【導語】當搜索查資料逐漸被問AI取代，你是否好奇過：AI每敲下一段回答消耗多少能量？人腦這個“生物計算機”與AI“矽基大腦”相比，誰處理信息的能耗更高效？答案可能顛覆認知——AI輸出背後藏著驚人能量流動，而進化數百萬年的大腦，或許藏著最節能(néng)的(de)生(shēng)存(cún)智(zhì)慧(huì)。今(jīn)天(tiān)，就(jiù)讓(ràng)我(wǒ)們(men)跟(gēn)著作者算算這筆“智能賬”。

你最近是習慣點開搜索框查資料，還是隨手問 AI 要答案？

當糖心免费视频習慣事事問 AI ，你有沒有想過這幾個問題：AI 每敲下一段回答，大概會消耗多少能量？以及如果把人腦比作“生物計算機”，和 AI 的“矽基大腦”比起來，到底誰處理信息的能耗更高效？

答案可能會顛覆你對“智能”的固有認知——AI 每一次輸出的背後，都藏著遠超想象的能量流動；而大腦——這個進化了數百萬年的“生物 CPU”，或許正藏著最節能的生存智慧。

今天這篇文章，讓糖心免费视频跟著作者抽絲剝繭，好好算算這筆“智能賬”。

本文共 4800 多字

閱讀需要 13 分鍾

 1 

眾所周知，我的大腦是個小氣鬼。

雖然它已經是我的身體中耗能最高的器官，霸占了我 20%的日常能量消耗，但功率也不過 16 瓦左右。即使截稿日迫在眉睫，它也不肯提高一點功率來幫幫忙。

我對著屏幕苦思冥想，想給自己的拙劣稿子寫出(chū)點精彩的開頭，它仍然無動於衷，甚至嘲笑我：

拚盡全力？那好吧，你給我一杯拿鐵，我加到 20 瓦。沒有更多了，這是 5.4 億年進化賦予這個古怪器官的功率上限。就像你的台燈，調到最亮也就那樣。

而我麵前這台風扇正在嗚嗚叫的筆記本電腦，正在以 115 瓦的功率陪我一起發呆。光是開著這個幾近空白的文檔，它用的能源就是我大腦的 10 多倍。

加上路由器、空調、冰箱。

我坐在這堆電器中間，隻(zhǐ)為(wèi)了(le)寫(xiě)出(chū)一(yī)句(jù)“眾(zhòng)所(suǒ)周(zhōu)知(zhī)，我(wǒ)的(de)大(dà)腦(nǎo)是(shì)個(gè)小(xiǎo)氣(qì)鬼(guǐ)。”

圖(tú)源(yuán)：GIPHY

與(yǔ)此(cǐ)同(tóng)時(shí)，我(wǒ)的朋友發來了 AI 給她寫的小說。3 分鍾，AI 就給她的冷門 CP 寫了一整篇小甜文。這 3 分鍾的背後，是功率可能高達 100 兆瓦的 AI 數據(jù)中(zhōng)心(xīn)在(zài)為(wèi)她(tā)的(de) CP 努(nǔ)力(lì)。她(tā)的(de)小(xiǎo)甜(tián)文，看(kàn)著(zhe)就(jiù)比(bǐ)我(wǒ)的(de)文章(zhāng)成(chéng)本(běn)貴(guì)多(duō)了(le)。

真(zhēn)的(de)如(rú)此(cǐ)嗎(ma)？

讓(ràng)我(wǒ)們(men)請(qǐng)出(chū)馬(mǎ)克(kè)吐(tǔ)溫(wēn)，這(zhè)位(wèi)大(dà)作(zuò)家在自傳裏凡爾賽地說，他年輕時“六十天裏寫了 20 萬詞，平均每天能寫 3000 多詞”，即便到了 69 歲，他依然能“每次坐下來寫四五個小時，平均能寫 1400 詞”。

算下來，他的職業生涯平均寫作速度是每小時 300 詞。按這個讓我望塵莫及的速度來算，馬克吐溫寫 300 詞需要 1 小時，他那 20 瓦的大腦就要燒掉 20 瓦時的電，這還不算上其他器官能耗和日常消耗。

但是 AI 寫 300 詞呢？上個月穀歌發布的報告中提到，他們的 Gemini 處理一條請求隻需要 0.24 瓦時，差不多隻要人類大腦的 1%。

行吧，原來我才是那個又貴又慢的奢侈品。

圖源：GIPHY

 2 

當然，你可能會想：這是寫文章嘛，那還有 AI 畫畫呢？並且前段時間不是剛有媒體說不要對 AI 說謝謝來浪費能源，現在怎麽又說人類更耗能了？

的確，同樣是寫東西，對 AI 說一句“謝謝”，和讓它正經寫一篇創意故事，能耗就能差出 9 倍之多，這(zhè)取(qǔ)決(jué)於(yú)模(mó)型(xíng)調(diào)用(yòng)的(de)參(cān)數(shù)數(shù)量(liàng)。簡(jiǎn)單(dān)來(lái)說(shuō)，任(rèn)務(wu)越(yuè)複(fù)雜(zá)，能(néng)耗(hào)越(yuè)大(dà)。

而(ér)畫(huà)畫(huà)的(de)邏(luó)輯(ji)則(zé)又(yòu)不一樣，生成圖片通常采用的是擴散模型，消耗的能量和輸入的提示詞長度無關，而是取決於生成的圖片分辨率大小和擴散的步數，步數越多，質量越高，當然也就更耗能。

但算下來，使用擁有 20 億參數的 Stable Diffusion 3 Medium 生成一張 1024*1024 分辨率的圖像大約也是需要 0.3 瓦時，就算擴散步數到 50，也就是 0.6 瓦時，數量級還是一致的。

這就更讓人好奇了：AI 的單次成本這麽低嗎？穀歌報告裏那 0.24 瓦時，真的把所有成本都包含進去了嗎？

圖源：GIPHY

為了確認這不是大公司的營銷手段，我仔細閱讀了一遍穀歌的報告，這份報告倒是非常翔實，把 Gemini 的能耗仔仔細細分成了四個部分進行統計。

首先是 AI 加速器的能耗。把 AI 模型當成一個在超級計算器上執行的程序，這部分就是每次來請求時，芯片執行程序運算所消耗的能量。AI 模型使用的芯片是專門優化過的 GPU 或者 TPU，雖然它們比普通 CPU 聰明，但該燒的電一度也少不了，畢竟天下沒有免費的計算。

然後是 CPU 和 DRAM 的能耗，雖然 AI 模型通常不直接在 CPU 上進行計算，但是 CPU 得負責調度整個流程：接收問題、分配給 GPU、整理答案再發回來，有點類似項目管理經理，而 DRAM 則是用來存儲模型參數和中間計算結果的臨時倉庫(kù)，得(de)隨(suí)時(shí)待(dài)命(mìng)，這(zhè)種(zhǒng)狀(zhuàng)態(tài)也(yě)都(dōu)是(shì)要(yào)燒(shāo)電(diàn)的(de)。

以(yǐ)上(shàng)兩(liǎng)個(gè)算(suàn)是(shì)常(cháng)規(guī)能(néng)耗(hào)，接(jiē)下(xià)來(lái)是(shì)待(dài)機(jī)消(xiāo)耗(hào)，用戶提問的頻率並不恒定，很可能淩晨 3 點沒什麽人提問，而晚上 8 點服務器一直繁忙。但機器必須時刻準備著，就像空駛的出租車，就算沒載客也要燒油錢。穀歌把這部分的能耗也攤派了進去。

最後還有數據中心本身。服務器運行發熱，冷卻係統需要保證它們處於正常工作溫度範圍內。不間斷電源能讓數據中心保證永不斷電，甚至連接服務器的每根網線都在偷偷吃電。整個數據中心就像一個需要 24 小時開空調的豪宅，電表轉得飛快。

算完這些細賬，穀歌的報告顯示，Gemini 處理一條請求需要 0.24 瓦時。而對比一下，ChatGPT 那邊報的數字是 0.34 瓦時。兩家的數據在數量級上差不多，看來在能源價格飛漲的今天，沒人會在這事上撒謊。

但等等，應該還不止。

這些數字隻計算了 AI 回答問題的能耗，還沒有算 AI 學習知識的成本。

 3 

訓練模型確實是一次性投資，我多問一個問題，它也不會重新訓練一遍，但完全不算也說不過去。考慮到 AI 模型每年都會更新換代，針對一個模型的單次訓練的實際壽命很可能不超過兩年甚至一年，那麽比較公平的做法是把訓練成本平攤到 1~2 年所能處理的請求上。

那麽訓練有多費電？

雖然(rán)穀(gǔ)歌(gē)對(duì)訓(xun)練(liàn) Gemini 的(de)耗(hào)能(néng)守(shǒu)口(kǒu)如(rú)瓶(píng)，但糖心免费视频可以利用 OpenAI 訓練 GPT-4 時所公布的數據進行估算。

訓練 GPT-4 動用了 25000 塊 Nvidia A100 GPU，連續跑了大約 14 周。一般來說，訓練使用的是 8 卡服務器，就是每 8 塊 GPU 裝進一台服務器，每兩塊 GPU 配置一個 PCIe Switch，每 2 個 PCIe Switch 配置一塊 CPU，再加上 6 塊 NVSwitch、2 塊存儲網卡等。

整台服務器的最大理論功耗 TDP（thermal design power，表示一個硬件在最大理論負載下的功耗）約 6500 瓦。那麽整個訓練的服務器能耗就是 6500*3125*100*24/1000=48750000 kWh（千瓦時）。

前麵糖心免费视频提過，數據中心還會有冷卻電源等日常消耗。業內用 PUE（電源使用效率）來衡量這些額外開銷，簡單來說就是每給服務器用 1 度電，整個數據中心要用幾度電。

不同的數據中心 PUE 不同，用於 AI 計算的新型數據中心通常做過優化，PUE 會更小，效率更高。微軟的 Azure West 超算中心算是合適的參考標杆，它的 PUE 做到了 1.12。那麽訓練一次 GPT-4 就是 48750000*1.12=54600000（千瓦時），也就是 5460 萬度。

5460 萬度電！

一個普通三口之家一個月的用電大概是 200~300 度左右，也就是說這些電能讓十萬個家庭用 2 個月。

圖源：GIPHY

但先別急著驚呼，GPT-4 每天收到 10 億條請求，就算保守估計隻用一年，那麽就是 3650 億次請求。

把 GPT-4 的訓練成本平均到一年的請求量上，那麽每次請求隻分到 0.15 瓦時，加上之前的推理成本，也就是說用戶朝 AI 說一次話，能耗成本平均是 0.5 瓦時的數量級。

0.5 瓦時？

嗯，差不多能讓一台 30 寸的 LED 顯示器亮 1 分鍾吧，或者用 1000w 的微波爐叮 2 秒鍾飯盒。

這麽一(yī)算(suàn)，好(hǎo)像(xiàng) AI 耗(hào)能(néng)就(jiù)是(shì)個(gè)偽(wěi)命(mìng)題(tí)。單(dān)次(cì)成(chéng)本(běn)如(rú)此(cǐ)低(dī)廉(lián)，我(wǒ)們(men)幾(jǐ)乎(hu)可(kě)以(yǐ)忽(hū)略(è)不(bù)計(jì)，還(hái)有什麽好擔心的？我那 20 瓦的大腦因為想不出稿子而焦慮所消耗的能量，都比這要多。

但這正是整個時代向糖心免费视频描繪的未來中最迷人，也最危險的地方。

 4 

讓糖心免费视频把視線拉回到 19 世紀的英國。當時，一位叫威廉·斯坦利·傑文斯的經濟學家發現了一個奇怪的現象，當詹姆斯·瓦特改良了蒸汽機，大幅提高了燒煤的效率後，英國的煤炭總消耗量非但沒有減少，反而以前所未有的速度飆升。

這就是著名的傑文斯悖論：當技術進步提高了資源利用效率時，反而會導致該資源的總消耗量增加，而不是減少。

因為蒸汽機變得更高效、更經濟，它被應用到了許多從前並未涉及的領域，因此催生了需求的爆炸增長，讓時代變革。

而 AI 領域正在驚人地重演這一幕。

以前糖心免费视频使用大腦，使用計算器，使用搜索引擎與各類軟件來完成工作，現在可能連回一封郵件想個朋友圈文案都懶得自己動腦。讓 AI 寫小說？真是完美印證了這個悖論，這是一種過去不存在如今卻因 AI 的廉價而創造出的全新需求。

更可怕的是，這還僅僅隻是開始。

當獲取一個答案的成本不可感知時，糖心免费视频就會要求無數個答案。AI 這種完美乙方把每個用戶都慣成了自己最討厭的甲方“再來一版”“還是沒有感覺”。

還有人沉迷於和 AI 的聊天甚至發瘋，以前我隻在科幻作品裏見過這個。這還隻是個人用戶，企業級的 AI 需求則更多，AI 美顏、AI 長焦相機、AI 生成標題等，連如今的搜索引擎都會看似貼心加一段我根本沒有要求的 AI 總結。沒辦法，不加 AI 功能的糖心APP官网进入沒有能向投資方講述的故事。

那麽，這場由無數個“0.5 瓦時”匯聚成的需求，在現實世界中究竟有多龐大？

根據國際能源機構（IEA）的報告，2024 年全球所有數據中心的耗電量為 415 太瓦時（TWh，即 1 萬億度電），預計到 2026 年將超過 1000 太瓦時。但在報告中，他們其實無法準確判斷有多少能耗來源於 AI 產業，隻能通過間接的線索，即以數據中心是否采用 AI 加速器架構來進行估算。

2024 年，有 15%的數據中心采用了加速器的架構，這樣算下來 AI 產業的能耗是約 62 太瓦時。這個數字正在逐年上升，即使以最保守的估計，都會在 2030 年增加到 200 太瓦時。

圖源：參考資料

62 太瓦時又是什麽概念？

倘若糖心免费视频按照之前的，Chatgpt 每天處理 10 億條請求，乘以 365 天和 0.34 瓦時，那麽一年的能耗隻有 0.1 太瓦時，把幾個主流聊天 AI 的用量加起來，大概也就 1 太瓦時。

算上訓練，全球最大的 283 個大模型的訓練能耗加起來也不過 1 太瓦時，全湊出來隻有全湊出來隻有 2 太瓦時，62 太瓦時的零頭。

結論隻有一個：糖心免费视频日常民用的 AI 模型隻是 AI 產業能耗冰山上的一角。

那麽，水麵下那龐大的、看不見的部分是什麽？

IEA 的報告中無法更進一步地分析 62 太瓦時都被用在了什麽地方，這些能耗或許被大公司用來訓練新一代的 AI 模型，或許被小公司用來訓練和運行特定的模型，抑或是花在了各種沒有麵市的實驗性模型上。糖心免费视频無法精確地剖析這塊冰山，但各大公司的數據和行動已經說明了一切。

穀歌的 2025 年環境報告顯示，它 2024 年的能耗較上一年增加了 20%，從 25 太瓦時增加到了 32 太瓦時，這之中除了 Gemini，還包含了各種小型公司所使用的雲計算服務。

而穀歌、微軟、Meta 紛紛增建數據中心和購買電廠，這本身就表明了他們對行業趨勢與能源需求的判斷：一個由 AI 引領的能源需求時代，即將來臨。

所以，糖心免费视频該怎麽辦？難道因為耗能，就回到沒有 AI 的石器時代嗎？這顯然不現實。

傑文斯悖論的故事並非讓糖心免费视频停下腳步，而是在提醒(xǐng)我(wǒ)們(men)：節(jié)流(liú)多(duō)半(bàn)沒(méi)用(yòng)，人(rén)類(lèi)不(bù)會(huì)甘(gān)心(xīn)回(huí)到(dào)過(guò)去(qù)的(de)苦(kǔ)日(rì)子(zi)，時(shí)代(dài)往(wǎng)前(qián)進(jìn)步(bù)，靠(kào)的(de)一(yī)定(dìng)是(shì)開(kāi)源(yuán)。

科(kē)技(jì)巨(jù)頭(tóu)們(men)比(bǐ)誰(shuí)都(dōu)清(qīng)楚(chu)這(zhè)一(yī)點(diǎn)。他(tā)們(men)瘋(fēng)狂(kuáng)投(tóu)資(zī)可再生能源，甚至自建電廠，在自己的環境年度報告中標榜綠色與低碳。

他們不是在做慈善，而是在為即將到來的巨浪修建堤壩，否則第一個被淹沒的就是他們自己。

而糖心免费视频能做的，是在享受便利的同時，保持一份清醒，並要求一個更透明的未來。

AI 行業的能源消耗有不少數據尚未公開，因此連國際能源署對行業未來也有各種差異頗大的估算。這就像去吃一個菜單沒有價格的新店，糖心免费视频隻管興高采烈地點菜，卻不知道最後的賬單會有多驚人。

畢竟，我那 20 瓦的大腦雖然小氣，但它至少教會了我一件事——

天下沒有免費的午餐，也沒有免費的答案。

參考文獻

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

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

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

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

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

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

本文為·創作培育計劃扶持作品

出品丨中國科協科普部

監製丨中國科學技術出版社有限公司、北京中科星河文化傳媒有限公司

作者丨antares 計算機圖形學碩士、遊戲行業從業者、科普作家

審核丨於暘 騰訊玄武實驗室負責人