同样写下 300 字，你猜 AI 和人脑，谁消耗的能量多？答案太颠覆……

（来源：科普中国）

转自：科普中国

1

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 瓦左右。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。

2

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，这种状态也都是要烧电的。

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。

3

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 1~2 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 200~300 度左右，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。

4

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，抑或是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。

参考文献

[1] Black R W, Donald J. Patterson & Andrew W. Torrance. The carbon emissions of writing and illustrating are lower for AI than for humans[J]. Scientific Reports, 14 February 2024.

[2] James O'Donnell, Crownhart C. We did the math on AI’s energy footprint. Here’s the story you haven’t heard.[J]. , May 20, 2025.

[3] https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117

[4] https://mit-genai.pubpub.org/pub/8ulgrckc/release/2

[5] https://www.gstatic.com/gumdrop/sustainability/google-2025-environmental-report.pdf

[6] https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference

[7] https://azure.microsoft.com/en-us/blog/how-microsoft-measures-datacenter-water-and-energy-use-to-improve-azure-cloud-sustainability/

[8] https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai