AI 的尽头与能源紧密相连。若仅从计算角度看，能源需求会呈现巨大缺口，甚至需要多颗行星的能源来支撑高强度计算。
近期关于顶尖计算领域领军人物的演讲，被大量传播。核心观点是：提升计算效率并降低能源消耗，是推动算力发展的关键；若计算速度无法显著提升，能源需求将成为难以承受的负担。
业内人士也指出，未来人工智能的能源突破至关重要，因为电力消耗将超出人们的预期。对未来而言，核聚变与更便宜的太阳能与储能，将成为人工智能发展的重要方向。
有公开信息显示，个人也在为相关技术投资，推动能源与计算的协同发展。
行业领军人物也曾明确表示：在芯片与算力需求增加的背景下，电力供应的稳定性显得尤为关键，若出现能源短缺，计算资源的供给将受到直接影响。
AI 的高耗能已成为不争的事实，数据中心和超算中心的能源消耗规模庞大。全球的电力基础设施参差不齐，能源结构的转型虽在推进，但覆盖范围仍有限。
从全球视角看，电力驱动的现代工业革命尚未全面落地，许多地区仍无法获得稳定的电力供应，更无需说普及家电使用。
与此同时，光伏、锂电、风能等新能源链条，同样需要传统能源作为支撑。若缺乏煤炭、石油、天然气等底座，所谓的“清洁能源”就会显现出局限性。
因此，AI 的尽头最终会回到发电与能源这一根本问题，这并非段子，而是现实。
吞电巨兽
算力的增长伴随着对能源需求的快速上升，这一趋势在全球层面持续显现。
近期，一款国产大模型再度引发关注。AI 助手 kiMi 支持上传多种文档并提炼核心要点，能够处理的无损上下文长度从 20 万汉字提升至 200 万字，等于一次性读完《甄嬛传》并回答剧中细节，像是经过多次观看后的深度研究者。
由于访问量激增，KiMi 的应用端曾多次出现拥堵并因此扩容。
超长文本处理能力与访问量的持续增长，进一步放大了对算力资源的需求。在相关报道中，有关全球互联网应用的日常电力消耗被提到：ChatGPT 一日耗电量或超过 50 万千瓦时，相当于美国家庭用电量的数万倍；另有预测称，2030 年 AI 的用电量将超过家庭用电量。
这并非空洞的说辞，芯片性能的提升、服务器布局、数据中心建设、网络传输等基础设施的配套，甚至服务器散热的温控系统都需要大量电力支撑。
伴随性能提升，英伟达等厂商的功耗也在显著上升。从早期的 250W 到如今更高的功耗水平，相应的配套能源消耗也在同步增长。
在大模型正式推出前，训练阶段的能耗同样惊人。研究显示，GPT-3 的训练耗电量约为 1287 MWh，而 GPT-4 的耗电量在 51773–62319 MWh之间，后者约为前者的 40 倍以上。
若将 AI 高强度计算与搜索等日常应用结合，全球层面的电力需求会进一步攀升。某些预测指出，若所有搜索都融入 AI 技术，年耗电量可能达到数十亿千瓦时，超过多国的年度用电量。
除了电力，水资源、天然气、供暖与制冷等能源指标也在同步上升。相关研究指出，AI 大模型对用水量有显著提升，能源与热能等资源的综合消耗也在增加。
写在最后
重新评估传统能源在现代科技变革中的作用，或是对快速推进新能源转型的一种修正。传统能源在历史上推动了科技进步，而某些“清洁能源”若未能实现真正的全面清洁，也可能带来新的环境与能源挑战。
欧洲在能源转型路径中强调避免倒退至高污染的化石燃料，而全球层面也有声音呼吁让能源贫困国家以清洁与有效的方式开发与利用自然资源，以实现真正的公平与可持续发展。
