科技日?qǐng)?bào)記者 張佳欣

在美國(guó)弗吉尼亞州的卡爾佩珀縣，牛的數(shù)量幾乎是人口數(shù)量的3倍，空氣中彌漫著干草和糞肥的氣味。這里的大農(nóng)場(chǎng)大多數(shù)仍由家庭經(jīng)營(yíng)，廣袤的森林與田園風(fēng)光交相輝映。然而，這片寧?kù)o的鄉(xiāng)村正經(jīng)歷著21世紀(jì)的巨變。

過(guò)去幾年，為支持生成式人工智能（AI）的發(fā)展，該縣批準(zhǔn)了7個(gè)大型數(shù)據(jù)中心的建設(shè)項(xiàng)目。這些數(shù)據(jù)中心將為AI模型訓(xùn)練和全球海量查詢(xún)提供支持，但也面臨巨大的能源消耗問(wèn)題。每個(gè)數(shù)據(jù)中心的用電量堪比數(shù)萬(wàn)戶(hù)家庭用電量，不僅推高了居民用電成本，還對(duì)電網(wǎng)造成很大壓力。

生成式AI比傳統(tǒng)AI耗能更多，促使科技公司投入巨資擴(kuò)建數(shù)據(jù)中心。但是，這些公司在AI能耗方面缺乏透明度，使得研究人員難以準(zhǔn)確評(píng)估其影響。英國(guó)《自然》雜志報(bào)道稱(chēng)，不少研究人員試圖通過(guò)各種方法來(lái)探索AI的實(shí)際能源需求。

基于市場(chǎng)實(shí)施估算

荷蘭阿姆斯特丹自由大學(xué)研究員、Digiconomist公司創(chuàng)始人亞歷克斯·德弗里斯，利用基于供應(yīng)鏈或市場(chǎng)的估算方法研究了英偉達(dá)一款服務(wù)器的功耗，并據(jù)此推算出其一年的能耗。然后，他根據(jù)特定任務(wù)所需此類(lèi)服務(wù)器總數(shù)來(lái)進(jìn)行估計(jì)。

德弗里斯估算了谷歌搜索使用生成式AI所需的能源。如果將類(lèi)似ChatGPT的AI整合到谷歌搜索中，將需要40萬(wàn)至50萬(wàn)臺(tái)英偉達(dá)A100服務(wù)器，這些服務(wù)器每年耗電量將達(dá)230億至290億千瓦時(shí)。預(yù)計(jì)谷歌每天處理多達(dá)90億次搜索，通過(guò)AI服務(wù)器進(jìn)行的每次搜索請(qǐng)求需要7至9瓦時(shí)的能源。據(jù)谷歌2009年的一篇博客文章中的數(shù)據(jù)，這比普通搜索的能耗高出23倍至30倍。

這種估算方法雖然直觀，卻忽略了算力成本下降趨勢(shì)。過(guò)去5年AI訓(xùn)練成本已下降了80%，芯片能效每年提升35%。

美國(guó)能源分析公司SemiAnalysis表示，評(píng)估生成式AI能耗的最佳方法仍然是監(jiān)測(cè)服務(wù)器的發(fā)貨量及其電力需求。

自下而上進(jìn)行實(shí)測(cè)

更精確的自下而上測(cè)量法正在興起。這種測(cè)試方法的理念是，用戶(hù)提交一個(gè)提示，例如生成圖像的請(qǐng)求或文本聊天請(qǐng)求，運(yùn)行結(jié)束后，它會(huì)估算出用戶(hù)所使用的硬件消耗了多少能源。

研究人員發(fā)現(xiàn)，不同的任務(wù)需要不同的電力。平均而言，根據(jù)文本提示生成圖像消耗約0.5瓦時(shí)的電力，而生成文本則略少。相比之下，現(xiàn)代智能手機(jī)充滿電可能需要22瓦時(shí)。

但這種方法也存在先天局限。比如，谷歌的張量處理單元等專(zhuān)有芯片的能耗數(shù)據(jù)仍被鎖在“黑箱”之中。

預(yù)測(cè)存在不確定性

國(guó)際能源署估計(jì)，2022年，數(shù)據(jù)中心的用電量為240太瓦時(shí)至340太瓦時(shí)，占全球需求的1%—1.3%。但隨著生成式AI的普及，這一數(shù)字可能進(jìn)一步上升。然而，相比于全球電力需求預(yù)計(jì)到2050年增長(zhǎng)80%以上的趨勢(shì)，數(shù)據(jù)中心的能耗占比仍相對(duì)較小。

不過(guò)，《自然》雜志指出，AI對(duì)能源的影響在地方和區(qū)域?qū)用鎸⒆顬閲?yán)重。以美國(guó)弗吉尼亞州為例，數(shù)據(jù)中心已占該州電力消耗的4.4%，預(yù)計(jì)到2028年可能翻倍甚至翻3倍，達(dá)到總用電量的7%至12%。該州的電力基礎(chǔ)設(shè)施正面臨巨大壓力，部分?jǐn)?shù)據(jù)中心項(xiàng)目因供電不足而被迫延期。

那么，AI的電力需求會(huì)下降嗎？這一問(wèn)題目前似乎還難以回答。

獨(dú)立研究員喬納森·庫(kù)米指出，許多預(yù)測(cè)基于簡(jiǎn)單假設(shè)，且科技公司可能夸大需求。因此，AI能耗預(yù)測(cè)的難點(diǎn)在于其不確定性。

此外，AI技術(shù)進(jìn)步也可能引發(fā)“杰文斯悖論”，即效率的提升并不必然導(dǎo)致資源消耗的減少，反而可能因?yàn)槌杀窘档秃蛻?yīng)用范圍擴(kuò)大，刺激需求增長(zhǎng)，最終導(dǎo)致資源消耗總量增加。

未來(lái)的解決方案需要跨越技術(shù)、政策和倫理的多維創(chuàng)新。或許卡爾佩珀縣的牧民們能給出啟示：就像他們世代遵循的輪牧制度，讓土地休養(yǎng)生息。數(shù)字文明也需要建立“能源輪牧”機(jī)制，即在算力擴(kuò)張與電網(wǎng)承載力之間找到動(dòng)態(tài)平衡，而這也是亟待解決的全球性問(wèn)題。