人工智能扩张引发全球能源压力担忧

人工智能的能源需求正迅速演变为一项艰巨挑战。这一问题远不止于电费上涨，其重大环境后果包括重要水源枯竭、电子垃圾堆积以及温室气体排放增加。

随着AI模型日益复杂并融入日常生活，一个关键问题浮现：我们能否在不危及地球未来的前提下，持续推动这场技术革命？

证据证实人工智能能耗正加速攀升

先进人工智能系统的计算需求正呈现非凡增长轨迹，部分预测显示其每数月便翻一番。这并非渐进式增长，而是指数级飙升，甚至可能超越最雄心勃勃的能源生产战略。

为说明其规模，未来人工智能的能源需求可能很快达到日本、荷兰等国家或美国加利福尼亚州等主要州的总用电量。这种对比凸显了人工智能可能给全球电力基础设施带来的潜在压力。

2024年全球电力需求创纪录增长4.3%，主要驱动因素包括人工智能扩张、电动汽车普及及工业活动增长。

2022年，支撑人工智能和加密货币运营的数据中心已消耗全球近2%的电力——约460太瓦时。

到2024年，仅数据中心就消耗了约415太瓦时电力，占全球用电量的1.5%，且以每年12%的速度增长。人工智能的直接能耗占比仍相对较低，约为20太瓦时（占全球能源的0.02%），但这一数字正处于快速扩张的临界点。

预测显示未来将出现显著增长。到2025年底，全球人工智能数据中心可能需要额外增加10吉瓦的电力容量——这将超过犹他州等州的总发电量。

展望2026年，全球数据中心用电量可能达到1000太瓦时，相当于日本当前用电总量。到2027年，全球人工智能数据中心可能需要68吉瓦的电力——几乎与2022年加利福尼亚州的总发电量相当。

本世纪末的预测数据更为惊人：全球数据中心用电量预计将在2030年翻倍至约945太瓦时，占全球电力消耗总量近3%。

欧佩克预计到2030年数据中心能耗可能增至1500太瓦时，而高盛预测全球数据中心电力需求将较2023年增长165%，其中人工智能专用基础设施将增长四倍以上。

部分分析指出，若将向终端用户提供人工智能服务所需的完整能源链纳入考量，到2030年数据中心可能占全球能源需求的21%。

人工智能能耗主要分为两个阶段：模型训练和运行推理。

训练GPT-4等巨型模型需投入海量能源。GPT-3训练耗电量约1287兆瓦时，而GPT-4可能需要五十倍于此的能源。

尽管训练阶段能耗高昂，但运行推理通常占人工智能总能耗的80%以上。单次ChatGPT查询的能耗约为标准谷歌搜索的十倍（约2.9瓦时对0.3瓦时）。

生成式人工智能的兴起正推动全球范围内建造越来越强大——也因此越来越耗能——的数据中心。

平衡人工智能的能源需求与人类需求

这正是核心挑战所在：全球能源系统能否在维持现有服务的同时满足新增需求？当前能源结构融合了化石燃料、核能与可再生能源。要支撑人工智能的持续发展，必须快速扩大并多元化能源生产能力。

可再生能源（太阳能、风能、水电和地热）是解决方案的关键组成部分。在美国，可再生能源发电占比预计将从2024年的23%提升至2026年的27%。

科技企业正作出重大承诺：微软计划在2026-2030年间为数据中心采购10.5吉瓦可再生能源。人工智能技术本身可优化可再生能源利用，通过改进储能管理和电网优化，在特定应用场景中将能耗降低高达60%。

然而可再生能源面临固有挑战。太阳能和风能的间歇性发电特性，对需要持续运行的数据中心构成可靠性隐患。当前储能解决方案成本高昂且占用大量空间。将大型可再生能源项目接入现有电网基础设施，还涉及复杂的物流与监管问题。

核能作为稳定的低碳解决方案，正因能满足人工智能的巨量能源需求而备受关注。其持续发电特性与数据中心运营需求高度契合。小型模块化反应堆（SMR）因安全性提升和部署灵活性而备受瞩目。微软、亚马逊、谷歌等科技巨头正积极探索核能选项。

亚马逊云服务（AWS）首席执行官马特·加曼近期接受BBC采访时称核能是数据中心的"绝佳解决方案"，称其为"卓越的零碳全天候能源"。他强调长期能源规划是AWS运营的核心要素。

"我们提前多年规划，"加曼指出，"进行前瞻性投资。我认为世界需要开发新技术，核能将是重要组成部分，尤其在十年规划期内。"

然而核能仍面临诸多挑战。新建反应堆需耗费漫长周期、巨额成本且监管流程复杂。尽管现代安全技术已取得进步，公众认知仍受历史事故影响。

人工智能的迅猛发展与核能基础设施部署存在时间错位，可能加剧短期对化石燃料的依赖。数据中心聚集于核设施周边，还引发了区域电价波动及电网对其他用户供电可靠性的担忧。

超越电力：人工智能的广泛环境影响

人工智能的环境影响远不止于电力消耗。数据中心冷却系统消耗巨量水资源，平均每消耗1千瓦时能源需耗水约1.7升。

2022年谷歌数据中心淡水消耗量达50亿加仑，较上年增长20%。有数据显示，数据中心冷却系统每千瓦时耗水量可能高达2升。换言之，全球人工智能基础设施的用水量或将很快达到丹麦全国总用水的六倍。

电子废弃物正成为另一重大隐患。人工智能硬件的快速迭代——尤其是GPU和TPU等专用组件——加速了设备淘汰周期。到2030年，数据中心产生的AI相关电子垃圾年产量可能达到500万吨。

人工智能芯片与数据中心组件的制造同样带来环境影响，其关键矿物（如锂、钴）的开采常采用破坏环境的手段。

单枚AI芯片的生产过程需消耗逾1400升水和3000千瓦时电力。对先进硬件的需求正推动半导体工厂扩张，此类扩建常伴随新建天然气发电厂。

碳排放仍是重大隐患。当人工智能运行依赖化石燃料发电时，将直接加剧气候变化。训练一个大型人工智能模型产生的碳排放量，相当于数百个美国家庭的年排放总量。

企业可持续发展报告揭示了人工智能日益增长的碳足迹。2020至2023年间，微软的碳排放量增长约40%，主要源于人工智能数据中心的建设。谷歌报告称五年间温室气体排放量增长近50%，其中大部分增幅归因于人工智能基础设施的电力需求。

技术创新的潜在解决方案

尽管趋势令人担忧，但多条创新路径提供了潜在缓解策略。

开发更节能的人工智能算法是重点方向。研究进展包括模型剪枝（去除冗余神经网络组件）、量化（采用低精度计算降低能耗）和知识蒸馏（利用大型模型输出训练紧凑模型）等技术。针对特定任务创建小型专用模型同样能降低能耗。

在数据中心层面，实施功率上限控制（限制硬件最大功耗）和动态资源分配（根据即时需求及可再生能源可用性调整计算资源）等策略可显著提升效率。具备AI感知能力的调度软件能将非关键计算任务推迟至清洁能源可用或电网需求降低时段执行。AI系统还能优化数据中心的制冷效率。

设备端AI处理提供另一种节能途径。计算任务不再传输至高能耗的云端数据中心，而是在智能手机或边缘设备本地完成。由于专用芯片优先考虑能效而非原始性能，这种方法可大幅降低能耗。

监管框架日益重要。各国政府正开始认识到需对人工智能的能耗及环境影响进行问责。

建立标准化的人工智能环境足迹测量与报告方法是关键的第一步。通过政策激励推动耐用可回收硬件设计，有助于解决电子垃圾问题。能源信用交易体系则能为采用绿色人工智能技术创造经济激励。

近期动态凸显了这些议题的全球意义。阿联酋与美国近期达成协议，将在海湾地区建设美国境外最大的人工智能园区。该项目不仅彰显了人工智能日益增长的国际重要性，更强调了为何在大型人工智能基础设施规划中必须优先考虑能源与环境因素。

规划人工智能的可持续发展路径

人工智能蕴含着巨大的积极变革潜力，但其巨大的能源需求构成了严重障碍。预测显示其能耗将达到国家级别，这确实令人担忧。

满足这一需求需要多元化的能源战略。可再生能源虽具备卓越的长期潜力，但面临稳定性和可扩展性限制。核能——包括新兴的小型模块化反应堆技术——提供了可靠的低碳替代方案，正吸引着科技产业的高度关注，但安全、成本及建设周期等挑战依然存在。

全面环境评估必须超越电力范畴，涵盖冷却用水、硬件相关电子废弃物产生及制造过程中的资源利用。要解决人工智能的完整生态足迹，需要进行整体性评估。

所幸诸多积极进展正在推进。

节能算法、智能数据中心电力管理、工作负载感知调度软件以及分布式人工智能处理等技术均有助于降低能耗。对人工智能环境影响的日益关注正推动聚焦可持续发展的政策讨论。

应对人工智能的能源与环境挑战，需要科研机构、科技企业和政策制定者以适当紧迫感开展协同努力。

通过在人工智能开发中优先考虑能效、投资可持续能源基础设施、实施负责任的硬件生命周期管理以及建立支持性政策框架，我们能够在不损害地球健康的前提下，实现人工智能的变革潜力。

人工智能领导权的竞争必须同时成为可持续人工智能实施的竞赛。

另请参阅：专家警示AI工具加速政府反馈需谨慎

想向行业领袖学习人工智能与大数据知识？欢迎参加在阿姆斯特丹、加利福尼亚和伦敦举办的人工智能与大数据博览会。这场综合性活动将与智能自动化大会、BlockX区块链峰会、数字化转型周及网络安全与云计算博览会等顶级盛会同期举行。

探索更多由TechForge主办的企业技术活动及网络研讨会，请点击此处。