AI帶來能效提高，由此產生的節(jié)能量最終將數倍于AI本身的能耗。但這有個時間差，AI帶來的能耗增加是即時的，而AI應用帶來的節(jié)能量需要3年-5年的時間逐步呈現

文｜翟永平

自2022年11月ChatGPT-3.5發(fā)布，生成式AI的指數級發(fā)展使其能源需求成為全球焦點。埃隆·馬斯克多次警告AI的盡頭是能源危機，“人們會看到，沒有足夠的電力來運行所有的AI芯片”。

2024年底中國DeepSeek公司發(fā)布基于“混合專家”（MoE）架構的新一代模型，其訓練能耗大幅度降低約70%。這時微軟CEO薩蒂亞·納德拉又援引了一個160年前的經濟學概念：杰文斯悖論。意思是當AI模型的訓練成本和能耗降低之后，可能刺激更多企業(yè)和機構部署AI應用，從而導致整體算力需求進一步上升，進而引發(fā)更大的能源消耗。

然而，上述觀點都忽略了一個關鍵維度：AI在實體經濟中還可以扮演“節(jié)能利器”的角色。AI驅動的能源供應系統(tǒng)優(yōu)化，工業(yè)流程改進，交通、建筑等能源消費領域效率提高，可以實現大量的節(jié)能減排。AI既是能源消耗者（Energy for AI），更是能源系統(tǒng)的“效率倍增器”（AI for Energy）。

關鍵問題在于：AI自身消耗的能源與使用AI之后節(jié)約的能源相抵，究竟能否實現凈正收益？

這筆關乎全球能源格局和氣候變化應對路徑的宏觀賬本，正是本篇年終專稿試圖探討的議題。

Energy for AI：算力增長的能源約束與破局之道

AI的爆發(fā)式增長正在重塑全球能源格局。由于AI模型的訓練與推理需求激增，數據中心成為電力需求增長最快的行業(yè)。

1.AI的能源“胃口”到底有多大？

AI的能源需求正以遠超預期的速度增長。根據國際能源署的數據，2024年數據中心約占全球電力消耗的1.5%，即415太瓦時（TWh）。2024年，美國占全球數據中心電力消耗的比例最大（45%），其次是中國（25%）和歐洲（15%）。自2017年以來，全球數據中心電力消耗年均增長約12%，是總電力消耗增長率的四倍多。

國際能源署預測，到2030年全球數據中心電力消耗預計將增長一倍以上，達到約945太瓦時，略高于日本當前全國電力消費總量。AI將成為這一增長的最主要驅動力，同時其他數字服務需求的持續(xù)擴張也起到重要推動作用。

從地域分布來看，美國在這項預測增長中占據絕對主導地位，中國緊隨其后。特別值得注意的是，在美國，從現在到2030年間，數據中心將貢獻近一半的電力需求增長。根據預測，2030年美國用于數據中心的電力消耗將超過其鋁、鋼、水泥、化工等所有能源密集型工業(yè)產品的生產用電總和。

面對AI的能源需求激增的挑戰(zhàn)，能源生產商特別是美國的化石能源公司多少有些竊竊私喜，美國天然氣及燃氣發(fā)電行業(yè)迎來“第二春”。美國豐富的頁巖氣資源成本低廉、供應可靠，而天然氣電廠能快速響應數據中心高穩(wěn)定性供電需求。相比可再生能源的間歇性，天然氣可靈活調峰滿足AI算力突增時的電力需求。以弗吉尼亞州為例，Meta、亞馬遜、微軟等巨頭在此建設超大規(guī)模數據中心。2024年該州數據中心用電量已占全州電力需求26%，預計2030年這一比例可達40%。

2.AI低碳能源供應路在何方？

這樣看來，在AI爆發(fā)式增長過程中并不缺電，但缺綠電。對此，業(yè)界正從技術革新、能源結構這兩個維度尋找破局路徑。在政策層面，中國政府大力推進“東數西算”來加速數據中心的綠色轉型。

在軟件算法方面，AI模型的訓練和推理過程可以通過多種策略來減少能耗。例如，使用混合專家模型（MoE）可以在推理時選擇性地激活模型中最相關的部分，從而節(jié)省計算資源并降低能耗。模型壓縮技術（如知識蒸餾、量化和稀疏化）可大幅降低計算需求，模型輕量化技術大幅降低推理能耗。

硬件芯片的效率提升也是降低AI模型能耗的關鍵因素。隨著技術的進步，新一代的GPU和其他專用芯片在能效方面有了顯著的提升。例如，最新的B200 GPU相比之前的H100和A100系列，在每瓦特浮點運算上的能效分別提高了60%和80%。這些改進不僅減少了單個芯片的能耗，還使得大規(guī)模AI模型的訓練和推理更加高效。

硬件和軟件的協(xié)同設計也是提高能效的重要手段。通過共同優(yōu)化軟件和硬件，可以最大化能效和性能。例如，針對特定任務設計的模型可以減少不必要的計算，從而降低能耗。同時，邊緣計算技術通過在設備端運行AI推理，減少了數據傳輸的需求，進一步降低了能耗。

2025年8月，谷歌發(fā)表研究論文公布了Gemini AI模型在生產環(huán)境中的能耗與環(huán)境影響。研究發(fā)現，2025年5月期間，單個文本提示的中位能耗僅為0.24瓦時，碳排放為0.03克，耗水量為0.26毫升，較早期公開估計低1個-2個數量級。能耗下降的核心驅動力來自全棧優(yōu)化：模型架構上采用混合專家系統(tǒng)和注意力機制改進，使計算量減少10倍-100倍；算法層面應用精確量化訓練（AQT）降低數據精度需求；推理優(yōu)化通過推測解碼和動態(tài)批處理提升硬件利用率；定制TPU硬件能效較初代提升30倍；數據中心PUE（總能耗與IT設備能耗的比值，反映電能利用效率，越接近1越好）低至1.09。軟件效率提升與清潔能源采購共同促成12個月內能耗下降33倍，碳排放減少44倍。

科技公司高度重視綠電供應。以中國騰訊公司為例，騰訊2022年公布碳中和目標及行動路線圖，明確提出2030年實現100%綠色電力的目標。在美國，科技公司采取了多種策略和行動來鎖定綠色能源供應，比如簽訂長期的可再生能源采購協(xié)議（PPAs），這些PPAs不僅包括傳統(tǒng)的風能和太陽能項目，還涉及更先進的技術，如小型模塊化反應堆（SMRs）和下一代地熱能。谷歌、微軟等美國科技公司還在探索小時級匹配的可再生能源供應。這意味著不僅在年度的范疇內實現100%可再生能源供應，還通過與可再生能源資產（如風能、太陽能和儲能）的組合，確保每小時都能使用清潔能源。

在中國，隨著AI、云計算等新興技術的普及，國內算力需求呈現年均30%以上的高速增長，但東部地區(qū)面臨土地緊張、綠電供應等問題，數據中心建設遭遇瓶頸。與此同時，西部地區(qū)擁有全國70%的可再生能源資源，卻存在本地消納不足的困境。為優(yōu)化資源配置，2022年國家發(fā)展改革委等四部門正式啟動“東數西算”工程，旨在通過構建全國一體化算力網絡，引導東部算力需求有序向西部轉移。

據測算，在西部建設運營數據中心綜合成本約為東部的50%-70%，具備較大成本優(yōu)勢。八大國家樞紐節(jié)點已建成智算規(guī)模62萬PFLOPS（1PFLOPS即每秒千萬億次），約占全國智算總量的80%。國家鼓勵通過綠證、綠電交易提升數據中心綠電占比。推進數據中心用能設備節(jié)能降碳，目前八大樞紐節(jié)點數據中心集群平均PUE（電能利用效率）達到1.3左右，最先進數據中心PUE最低降至1.04。

AI for Energy——激活能源供應與需求的創(chuàng)新應用

1.AI在能源供應端的創(chuàng)新應用

AI技術通過增強預測精度、優(yōu)化運行策略和提升維護效率，正在推動全球能源供應系統(tǒng)向更智能、更高效的方向轉型。

在可再生能源領域，AI通過分析氣象衛(wèi)星、地表傳感器和歷史發(fā)電數據，構建高精度預測模型，有效應對風光發(fā)電的間歇性問題。阿里巴巴達摩院開發(fā)AI驅動的天氣預報和新能源預測應用，在“八觀”氣象大模型基礎上，推出可再生能源預測平臺eForecaster。該技術已在中國某省電力調度中心成功應用，覆蓋262座風電場和331座光伏電站，新能源發(fā)電功率和電力負荷預測的準確率分別提升至96%和98%以上，助力電網在遭遇劇烈天氣變化時安全穩(wěn)定運行。

在電網運營領域，AI技術通過深度學習和數據分析，能夠實現對電網運行狀態(tài)的實時監(jiān)控、預測和優(yōu)化，從而提高電網的穩(wěn)定性、可靠性和效率。在能源轉型的大背景下，電力系統(tǒng)的復雜性不斷提升，分布式電源數量增多，靈活調節(jié)資源類型更廣泛，因此特別需要AI的加持。

其中一項重要工作是提升“電力需求預測”與“波動性可再生能源出力預測”的準確性，從而優(yōu)化電力行業(yè)資產（包括可調度發(fā)電廠、儲能設施及需求側靈活調節(jié)資源）的利用效率，最終提高整個電力系統(tǒng)的運行效率。例如，法國的輸電系統(tǒng)運營商RTE與比利時的輸電系統(tǒng)運營商Elia均采用人工智能進行實時預測，以評估系統(tǒng)供需失衡情況；日立能源（Hitachi Energy）推出的“諾查丹瑪斯”（Nostradamus）人工智能工具，可提供便捷獲取的負荷預測、市場電價預測及可再生能源出力預測服務；IBM研究院成立了GridFM工作組，旨在通過人工智能改進電網運營與規(guī)劃——該工作組重點關注電網抗干擾能力、效率及可再生能源并網，利用預訓練的最優(yōu)潮流模型和多模態(tài)數據，實現停電預測與負荷預測。

隨著電力系統(tǒng)中風電、光伏占比的提升，火電廠的角色逐漸向“靈活調節(jié)”轉型，但這一轉變導致其平均效率下降。在這樣的情況下，將AI應用于電力系統(tǒng)運營，通過優(yōu)化調度，可讓具備靈活調節(jié)能力的火電廠維持更高的利用率，從而最大限度減少效率損失。這些措施不僅能優(yōu)化資源利用，還能降低系統(tǒng)成本、增強電網穩(wěn)定性。此外，故障預警是AI在能源供應端的另一個重要應用。通過安裝智能傳感器和監(jiān)控設備，AI系統(tǒng)可以實時監(jiān)測電網設備的運行狀態(tài)，及時發(fā)現異常并發(fā)出預警。這種預防性的維護方式不僅可以減少停電事故的發(fā)生，還能延長設備的使用壽命，降低運營成本。

2.AI在能源消費端的創(chuàng)新應用

AI在能源消費側的創(chuàng)新應用主要體現在工業(yè)、交通和建筑三大領域，通過優(yōu)化生產流程、提升能效和增強系統(tǒng)靈活性，顯著降低了能源需求與碳排放。在工業(yè)領域，AI通過實時數據分析和機器學習優(yōu)化生產流程，例如國際鋼鐵巨頭安賽樂米塔爾（ArcelorMittal）公司利用AI算法實時調整盧森堡工廠的能源使用，實現3%的能效提升。水泥行業(yè)也通過AI優(yōu)化煅燒工藝，德國海德堡材料公司以此將熟料比降低5個百分點，單廠年減排4萬噸二氧化碳。輕工業(yè)中，西門子埃爾朗根工廠通過全廠級AI優(yōu)化（包括電機尺寸調整和溫控策略）實現25%-42%的能耗強度下降。

交通領域，AI通過路線優(yōu)化、預測性維護和生態(tài)駕駛策略降低能耗。物流企業(yè)DHL旗下Greenplan開發(fā)的AI工具為車隊規(guī)劃最優(yōu)路徑，減少20%燃油成本；沃爾瑪通過AI預測卡車維護需求，提升燃油效率5%-7%。在電動汽車領域，AI精準預測電池衰減并優(yōu)化充電策略，如TuSimple自動駕駛卡車通過AI控制車速降低10%-20%能耗。在航空業(yè)，阿拉斯加航空應用AI規(guī)劃飛行路徑，單次航班節(jié)油5%-12%。據估算，到2035年AI可使全球道路貨運能耗減少1.5艾焦（相當于4%的行業(yè)需求）。

建筑領域，AI驅動的能源管理系統(tǒng)（BEMS）通過整合天氣、電價和室內人數等數據實現動態(tài)調控。瑞典某市政公司為600所學校部署AI-BEMS，結合1萬個傳感器數據，每15分鐘調整暖通空調設定值，節(jié)電率達10%。印度Infosys園區(qū)在已有LEED鉑金認證基礎上，通過AI再提升7%能效。新加坡某科技公司總部僅用歷史數據訓練AI模型，在沒有增加硬件設施的情況下即實現23%制冷能耗下降。更前沿的應用體現在建筑設計階段，上海某高層建筑通過AI模擬風場優(yōu)化熱性能，預計比傳統(tǒng)建筑節(jié)能35%。據IEA預測，若全面推廣現有AI技術應用場景，2035年全球建筑領域可節(jié)電3000億度（相當于澳新兩國年發(fā)電量），其中10%峰值需求可參與電網調峰。

AI技術為解決傳統(tǒng)的節(jié)能難題提供了全新路徑。傳統(tǒng)節(jié)能依賴人工經驗與靜態(tài)策略，而AI系統(tǒng)通過物聯網實時采集設備運行數據，利用深度學習構建能耗數字孿生模型，可精確量化每臺設備的節(jié)能潛力空間。在合同能源管理（EMC）領域，AI可破解效益核算難題。基于區(qū)塊鏈的智能電表結合聯邦學習技術，可在保護商業(yè)機密前提下實現分項計量，從根本上改變了EMC的商業(yè)模式可行性。

AI在能源領域的局限性與前景

1.什么場景下不適合采用AI？

AI也存在顯著的局限性。首先，能源行業(yè)推進AI應用面臨最顯著的障礙是兼具數字技能與能源專業(yè)知識的復合型人才嚴重短缺。這一缺口導致雙重問題：一方面，純技術背景團隊開發(fā)的AI模型常因不理解電網物理特性、可再生能源技術等領域知識，導致算法不可靠性；另一方面，能源從業(yè)者缺乏AI素養(yǎng)，難以有效定義需求或評估外部方案，造成項目失敗。

其次，AI在能源領域的應用受到數據和基礎設施的限制。能源系統(tǒng)的許多環(huán)節(jié)缺乏高質量、完整的數據，尤其是歷史數據的缺失或噪聲較多，導致AI模型的訓練效果不佳。此外，許多地區(qū)，特別是新興市場和發(fā)展中經濟體，數字化基礎設施不足，傳感器和聯網設備的覆蓋率較低，這使得AI難以有效部署。例如，老舊建筑或小型工業(yè)設施由于缺乏數據采集能力，AI優(yōu)化策略難以實施。

第三，AI在復雜開放環(huán)境中的決策能力有限。雖然AI在結構化任務（如負荷預測、設備監(jiān)測）中表現優(yōu)異，但在需要多步驟因果推理或應對突發(fā)情況的場景中，AI的適應性仍不如人類。例如，電網在極端天氣下的應急調度需要快速判斷和靈活調整，而當前的AI系統(tǒng)難以完全模擬人類的經驗和直覺，可能導致決策失誤。

此外，AI在涉及安全、倫理和法規(guī)的敏感領域存在適用性限制。例如，在關鍵基礎設施運維等場景中，AI的“黑箱”特性使其難以滿足嚴格的透明性和可審計性要求。未來，AI在能源領域的成功部署需要結合數據治理、技能培訓和政策引導，以克服現有局限并發(fā)揮其最大潛力。

2.AI在能源領域應用是否能實現正收益？

AI自身的能耗與其帶來的節(jié)能潛力之間的關系是一個動態(tài)且復雜的權衡問題，涉及技術發(fā)展階段、應用場景、能源結構以及時間維度（短期與中期）等多重因素。當前，AI尤其是大語言模型（LLM）、深度學習訓練等任務對計算資源需求極高，依賴大規(guī)模數據中心和GPU集群，其訓練和運行過程消耗大量電力。

短期內（1年-3年），隨著AI技術快速部署，算力需求激增，AI系統(tǒng)的直接能耗預計將持續(xù)上升。在沒有綠色能源替代的情況下，碳排放也會相應上升。從中長期（3年-5年及以上）來看，AI具有巨大的節(jié)能優(yōu)化潛力。在能源管理領域，AI可用于電網負荷預測、智能調度、可再生能源整合，提高整體能源使用效率；在工業(yè)領域，通過預測性維護、流程優(yōu)化，減少能源浪費；在建筑與交通管理中，AI可以優(yōu)化暖通系統(tǒng)、照明控制及交通流量，降低整體能耗。

AI的能耗與碳排放的趨勢有個“時間差”。短期內（1年-3年），AI的能耗增長是“即時”的，數據中心的綠電供應也沒有完全到位；而AI應用落地帶來的節(jié)能效益尚未完全釋放，可能導致短期內出現“能耗先增、節(jié)能減排后至”的階段性失衡。

因此，我們應該在短期內優(yōu)先在“減排見效快”的場景部署AI，快速產生減排收益，抵消部分能耗增量。隨著AI技術進步（如更高效的芯片架構、低功耗AI模型、綠色數據中心）、可再生能源比例提升，以及AI節(jié)能應用的規(guī)?；涞?，中期內（3年-5年）AI的凈節(jié)能效應將逐步顯現并超過其自身能耗。AI的應用有望帶來數倍于其自身能耗的節(jié)能效果，AI必將成為推動全球碳中和的重要工具。

從長遠來看，核聚變技術有望為AI發(fā)展提供終極零碳能源供應。而AI與核聚變的結合正在加速可控核聚變從實驗室走向商業(yè)化的進程。AI通過處理海量實驗數據、實時預測等離子體不穩(wěn)定性，并優(yōu)化控制策略，顯著提升了聚變裝置的穩(wěn)定性和效率。兩者形成“AI加速聚變研發(fā)，聚變賦能AI算力”的共生關系。

目前，全球資本正加速布局聚變技術。微軟、谷歌、亞馬遜等科技巨頭正積極布局核聚變能源商業(yè)化。微軟已與Helion Energy簽署全球首個聚變電力采購協(xié)議；谷歌投資了Commonwealth Fusion Systems（CFS），支持其21世紀30年代初并網目標；亞馬遜則通過氣候基金投資General Fusion等初創(chuàng)公司。2025年7月，中國聚變能源有限公司成立，成為推進中國聚變工程化、商業(yè)化的創(chuàng)新主體。

雖然核聚變技術仍面臨科學技術和工程技術難題，但這些動向凸顯了各方對核聚變技術的押注，加速推動核聚變成為AI和經濟發(fā)展的終極能源解決方案。

結束語

2025年諾貝爾經濟學獎授予喬爾·莫基爾、菲利普·阿吉翁和彼得·豪伊特，以表彰他們“解釋創(chuàng)新驅動的經濟增長”理論，其中包括 “創(chuàng)造性破壞”增長模型。在能源領域，新技術（如光伏發(fā)電）通過市場競爭淘汰舊技術（如煤電），驅動產業(yè)升級與效率提升，就是以創(chuàng)造性破壞推動能源系統(tǒng)向可持續(xù)轉型。

當前，AI技術正加速創(chuàng)新技術研發(fā)的進程。AI通過縮短新能源材料研發(fā)周期、優(yōu)化氣候模型、提升電網智能化、降低高耗能行業(yè)能耗、加速新興技術擴散。在這一過程中，我們需平衡AI自身能耗，通過綠色算法與可再生能源供電，并輔以政策引導與標準規(guī)范，確保AI驅動的“創(chuàng)造性破壞”始終錨定可持續(xù)未來。

（作者為騰訊戰(zhàn)略發(fā)展部碳中和高級顧問、亞洲開發(fā)銀行前首席能源專家；編輯：馬克）