人工智能技術在臺前展示的是比特世界的算力、算法和數據，但其“輕盈的靈魂”背后則是土地、能源和水等物理世界“沉重的肉身”。根據本文三種情境的模擬測算，未來人工智能發展需要可持續的巨量能源支撐，能源轉型速度在很大程度決定人工智能的走向。人工智能與能源約束之間的矛盾能否化解，取決于兩場“競賽”的結果：一方面，人工智能算力能效的提升速度能否超越應用場景的擴散速度；另一方面，能源轉型速度能否超越人工智能用電增長速度。
一、人工智能快速發展會擠占全球發展資源嗎？
以OpenAI推出ChatGPT為標志，人工智能進入快速發展的軌道。當前，生成式人工智能正實現著從文本世界、多媒體世界再到物理世界的技術三級跳。在逐步理解和處理文本、圖像、聲音、視頻等多模態信息之后，人工智能還通過物聯網和具身機器人連接物理設備，感知真實環境參數，實現智能決策和自主處理復雜指令。隨著技術更新迭代，人工智能的應用場景也在不斷拓寬。比如，人工智能有望打破生物醫藥的“雙十困境”（即一款新藥研發至少需要投入10億美元和耗費10年研發周期）。再如，人工智能技術提高了發現和合成新無機化合物的速度和精確性，加快了新材料的問世。
人工智能并非天使，其快速發展也引發人們對其潛在負面影響的討論。比如，機器換人帶來失業和不平等加劇，技術壟斷造成消費者福利和社會利益損害，沒有與人類價值觀“對齊”帶來犯罪和恐怖主義風險等。技術中性論認為，技術本身無所謂善惡，技術所產生的影響取決于技術使用者。有鑒于此，一些科技界和企業界的個人或機構發布公開信，呼吁加強人工智能治理以避免出現對人類發展不可逆的風險。上述討論已引發諸多研究，而本文的著眼點在于人工智能對發展要素尤其是電力能源的占用。
人工智能技術在臺前展示的是比特世界的算力、算法、數據，但其“輕盈的靈魂”背后則是土地、能源、水等物理世界“沉重的肉身”。
算力的盡頭是電力。據國際能源署數據，2022年美國共有約2700個數據中心，電力消耗占全國總量的4%左右，到2026年這一比例將達到6%。芯片設計公司Arm的首席執行官Rene Haas則表示，如果不提高芯片的效率，到2030年數據中心的耗電量可能高達美國電力需求的20%到25%。
此外，人工智能的快速發展還需要大量的水、土地、勞動力和資金要素的支持。比如，人工智能的耗水主要體現為冷卻、發電用水、生產芯片用水等。
由于全球發展資源有限，當一項新技術突破帶來新產業熱潮時，雖然其在長期可能有利于人類福祉，但在初期會擠占其他領域的發展資源。當前，跨國公司成為全球要素和資源配置的重要主體，盡管科技向善在國際科技企業的社會責任報告中有所體現，但資本的配置導向并不全然是人類福利的最大化。由于目前人工智能產業的高利潤，資本的力量推動各類資源向人工智能領域集聚形成熱潮和泡沫，有可能影響對人類更有當期價值的其他產業的發展。
作為一項能加速人類發展進程的潛在通用目的技術，人工智能的發展在長期具有正外部性。但在近中期，人工智能發展的收益并不會均勻地分配給全球各國和各收入群體，受益者主要是互聯網企業和風險投資者，而隱性成本的承擔者主要是發展中國家和低收入群體。在全球發展仍然面臨糧食安全、能源安全和水資源安全等問題時，這種負外部性尤為明顯：根據聯合國相關數據，當前全世界有24億人無法持續獲得食物，有6.75億人無法用上電，23億人無法獲得清潔烹飪燃料和技術，四分之一人口面臨“極高”的水資源短缺壓力。
二、人工智能發展需要可持續的巨量能源支撐
提升能量密度的努力貫穿人類發展史。煤炭的廣泛使用推動了蒸汽機和鐵路的發展，極大地提高生產效率和運輸能力，是工業化的加速器。石油為內燃機提供動力，推動汽車、飛機等交通工具的普及，加快了城市化和全球化進程。電網的出現讓高密度能量跨越地理限制，促進生產在更廣闊地域分布和集聚，是產業分工、產業內分工、產業鏈分工拾級而上的基礎。每一次產業變革背后都有能源革命的驅動力量，并伴隨著生產組織模式變革和社會體制變革。
人工智能發展產生大規模電力需求。據SemiAnalysis數據，2023年一季度以來，全球人工智能計算能力一直以50%-60%的季度環比增速快速提升。人工智能對電力的需求主要來自于數據中心。據國際能源署（IEA）數據，2023年全球數據中心消耗約460太瓦時的電量，相當于德國（484太瓦時）全年的全社會用電量。數據中心電力需求的主要來源是服務器、存儲設備、通信設備等IT設備，以及照明、空調、冷卻系統等配套設施。數據中心標準組織Uptime Institute的研究表明，2022年全球大型數據中心的平均能效比（PUE）約為1.55，即數據中心的IT設備每消耗1度電，其配套設施消耗0.55度電。
生成式人工智能的能耗分為訓練和推理兩個環節。每一輪訓練任務持續數周至數月，而且相比普通數據處理具有更高的能耗強度。傳統服務器的典型功耗約為1千瓦，但每臺人工智能服務器的功耗現在已達數十千瓦。當前，人工智能還遠未達到規模法則（Scaling Law）的頂峰，增加模型參數和訓練數據量仍然是提升人工智能模型性能的主要路徑。參數數量、數據規模和計算資源幾何級數的上升，需要配之以更大規模的電力。斯坦福大學的一項研究顯示，完成GPT-3訓練的耗電量為128.7萬度，而完成GPT-4訓練的能耗是GPT-3的40倍以上，需要5177萬至6232萬度電。
未來人工智能推理階段的用電總量比訓練階段高得多。不同于訓練階段，推理任務的需求和算力在地理分布上相對分散，單位時間的能耗強度低于訓練階段。但隨著應用場景的快速擴張，未來推理階段的用電量將大幅攀升。目前，人工智能的輸入輸出還主要是互聯網的數字世界。當人工智能的觸角借助各類傳感器進入物理世界后，所需要處理的數據量將出現躍升。根據市場調研機構Omdia估計，到2023年底，全球物聯網設備安裝量接近380億臺，每天產生約10億GB的數據，這一規模可能還達不到全球物理設備的百萬分之一。每一個生物體也是一個小宇宙，隨著可穿戴設備和與之相關的智能健康行業的發展，未來對生物信息的數據處理規模將提高到更高的量級，同時也意味著對電力需求的幾何級數增長。
從動態來看，芯片技術創新和算法優化將不斷提高人工智能在訓練和推理時的用能效率，但這也將拓寬人工智能的應用場景并提升模型復雜度，推動算力需求的更快增長，不斷增加總體用電壓力。這一預判符合歷史上屢屢出現的“杰文斯悖論”，即資源使用效率提高將刺激需求增長，最終提高總消耗量。
主權AI模式帶來的重復訓練和應用將進一步增加全球能耗。基于安全和效率的平衡，全球人工智能建設會保持一定的冗余。在聯合國發布的《以人為本的人工智能治理》報告中，鼓勵各國構建本土人工智能生態系統和適應本地需求的模型，促進人工智能初創企業在更多國家和地區進行測試和部署，以確保利益相關方和各國之間的資源平等獲取和隱私數據保護。因此，各地區相應的基礎設施建設、人工智能模型訓練與推理會帶來全球能源需求的額外增長。
為獲取數量級意義上的預測結果，本文采用三種方法，對人工智能電力需求增長進行情境模擬。
1、基于芯片現實供給能力的模擬。AI芯片是人工智能產業的核心硬件，也是能源消耗主體，依據GPU產量和功耗可大致估算人工智能產業的電力需求。我們假設英偉達H100將成為未來一段時間內GPU的主流產品，以其功耗作為平均數。根據美國銀行數據計算，2023年全球人工智能數據中心用電量約為43.8太瓦時。根據英國金融時報報道，2024年H100出貨量預計達到150-200萬塊，其峰值功耗為700瓦。按英偉達95%的GPU市場份額，估算2024年智能芯片出貨量約為158-210萬塊。根據TrendForce的預測，到2030年GPU產量年均增速26.1%，同時考慮冷卻用電約為服務器功耗的50%，可得2030年全球人工智能用電量將達到195-245太瓦時。
2、基于信息產業人工智能化的模擬。信息通信業是人工智能滲透速度最快、應用范圍最廣的產業。Erol Gelenbe（2023）估算出全球ICT行業用電量占總用電量4.3%。根據國際能源署數據，2023年全球總用電量約為2.8萬太瓦時，假設年增長率為3.4%，到2030年全球用電量將達到3.5萬太瓦時。由此估算2030年全球信息行業用電量約為1505太瓦時。根據Alex de Vries（2023）和SemiAnalysis的評估，一個標準的谷歌搜索使用0.3瓦時的電力，而ChatGPT響應一個標準請求的耗電約為2.9瓦時。由此可認為，人工智能化的信息服務用電量是普通信息服務的9.67倍。由此可知，2030年信息產業智能化后的用電量為1.46萬太瓦時，占2023年全球用電量的42%。
3、基于人類生產生活活動人工智能化的模擬。作為一項潛在的通用目的技術，人工智能會影響到各領域的運行方式，從而提高各領域生產、流通和消費行為的用電量。埃森哲（2023）基于美國就業水平，估計各行業可被人工智能化的占比均值為31%。如果這部分可被人工智能替代的生產、流通和消費行為實現人工智能化，即使人類的生產生活規模停留在2023年的水平，未來人類全部活動的用電量也將達8.3萬太瓦時，約為2023年全球用電量的3倍，遠遠超出全球電力供應的增長能力。
圖1 未來全球人工智能用電量預測數據來源：IEA、美國銀行、埃森哲、Vries等研究與筆者計算
需要指出的是，以上三類預測方法基于人工智能和能源技術不變的假定，并不追求具體數據的準確性。特別是后兩種預測方法，更多是為了呈現人工智能的電力需求躍升后可能達到的量級。事實上，如果能源技術進步跟不上人工智能的發展，第二種預測情境要以擠占人類其他領域發展資源為代價，而第三種預測情境根本就不可能發生。
三、能源轉型速度決定人工智能發展進程
傳統化石能源儲量無法支撐人工智能的后續發展。由于對自然資源礦產儲量上限的評估不同，已有研究對地球上傳統化石能源的可持續利用時間有較大的分歧，大致在50-150年之間。不過，已有的這些研究尚未將人工智能的普遍應用作為未來的分析情境。如前一部分第三種模擬情境，當人工智能充分滲透到各領域之后，所需電力仍將遠超出目前人類所有活動總用電量，這將極大透支地球上的可用化石能源儲量。因此，僅依賴傳統能源，人工智能可以成為社交媒體分享的流量，但無法成為改變世界發展的通用目的技術。
傳統能源驅動的人工智能也不具排放意義上的可行性。從全球電力供給端看，碳排放強度較高的化石能源占比仍超過60%。在David Patterson等2021年發表的論文《碳排放和大型神經網絡訓練》中，根據人工智能數據中心所在地區電網的碳強度，估算出GPT-3訓練產生588.9噸二氧化碳當量，相當于128輛乘用車年排放量，尚處于可接受范圍。但后續更大模型將使得碳排放量指數級上升。GPT-4的模型參數約為1.8兆，并在13兆令牌（Tokens）上進行訓練。而GPT-3的模型參數只有0.175兆，模型令牌規模在0.78-5兆之間。即將面世的GPT-5的參數規模或將達到數百兆，這意味著，如果數據中心供電結構不變，正在研發的GPT-5訓練的碳排放可能接十萬量級的燃油車排放規模。
采用清潔能源為人工智能發展并非坦途。風電、光電等新能源具有間歇性、波動性和季節性，而人工智能則需要連續、穩定的電力供給。在現有技術條件下，兩者之間的矛盾尚未有高性價比的能源解決方案可以調和。一些人工智能企業計劃采用清潔能源自供電的方式，但目前還未能跨越儲能技術成熟度和高成本的障礙，而試圖采用核能技術的方案也不容易通過各國監管部門的審批。更為現實的方案，仍是依靠全國性或區域性電網為人工智能產業提供穩定電力。
全球電網吸納新能源的擴容速度沒有跟上人工智能發展步伐。在接入風光電等新能源過程中，電網局部承載能力、通道輸送能力和系統調節能力均面臨挑戰，必須對輸配電網進行大規模擴建和升級。根據IEA《電網與保障能源轉型》報告，雖然可再生能源的年投資規模自2010年以來幾乎翻了一番，但近十年來全球電網年投資額卻仍保持在十年前的3000億美元水平。2022年，全球至少有30億千瓦的可再生能源發電項目正在排隊等待并網，相當于當年光伏和風力發電新增裝機容量的五倍。除了技術層面的原因，全球電網擴容還面臨電力設備供應鏈緊張和資金投入增長緩慢等問題。
傳統產業電氣化的剛性需求與人工智能電力需求將產生競爭。2023年全球電力在最終能源消費中的份額僅是20%左右，傳統產業電氣化是全球減排的重要路徑。為實現低碳轉型目標，工業部門引導高碳排放行業實施電氣化設備技術改造，交通部門推廣電動化、燃料電池和新型電力基建，建筑部門運用電氣設備解決日常用能需求。隨著全球各產業部門電氣化提速，預計到2030年電力在最終能源消費中的份額將接近30%。但過去十年全球發電量的年均增速維持在1.0-4.1%之間，很難同時支持傳統產業電氣化和人工智能電力需求的快速增長。
在用能競爭導致電價上漲的情況下，人工智能產業還會對一些國家的能源密集型產業和居民生活產生負面影響。2021-2022年間批發電價上漲之后，歐洲工業面臨更高的能源成本，金屬冶煉和化工等能源密集型產業的競爭力下降，出現了外遷的趨勢。如果未來人工智能發展導致電力供需再度緊張，在電價上升的情況下，人工智能企業能以價高者得的優勢保證業務運行，其他電價敏感行業的競爭力將受到削弱，居民用電成本也面臨上升壓力。
四、兩條賽道：人工智能和能源轉型的創新競合
在技術條件不變的假設下，人工智能短期內確實會擠占全球發展其他領域的能源需求。但通過技術創新解除既有條件束縛，一直是人類文明向前發展的主要路徑。人工智能和能源約束之間的矛盾能否化解，取決于兩場“競賽”的結果。一方面，人工智能算力能效的提升速度能否超越應用場景的擴散速度，是破解前文所述“杰文斯悖論”的關鍵。另一條賽道則是能源轉型的速度能否超越人工智能用電需求增長速度。如果不能在兩場“競賽”中至少取得一勝，人類就不得不在原子世界和比特世界之間作出兩難取舍。
（一）人工智能的能耗強度賽道
芯片與服務器設計的優化。英偉達2024年發布的Blackwell系統可以訓練比ChatGPT更大的模型，所用的電力大約是現有最佳處理器的四分之一。2023年Mohamad Hnayno的研究表明，采用高效率冷卻系統有潛力將數據中心的電力需求減少10%，而液冷技術可減少20%。
需求響應的智能分散化。人工智能數據中心脫碳努力的另一條路線，是將人工智能訓練等具有時空靈活性的工作任務轉移至碳強度較低地區。同時，邊緣計算和分布式人工智能處理方式，也能減少對長距離數據傳輸的能源消耗。
量子計算。量子計算具有高容量信息存儲和高速并行化計算的特征，運算的能耗效率將遠超經典的計算模式。當下量子計算的硬件技術路徑還處于多路線試錯中，超導、離子阱、光量子等方式各有優缺點，距實現大規模可容錯通用量子計算還有較大距離。過去幾年，量子計算公司與人工智能研究機構建立了眾多合作關系，在資本的推動下，可糾錯通用量子計算機的研制時間表可能會提前。
（二）能源轉型的賽道
近中期看，儲能技術是關鍵。儲能是可再生能源跨時間配置的一種方式，是人工智能數據中心就近消納新能源的基礎設施，發展儲能技術的重要性不亞于新能源產業本身。抽水蓄能技術比較成熟，適用于高海拔山脈和山谷地形地區大規模、集中式的能量儲存和電網調峰，但也面臨自然選址局限性、能量密度低等不足，存在規模天花板。推動氫儲能等新型儲能技術的多元化開發，提高儲能的能量密度、充放電效率和相應速度，是將新能源潛力釋放到人工智能產業上的關鍵。
中長期看，人工智能在新能源供需預測、電網運行和優化、能源需求管理以及新能源技術研發等領域將發揮重要作用。
人工智能加速電網智能化。在發電側，人工智能通過學習歷史氣象數據、傳感器數據、衛星云圖等圖像和視頻數據，提升太陽能和風能設備發電量預測準確度。在電網側，人工智能有助于提升輸電和配電能力，優化電網設計和規劃，協助維護人員保障電網安全穩定運行，如基于無人機拍攝的視頻識別異常設備。在用電側，人工智能可以幫助用戶在電池供電、實地太陽能發電和電網供電之間擇優進行切換，智能管理分布式可再生能源及相關設備。
人工智能推動可控核聚變技術研發。目前核能提供了全球約10%的電力供應，但人工智能行業目前關注的不是已成熟的核裂變技術，而是寄望于可控核聚變技術。可控核聚變的原料來源更豐富，能量密度是核裂變的4倍，且產生的放射性廢物更少。當前，人工智能技術正推動可控核聚變技術研發加速。例如，2024年普林斯頓團隊通過訓練神經網絡，提前300毫秒預測了核聚變中的等離子不穩定態。
五、展望與建議
作為一項潛在的通用目的技術，人工智能是未來一國競爭力和國際話語權的重要組成部分，主要國家不僅在人工智能各技術領域布局，也注重地理意義上的布局。雖然人工智能的研發活動地較為集中，但由于需要保持足夠的響應速度，其關鍵基礎設施和應用場景要具備一定的地理臨近性。為了擴展全球業務版圖，人工智能企業競相在全球各地區建立算力中心。因此，人工智能算力中心在全球都有分布，需要各國的能源、土地和水等資源提供物質支撐。據SemiAnalysis報告，截至2023年初，85%的全球自建超大規模數據中心容量屬于谷歌、微軟、亞馬遜、Meta、蘋果等五家美國科技企業。
圖2 科技企業自建數據中心以電力估算的算力容量數據來源：SemiAnalysi
人工智能數據中心的布局正在向發展中國家拓展。人工智能數據中心選址的主要條件有三方面：穩定的能源供給、適宜的氣候和高效的網絡連接。發達國家建設數據中心的機會成本高，在環境審批和數據保護法律方面更加嚴格。如瑞典2023年取消了一項2017年制定的數據中心稅收優惠政策，旨在將電力能源留給其他領域；冰島2024年減少比特幣和數據中心產業的能源支出，將多余廉價電力用于農業，以保障本國糧食安全。相對而言，發展中國家的數字產業及人工智能發展政策更為積極。例如，2023年由于烏拉圭遭受嚴重干旱，谷歌在烏拉圭新建人工智能數據中心的計劃受到爭奪飲用供水的質疑，但最終仍獲得批準。根據IEA2024年發布的電力分析與預測報告，目前全球有超過8000個數據中心，其中約33%位于美國，16%位于歐洲，超半數分布在亞洲、拉美和非洲等地區。
各國在為人工智能提供電力支持時各具優劣勢。美國電價相對較低，平均工業電價為0.083美元/千瓦時。但在多年去工業化政策下，美國電網跨地區調配的能力不足。歐洲和日本雖然在人工智能上具有技術優勢，但其能源成本較高，天然氣占西歐和日本發電結構的35%-45%且進口依賴較高，核電及煤電供應因安全及環保原因下降壓力較大。中東地區電價低，太陽能資源豐富，阿聯酋等國在推動100%綠電驅動的低碳數據中心建設，但目前還缺少本土人工智能企業。中國是新能源優勢國家，能源成本較低，工業用電在全球有價格優勢，且相對自給自足，但煤電比重仍有下調空間。
全球人工智能合作需與能源戰略合作并軌。人工智能發展與能源轉型是大勢所趨，世界各主要國家應攜手開展全球人工智能治理與能源轉型合作。據IEA估計，到2040年前，全球需要新增或整修超過8000萬公里的電網線路，以支持風能和太陽能光伏發電的增長。在這一過程中，各主要國家應共同建立更加高效的全球電力設備供應鏈，降低新能源設備的貿易壁壘，探索制定內部化負外部性的全球人工智能用電價格標準，聯合利用人工智能技術推動能源領域技術創新。惟其如此，人工智能發展才能建立在更可持續的能源基座之上，能源轉型才能搭上人工智能的翅膀而加快發展。
充分利用能源優勢提高我國在全球人工智能領域的競爭力。我國處于全球人工智能領域中較為靠前的位置，但也面臨一些關鍵技術的制約。穩定、綠色和靈活的大規模電力供應是我國在人工智能領域重要的比較優勢，要將該優勢融入到人工智能發展中。
一是要圍繞“算力+能源”開展統籌規劃，推動算力網、通信網、電網等多網協同發展，實現智能算力與綠色能源的優勢疊加效應。
二是構建人工智能算力“西訓（練）東推（理）”的布局，充分化解算力資源與能源供需矛盾，提高對西部光伏、風電等新能源的使用效能。
三是推動人工智能在能源轉型創新上的應用，提高電力系統互補互濟和智能調節能力，加強源網荷儲銜接，提升新能源消納和存儲能力，提升能源系統安全保障能力。
四是支持“一帶一路”沿線“電力+算力”產業發展，形成電力交易、電力建設、電力設備貿易等合作模式，推動當地新能源電力設施與算力基礎設施配套建設。
