你最近是习惯点开搜索框查资料，还是随手问AI要答案？
当我们习惯事事问AI ，你有没有想过这几个问题：AI每敲下一段回答，大概会消耗多少能量？以及如果把人脑比作“生物计算机”，和AI的“硅基大脑”比起来，到底谁处理信息的能耗更高效？
答案可能会颠覆你对“智能”的固有认知——AI每一次输出的背后，都藏着远超想象的能量流动；而大脑——这个进化了数百万年的“生物CPU”，或许正藏着最节能的生存智慧。
今天这篇文章，让我们跟着作者抽丝剥茧，好好算算这笔“智能账”。
本文共4800多字阅读需要13分钟
众所周知，我的大脑是个小气鬼。
虽然它已经是我的身体中耗能最高的器官，霸占了我20%的日常能量消耗，但功率也不过16瓦。即使截稿日迫在眉睫，它也不肯提高一点功率来帮帮忙。
我对着屏幕苦思冥想，想给自己的拙劣稿子写出点精彩的开头，它仍然无动于衷，甚至嘲笑我：
拼尽全力？那好吧，你给我一杯拿铁，我加到20瓦。没有更多了，这是5.4亿年进化赋予这个古怪器官的功率上限。就像你的台灯，调到最亮也就那样。
而我面前这台风扇正在呜呜叫的笔记本电脑，正在以115瓦的功率陪我一起发呆。光是开着这个几近空白的文档，它用的能源就是我大脑的10多倍。
加上路由器、空调、冰箱。
我坐在这堆电器中间，只为了写出一句“众所周知，我的大脑是个小气鬼。”
与此同时，我的朋友发来了AI给她写的小说。3分钟，AI就给她的冷门CP写了一整篇小甜文。这3分钟的背后，是功率可能高达100兆瓦的AI数据中心在为她的CP努力。她的小甜文，看着就比我的文章成本贵多了。
真的如此吗？
让我们请出马克·吐温，这位大作家在自传里凡尔赛地说，他年轻时“六十天里写了20万词，平均每天能写3000多词”，即便到了69岁，他依然能“每次坐下来写四五个小时，平均能写1400词”。
算下来，他的职业生涯平均写作速度是每小时300词。按这个让我望尘莫及的速度来算，马克·吐温写300词需要1小时，他那20瓦的大脑就要烧掉20瓦时的电，这还不算上其他器官能耗和日常消耗。
但是AI写300词呢？上个月谷歌发布的报告中提到，他们的 Gemini 处理一条请求只需要0.24瓦时，差不多只要人类大脑的1%。
行吧，原来我才是那个又贵又慢的奢侈品。
当然，你可能会想：这是写文章嘛，那还有AI画画呢？并且前段时间不是刚有媒体说不要对AI说谢谢来浪费能源，现在怎么又说人类更耗能了？
的确，同样是写东西，对AI说一句“谢谢”，和让它正经写一篇创意故事，能耗就能差出9倍之多，这取决于模型调用的参数数量。简单来说，任务越复杂，能耗越大。
而画画的逻辑则又不一样，生成图片通常采用的是扩散模型，消耗的能量和输入的提示词长度无关，而是取决于生成的图片分辨率大小和扩散的步数，步数越多，质量越高，当然也就更耗能。
但算下来，使用拥有20亿参数的 Stable Diffusion 3 Medium 生成一张1024*1024分辨率的图像大约也是需要0.3瓦时，就算扩散步数到50，也就是0.6瓦时，数量级还是一致的。
这就更让人好奇了：AI的单次成本这么低吗？谷歌报告里那0.24瓦时，真的把所有成本都包含进去了吗？
为了确认这不是大公司的营销手段，我仔细阅读了一遍谷歌的报告，这份报告倒是非常翔实，把Gemini的能耗仔仔细细分成了四个部分进行统计。
首先是AI加速器的能耗。把AI模型当成一个在超级计算器上执行的程序，这部分就是每次来请求时，芯片执行程序运算所消耗的能量。AI模型使用的芯片是专门优化过的GPU或者TPU，虽然它们比普通CPU聪明，但该烧的电一度也少不了，毕竟天下没有免费的计算。
然后是CPU和DRAM的能耗，虽然AI模型通常不直接在CPU上进行计算，但是CPU得负责调度整个流程：接收问题、分配给GPU、整理答案再发回来，有点类似项目管理经理，而DRAM则是用来存储模型参数和中间计算结果的临时仓库，得随时待命，这种状态也是要烧电的。
以上两个算是常规能耗，接下来是待机消耗，用户提问的频率并不恒定，很可能凌晨3点没什么人提问，而晚上8点服务器一直繁忙。但机器必须时刻准备着，就像空驶的出租车，就算没载客也要烧油钱。谷歌把这部分的能耗也摊派了进去。
最后还有数据中心本身。服务器运行发热，冷却系统需要保证它们处于正常工作温度范围内。不间断电源能让数据中心保证永不断电，甚至连接服务器的每根网线都在偷偷吃电。整个数据中心就像一个需要24小时开空调的豪宅，电表转得飞快。
算完这些细账，谷歌的报告显示，Gemini处理一条请求需要0.24瓦时。而对比一下，ChatGPT那边报的数字是0.34瓦时。两家的数据在数量级上差不多，看来在能源价格飞涨的今天，没人会在这事上撒谎。
但等等，应该还不止。
这些数字只计算了AI回答问题的能耗，还没有算AI学习知识的成本。
训练模型确实是一次性投资，我多问一个问题，它也不会重新训练一遍，但完全不算也说不过去。考虑到AI 模型每年都会更新换代，针对一个模型的单次训练的实际寿命很可能不超过两年甚至一年，那么比较公平的做法是把训练成本平摊到1年～2年所能处理的请求上。
那么训练有多费电？
虽然谷歌对训练Gemini的耗能守口如瓶，但我们可以利用OpenAI训练GPT-4时所公布的数据进行估算。
训练GPT-4动用了25000块Nvidia A100 GPU，连续跑了大约14周。一般来说，训练使用的是8卡服务器，就是每8块GPU装进一台服务器，每两块GPU配置一个PCIe Switch，每2个PCIe Switch 配置一块CPU，再加上6块 NVSwitch、2块存储网卡等。
整台服务器的最大理论功耗TDP（thermal design power，表示一个硬件在最大理论负载下的功耗）约6500瓦。那么整个训练的服务器能耗就是6500*3125*100*24/1000=48750000 kWh（千瓦时）。
前面我们提过，数据中心还会有冷却电源等日常消耗。业内用PUE（电源使用效率）来衡量这些额外开销，简单来说就是每给服务器用1度电，整个数据中心要用几度电。
不同的数据中心PUE不同，用于AI计算的新型数据中心通常做过优化，PUE会更小，效率更高。微软的Azure West超算中心算是合适的参考标杆，它的PUE做到了1.12。那么训练一次GPT-4就是48750000*1.12=54600000（千瓦时），也就是5460万度。
5460万度电！
一个普通三口之家一个月的用电大概是200度～300度，也就是说这些电能让十万个家庭用2个月。
但先别急着惊呼，GPT-4每天收到10亿条请求，就算保守估计只用一年，那么就是3650亿次请求。
把GPT-4的训练成本平均到一年的请求量上，那么每次请求只分到0.15瓦时，加上之前的推理成本，也就是说用户朝AI说一次话，能耗成本平均是0.5瓦时的数量级。
0.5瓦时？
嗯，差不多能让一台30寸的LED显示器亮1分钟吧，或者用1000w的微波炉叮2秒钟饭盒。
这么一算，好像AI耗能就是个伪命题。单次成本如此低廉，我们几乎可以忽略不计，还有什么好担心的？我那20瓦的大脑因为想不出稿子而焦虑所消耗的能量，都比这要多。
但这正是整个时代向我们描绘的未来中最迷人，也最危险的地方。
让我们把视线拉回到19世纪的英国。当时，一位叫威廉·斯坦利·杰文斯的经济学家发现了一个奇怪的现象，当詹姆斯·瓦特改良了蒸汽机，大幅提高了烧煤的效率后，英国的煤炭总消耗量非但没有减少，反而以前所未有的速度飙升。
这就是著名的杰文斯悖论：当技术进步提高了资源利用效率时，反而会导致该资源的总消耗量增加，而不是减少。
因为蒸汽机变得更高效、更经济，它被应用到了许多从前并未涉及的领域，因此催生了需求的爆炸增长，让时代变革。
而AI领域正在惊人地重演这一幕。
以前我们使用大脑，使用计算器，使用搜索引擎与各类软件来完成工作，现在可能连回一封邮件想个朋友圈文案都懒得自己动脑。让AI写小说？真是完美印证了这个悖论，这是一种过去不存在如今却因AI的廉价而创造出的全新需求。
更可怕的是，这还仅仅只是开始。
当获取一个答案的成本不可感知时，我们就会要求无数个答案。AI这种完美乙方把每个用户都惯成了自己最讨厌的甲方“再来一版”“还是没有感觉”。
还有人沉迷于和AI的聊天甚至发疯，以前我只在科幻作品里见过这个。这还只是个人用户，企业级的AI需求则更多，AI美颜、AI长焦相机、AI生成标题等，连如今的搜索引擎都会看似贴心加一段我根本没有要求的AI总结。没办法，不加AI功能的产品没有能向投资方讲述的故事。
那么，这场由无数个“0.5瓦时”汇聚成的需求，在现实世界中究竟有多庞大？
根据国际能源机构（IEA）的报告，2024年全球所有数据中心的耗电量为415太瓦时（TWh，即1万亿度电），预计到2026年将超过1000太瓦时。但在报告中，他们其实无法准确判断有多少能耗来源于AI产业，只能通过间接的线索，即以数据中心是否采用AI加速器架构来进行估算。
2024年，有15%的数据中心采用了加速器的架构，这样算下来AI产业的能耗是约62太瓦时。这个数字正在逐年上升，即使以最保守的估计，都会在2030年增加到200太瓦时。
62太瓦时又是什么概念？
倘若我们按照之前的，Chatgpt每天处理10亿条请求，乘以365天和0.34瓦时，那么一年的能耗只有0.1太瓦时，把几个主流聊天AI的用量加起来，大概也就1太瓦时。
算上训练，全球最大的283个大模型的训练能耗加起来也不过1太瓦时，全凑出来只有2太瓦时，62太瓦时的零头。
结论只有一个：我们日常民用的AI模型只是AI产业能耗冰山上的一角。
那么，水面下那庞大的、看不见的部分是什么？
IEA的报告中无法更进一步地分析62太瓦时都被用在了什么地方，这些能耗或许被大公司用来训练新一代的AI模型，或许被小公司用来训练和运行特定的模型，抑或花在了各种没有面市的实验性模型上。我们无法精确地剖析这块冰山，但各大公司的数据和行动已经说明了一切。
谷歌的2025年环境报告显示，它2024年的能耗较上一年增加了20%，从25太瓦时增加到了32太瓦时，这之中除了Gemini，还包含了各种小型公司所使用的云计算服务。
而谷歌、微软、Meta纷纷增建数据中心和购买电厂，这本身就表明了他们对行业趋势与能源需求的判断：一个由AI引领的能源需求时代，即将来临。
所以，我们该怎么办？难道因为耗能，就回到没有AI的石器时代吗？这显然不现实。
杰文斯悖论的故事并非让我们停下脚步，而是在提醒我们：节流多半没用，人类不会甘心回到过去的苦日子，时代往前进步，靠的一定是开源。
科技巨头们比谁都清楚这一点。他们疯狂投资可再生能源，甚至自建电厂，在自己的环境年度报告中标榜绿色与低碳。
他们不是在做慈善，而是在为即将到来的巨浪修建堤坝，否则第一个被淹没的就是他们自己。
而我们能做的，是在享受便利的同时，保持一份清醒，并要求一个更透明的未来。
AI行业的能源消耗有不少数据尚未公开，因此连国际能源署对行业未来也有各种差异颇大的估算。这就像去吃一个菜单没有价格的新店，我们只管兴高采烈地点菜，却不知道最后的账单会有多惊人。
毕竟，我那20瓦的大脑虽然小气，但它至少教会了我一件事——
天下没有免费的午餐，也没有免费的答案。
鄂公网安备: