ChatGPT等大型语言模型的巨大成功推动了能源需求的增长。非营利研究公司电力研究所(Electric Power Research Institute)发布的报告显示，每条ChatGPT请求需要2.9瓦时，人工智能查询所需的电量约为传统谷歌查询的10倍。音频和视频生成等新兴人工智能功能可能会增加这种能源需求。

在整个人工智能行业中，不断增长的能源需求（主要来自于构建和运行用于训练和操作人工智能模型的数据中心）正在导致全球温室气体排放增加。

微软作为ChatGPT开发商OpenAI的投资者之一，将生成式人工智能工具定位为其产品的核心。该公司最近声明，由于数据中心扩张，其二氧化碳排放量自2020年以来增加了近30%。谷歌2023年的温室气体排放量则比2019年高出几乎50%，这主要是来自与数据中心相关的能源需求。

因此，虽然人工智能工具有望帮助能源转型，但它们也需要强大的计算能力来支撑。

是什么推动了人工智能的能源需求？

目前，人工智能的能源消耗仅占科技行业电力消耗的一小部分，估计占全球总排放量的2%～3%左右。随着越来越多的企业、政府和组织使用人工智能来提高效率和生产力，这种情况可能会有所改变。如下图所示，数据中心已经成为许多地区电力需求增长的重要驱动力。

人工智能需要大量计算能力，而生成式人工智能系统完成一项任务所需的能量，可能已经是专门针对某一任务的软件的33倍。

随着人工智能的普及并进一步发展，训练和运行这些模型将推动全球数据中心数量及相关能源消耗的指数级增长。这将给本已紧张的电网带来越来越大的压力。

生成式人工智能模型训练的耗能尤其高，比传统数据中心活动消耗的电量要多得多。正如一位人工智能研究人员所说：“人工智能模型到了部署阶段时，更是必须始终保持开机状态。ChatGPT就从来不会关机。”

像构建ChatGPT所用的大型语言模型，其复杂程度正不断增长，也侧面印证了人工智能对能源的需求正不断增加。据估计，训练一个像GPT-3这样的模型将耗费近1300兆瓦时（MWh）的电力。这大致相当于美国130户家庭一年的用电量。而训练更先进的GPT-4，其耗电量估计是GPT-3的50倍。总体而言，维持人工智能增长所需的计算能力大约每100天翻一番。

人工智能行业该如何提高能源效率？

这让社会不得不思考一些棘手的问题。人工智能的经济和社会效益是否大于使用其带来的环境成本？更具体地说，人工智能对能源转型的好处是否大于其增加的能源消耗？

找到挑战和机遇之间的最佳平衡点将是关键。

报告预测，到2030年，人工智能有潜力帮助减少5%～10%的全球温室气体排放。那么，怎样才能达到这一平衡呢？

包括欧洲议会在内的监管机构开始制定要求，要求人工智能系统具有记录能源消耗的能力。技术的进步也可以帮助解决人工智能的能耗问题，更先进的硬件和处理能力有望提高人工智能工作的效率。

研究人员正在设计专用硬件，例如新的加速器、性能大幅提升的3D芯片，以及新的芯片冷却技术。芯片制造商Nvidia声称，其新型“超级芯片”在运行生成式人工智能服务时，可将性能提升30倍，同时能耗降低25倍。

数据中心也变得越来越高效。为了进一步提高效率，人们正在探索新的冷却技术，并选择那些能够在电力更便宜、供应更多且更可持续时执行更多计算的站点。

此外，减少整体数据使用也将是关键，包括要解决暗数据问题，即生成并存储但从未再次使用过的数据。同时，针对特定任务使用资源需求较少的小型语言模型，也会有所帮助。在性能、成本和人工智能工作负载的碳足迹之间找到更好的平衡将是关键。

人工智能对电网有何影响？

人工智能并不是给电网带来压力的唯一因素。人口增长和电气化趋势带来的能源需求都可能会导致电网脱碳速度变慢。

然而，要实现经济活动的净零排放，电网的清洁、现代化和脱碳至关重要。

数据中心运营商正在探索替代能源方案，例如利用核技术为站点供电或使用氢气等储能技术。企业也在投资新兴技术，例如碳去除，用于从空气中吸收二氧化碳并将其安全储存。

人工智能还可以帮助克服将大量可再生能源整合到现有电网中的障碍。

可再生能源发电量不稳定，经常导致高峰时段发电量过剩，低谷时段发电量不足，从而造成能源浪费和电网不稳定。通过分析从天气模式和能源消耗趋势等大量数据，人工智能可以非常准确地预测发电量。

这有助于实现作业调度和负载转移，确保数据中心在有可再生能源电力供应时使用能源，从而确保最佳的电网稳定性和效率，并提供全天候的清洁电力。

从建筑建模到预测能源使用、优化供暖和空调性能，再到通过预测性维护提高制造业效率，人工智能还在帮助其他高碳排行业提升能源效率。在农业领域，传感器和卫星图像正在帮助预测作物产量和管理资源。

要平衡人工智能的能耗和排放与其社会效益，需要解决许多复杂且相互关联的挑战，这需要多边利益相关方的共同努力。