——超过今天日本全国的用电量。报告同时把增长的主要驱动点名：AI。AI 优化的数据中心用电，预计到 2030 年翻两番以上。
围绕这两个数字的争论，比数字本身更有信息量。计算的碳足迹是全行业最难测准的指标之一：真实电表数据握在少数公司手里，公开数字大多来自模型推算，而外推的区间可以相差数倍。读懂这场争论，比记住任何一个数字都重要。
破除误解：先分清三种"数字"
讨论 AI 能耗时，媒体和报告里的数字其实分三个可信度等级，混用它们是绝大多数夸张结论的来源。
实测：接在电表上的数字。例如爱尔兰中央统计局（CSO）的统计：2023 年数据中心消耗了爱尔兰全国 21% 的计费电量——这是抄表数据，不是估计。企业可持续发展报告（如 Google 披露的 2024 年温室气体排放比 2019 年高 48%，明确归因于数据中心扩张与 AI）属于自报但可审计的一类。
估计：用装机量、出货量、利用率模型推算。IEA 的 415 TWh 就是这个量级——方法透明、区间明确，但依赖对全球数万家数据中心的假设。
外推：把一个趋势投射到未来。典型例子是 de Vries（2023 年发表于 Joule）的著名推算：若 Google 把生成式 AI 全面接入搜索，其年用电可能接近一个中等国家。这类"假如……就……"的情景分析经常被引用成预测，而作者本人强调的是假设。区分三者，是阅读任何"AI 耗电"报道的第一道滤网。
现场：一个被效率掩盖了十年的问题
理解今天的激增，要先看上一个十年发生了什么——那是一个效率跑赢需求的罕见时期。Masanet 等人（2020 年发表于 Science）的再校准研究显示：2010–2018 年间，全球数据中心的计算实例增长了约 550%，但用电只从约 194 TWh 增至约 205 TWh，始终维持在全球用电的 1% 左右。服务器虚拟化、超大规模数据中心取代小机房、芯片能效提升，三重红利几乎完美对冲了需求爆炸。
AI 打破了这个平衡。原因在于密度的改变：一台 AI 训练集群的机架功率密度是传统云机架的数倍到十几倍，冷却与供电的开销随之上升，而训练前沿模型所需的算力仍在以每年数倍的速度增长。Epoch AI 的外推（模型推算，非实测）认为，若趋势延续，2030 年前后单次前沿训练可能需要吉瓦级电力供应——相当于一座大型核电机组专供一次训练。这个推断是否成真，取决于算法效率能否复制上一个十年的对冲奇迹。
衡量数据中心效率的标准指标是 PUE（电能使用效率）：数据中心总耗电除以 IT 设备耗电，1.0 是理论极限。这个由 The Green Grid 在 2007 年定义的指标简单实用，但行业进步已经放缓：Uptime Institute 2024 年全球调查显示，行业平均 PUE 约 1.56，十年来几乎停滞；最好的超大规模运营商（如 Google 披露的约 1.09）与长尾的大量老旧机房之间差距悬殊。PUE 还有一个结构性盲区——它只衡量"每度 IT 用电的场馆开销"，完全不管 IT 设备本身算的是不是有用的功。
谁在做，做到了哪一步
硬件效率是跑得最快的一条腿。GPU 厂商声称十年间 AI 推理能效提升了数万倍——这类数字是厂商口径、缺乏独立复核，但方向无疑是真的：制程进步、低精度计算（FP8 乃至 FP4）、专用加速器，让单位算力的能耗持续下降。更激进的路线（类脑计算、模拟计算、光计算）仍处在实验室阶段。
算法效率是被低估的一条腿。同样的任务，八年间的算法改进让所需算力下降了多个数量级；蒸馏、剪枝、更优的训练配方持续摊薄单次智能的成本。DeepSeek-V3 用 278.8 万 H800 GPU 小时完成训练的案例说明，顶级模型未必需要顶级能耗。
系统与选址是见效最快的一条腿。把负载调度到电网碳强度低的时段和地区（carbon-aware computing）、废热回收、液冷、自建核电与地热——头部云厂商在 2024–2026 年间密集签下核电协议，直接把"AI 电力"推上了能源政策的桌面。
| 层级 | 代表手段 | 已验证的效果 | 主要局限 |
|---|---|---|---|
| 芯片 | 先进制程、低精度、加速器 | 单位算力能耗持续下降 | 厂商数字缺独立审计 |
| 算法 | 蒸馏、稀疏、高效训练 | 同任务算力需求数年降数个量级 | 收益被更大的模型吞掉 |
| 数据中心 | 液冷、PUE 优化 | 头部机房 PUE≈1.1 | 行业平均停滞在 1.5 以上 |
| 电网 | 碳感知调度、绿电采购 | 可降低单位电的碳强度 | 24/7 无碳电力仍稀缺 |
代价与争议：杰文斯悖论悬在头顶
效率红利会不会自我抵消？ 这是整个领域最深的分歧。历史上，照明、计算、运输的每一次能效革命都伴随着总消费的上升——效率降低了单价，单价下降扩大了需求，这就是杰文斯悖论（rebound effect）。AI 正在重演这一模式：单次查询的能耗在快速下降（Google 2025 年披露的单次 Gemini 查询能耗中位数约 0.24 Wh，一年内下降数十倍——自报数据），但查询总量与模型规模的增长更快。IEA 的基准情景已经计入了可预见的效率改进，总量仍然翻倍——这是"效率跑赢需求"派目前最难反驳的证据。
训练一次模型到底排多少碳，仍然没有共识口径。 Strubell 等人（2019）估算训练一个大型 Transformer 加架构搜索约排放 284 吨 CO₂，相当于五辆汽车的终身排放；Patterson 等人（2021）指出这一估算对高效数据中心高估约一个数量级，并给出 GPT-3 训练约 552 吨 CO₂e 的估算。两篇论文都对——差别在假设的电网、机房与硬件。这场交锋留下的遗产是"四要素"报告框架：模型、机器、机房效率、电网位置，缺一个，数字就没有可比性。
水与材料的账更少有人算。 数据中心冷却消耗大量淡水，在干旱地区引发过真实的社区冲突；而 GPU 制造的隐含碳（embodied carbon）在全生命周期分析中可占到相当比例。只看运行电耗，会系统性低估计算的真实环境成本。
测量权本身就是权力。 最精确的数据在厂商手里，独立研究者只能用出货量和电价反推。学术界（如 Luccioni 等人）持续呼吁类似家电能效标识的强制披露标准；2024 年之后，欧盟能效指令已开始要求数据中心报告能耗与水耗——强制性实测披露刚起步，这正是未来几年最值得关注的制度变量。
未知的边界
- AI 的能效改进能否再次跑赢需求增长？上一个十年的对冲奇迹会不会只是特定技术周期（虚拟化 + 摩尔定律红利）的一次性事件？
- 推理能耗会如何演化？推理模型把每次回答的计算量提高了几个数量级，而推理占 AI 总用电的比例正在超过训练——能效优化的主战场正在转移。
- 24/7 无碳电力能否跟上数据中心选址的速度？绿电证书在时间匹配上的水分，正在成为"碳中和数据中心"宣称的主要软肋。
- 强制性披露标准会落到什么颗粒度——按机房、按模型、还是按查询？这决定了下一次学术再校准研究能不能做。
跨域连接
- GPU 与并行计算：AI 能耗故事的物理基础在这里——GPU 把并行计算的吞吐提高了几个数量级，也把单机架功率密度推到了风冷极限之外。理解液冷、低精度计算与互联功耗，才能读懂为什么 AI 负载改变了数据中心几十年的设计假设。
- 类脑与后 CMOS 计算：如果 CMOS 缩放的能效红利耗尽，类脑芯片、模拟计算与存内计算是备选路线——它们的目标恰恰是用物理过程本身代替数字模拟来省能。这条前沿的成败，将决定 2030 年后计算能耗曲线的斜率。
- 能源转型工程：数据中心已是电力系统的重要新增负荷——IEA 估计在美国，数据中心贡献了到 2030 年电力需求增量的近一半。AI 产业的扩张速度，正在真实地形塑电网投资、核电复兴与储能部署的议程，能源转型因此多出了一个最不差钱、也最等不起的客户。
- 气候经济学与碳定价：算力的碳排放目前几乎全部由用户免费外部化。碳定价与披露义务能否内化这部分成本，决定了"按需用算"的市场价格里是否包含真实的气候账——这是计算产业与气候政策交汇最直接的一条缝。
- 碳预算与净零：把 415 TWh 放进碳预算的框架里看才有意义：数据中心用电占全球 1.5%，但它是增长最快的部门之一，而净零承诺要求几乎所有部门同时下降。一个行业的"效率奇迹"叙事，在全经济体的碳预算约束面前是否成立，是可持续计算最终要被问到的问题。
参考文献
- IEA. Energy and AI. 国际能源署特别报告，2025 年 4 月.（2024 年约 415 TWh、2030 年约 945 TWh 基准情景）
- Masanet, E., Shehabi, A., Lei, N., Smith, S. & Koomey, J. Recalibrating Global Data Center Energy-Use Estimates. Science 367, 984–986 (2020). DOI: 10.1126/science.aba3758.
- Strubell, E., Ganesh, A. & McCallum, A. Energy and Policy Considerations for Deep Learning in NLP. ACL 2019. DOI: 10.18653/v1/P19-1355.
- de Vries, A. The Growing Energy Footprint of Artificial Intelligence. Joule 7, 2191–2194 (2023). DOI: 10.1016/j.joule.2023.09.004.
- Uptime Institute. Global Data Center Survey 2024.（行业平均 PUE 约 1.56）
延伸阅读
- Patterson, D. et al. Carbon Emissions and Large Neural Network Training. arXiv:2104.10350 (2021).（对 Strubell 估算的修正与"四要素"框架）
- Luccioni, S. et al. Power Hungry Processing: Watts Driving the Cost of AI Deployment? ACM FAccT 2024. arXiv:2311.16863.（部署阶段能耗的测量）
- Schwartz, R. et al. Green AI. Communications of the ACM 63(12), 54–63 (2020). DOI: 10.1145/3381831.