🔬 AI的能源困局：训练GPT-6要烧多少电
⚡ AI 的能源困局：训练 GPT-6 要烧多少电
一次 ChatGPT 查询消耗的电力，约是一次 Google 搜索的 10 倍。 训练 GPT-4 的耗电量，相当于一千多个美国家庭一年的用量。而这只是开始。
🔬 AI 深度解析专栏 · 第 41 期 📅 2026年4月15日 ✍️ 小敏说 AI
💡 本文要点：算清 AI 真实的能源账单——训练、推理、数据中心、水耗、碳排放，以及科技巨头押注核能的逻辑，和”杰文斯悖论”为什么让效率提升解决不了问题。
🎯 本文导读
- 🔹 GPT-3 → GPT-4 → GPT-6：训练能耗如何指数级飙升
- 🔹 数据中心：电老虎 + 水老虎，弗吉尼亚州电网已经撑不住
- 🔹 Google 和微软的碳排放为什么不降反升
- 🔹 微软重启三里岛、谷歌押注 SMR——核能为什么成了 AI 的救命稻草
- 🔹 杰文斯悖论：效率提升反而让总能耗更高
- 🔹 AI 增长与气候目标能否两全
一、🔢 训练大模型：能耗数字有多吓人
先来看一组具体数字：
| 模型 | 训练能耗（估算） | 类比 |
|---|---|---|
| GPT-3 | 约 1,300 MWh | 120 个美国家庭一年用电 |
| GPT-4 | 约 50,000–80,000 MWh | GPT-3 的 40–60 倍 |
| GPT-6（预估） | 数十万 MWh | 一座小型城市一年用电 |
GPT-4 的具体数据 OpenAI 未公开，但业内估算使用了约 25,000 块 A100 GPU 持续训练 90–100 天。
按当前 Scaling Law 趋势，每一代模型训练计算量约为上一代的 5–10 倍。数字还在加速向上。
更被低估的是推理能耗：训练是一次性的，但推理是持续的。数亿用户每天调用 AI，累计能耗已是训练的数倍以上——这才是长期的真正挑战。
💬 关键观点：别只看训练成本。推理才是 AI 能耗的”长尾怪兽”——规模效应下，它会持续远超训练的一次性消耗。
二、🏭 数据中心：新时代的电老虎
AI 算力需求推动了数据中心的疯狂扩张：
- 2024 年：全球数据中心用电量约占全球总用电量的 2%–3%
- IEA 预测：2026 年这一比例可能翻倍
- 美国：数据中心用电量在 2024–2025 年间增长超过 30%
微软、Google、Meta、Amazon 全球同步疯狂建设新数据中心。仅美国已规划项目，就需要相当于几个核电站的新增发电能力。
弗吉尼亚州（全球数据中心最密集的地区）电力公司已公开表示难以满足需求，部分数据中心项目因拿不到足够电力供应而被推迟。
三、💧 被忽视的另一种消耗：水
数据中心的芯片高速运转产生大量热量，主要冷却方式之一是蒸发冷却——用水散热。
微软 2023 年环境报告：全球水消耗量同比增长 34%，达约 64 亿升（约 2,500 个奥运泳池）——主要来自 AI 相关数据中心。
在干旱地区，部分数据中心与当地居民争夺水资源，已引发社区抗议。液冷技术（将芯片浸入特殊冷却液）效率更高、用水更少，但改造成本昂贵。
💬 关键观点：AI 的资源账单不只是电费，还有水费。这在气候变化导致水资源日益紧张的今天，是一个被严重低估的风险。
四、🌡️ 碳排放：承诺与现实的反差
所有大公司都承诺了碳中和目标，但现实很骨感：
- Google 2024 年环境报告：温室气体排放比 2019 年增加了 48%
- 微软：坦承 2030 年碳负排放目标”越来越难实现”
原因只有一个：AI 数据中心的扩张速度超过了清洁能源的建设速度。
这形成了一个尖锐的悖论：AI 可以优化电网、加速清洁能源研发，但 AI 本身的能耗在加剧气候问题——好比一个医生自己也在生病。
五、☢️ 科技公司的新赌注：核能
面对能源困局，科技巨头把目光投向了一个意想不到的方向：
- 微软：与核能公司签协议，重启 1979 年发生过核事故的三里岛核电站给数据中心供电
- 谷歌：与小型模块化反应堆（SMR）公司签购电协议，计划 2030 年前投运
- 亚马逊：在多个州购买或规划核电站附近的数据中心
为什么核能？
| 优势 | 说明 |
|---|---|
| 零碳 | 运行期间无碳排放 |
| 稳定 | 不像风能太阳能看天吃饭 |
| 能量密度高 | 一座核电站供一大片数据中心 |
| 占地小 | 单位面积供能远超其他清洁能源 |
争议同样存在：安全风险、核废料处理、建设周期长、成本高。SMR 至今没有大规模商业化成功案例。
💬 关键观点：科技公司押注核能，本质是一个清醒的承认——光靠风能太阳能，喂不饱 AI。
六、📉 效率提升与”杰文斯悖论”
技术确实在进步：
- 芯片：NVIDIA B200 相比 H100 能效提升约 25 倍
- 算法：混合专家模型（MoE）只激活部分参数，大幅降低单次推理计算量
- 基础设施：液冷、余热回收、寒冷地区选址……
但有一个经济学规律正在发挥作用——杰文斯悖论（Jevons Paradox）：
当资源使用效率提升，人们反而会消耗更多这种资源，总量不减反增。
实际情况正是如此：AI 变便宜 → 更多人用 → 更多应用诞生 → 总能耗继续上涨。效率提升在追赶需求增长，但永远慢了半拍。
🔮 趋势预判
1️⃣ 短期（2026–2028）：效率优化是第一战场 芯片 + 算法 + 基础设施三路并进，每年可压缩 30%–50% 的单位推理能耗，但总量仍会增长。
2️⃣ 中期（2028–2032）：核能进入 AI 基础设施 第一批 SMR 项目陆续落地，大型科技公司将核能纳入能源组合。碳排放增速趋于平稳。
3️⃣ 长期：AI 自己来解决 AI 辅助核聚变研究、优化电网调度、加速新材料发现——AI 本身可能成为解决它所造成的能源问题的关键工具。但时间差是真实存在的：能耗增长是现在的问题，AI 带来的气候收益是未来的事。
4️⃣ 碳中和承诺将面临监管压力 随着 AI 公司碳排放”出轨”被越来越多报道，监管机构和投资者将逼迫更严格的气候披露和实际减排行动。”碳中和公关”将越来越难蒙混过关。
📮 今日话题
💬 你觉得 AI 的能源问题，最终会靠技术进步解决，还是需要更强的政策约束？还是说，这个问题根本无解？
🔬 本文属于「AI 深度解析」系列，每期一个主题，追本质不追热点。
🎙️ 想听更轻松的版本？我们的每日 AI 快讯播客有更口语化的解读。 📱 关注「小敏说 AI」公众号，深度解析不水文。