隨著人工智能技術快速發展，人工智能（AI）大模型的運行消耗問題受到越來越多關注。大模型為何成了耗能大戶？能耗問題會不會成為人工智能發展的“絆腳石”？如何解決能耗問題？
耗電耗水量大
人工智能大模型到底有多耗能？據斯坦福人工智能研究所發布的《2023年AI指數報告》，AI大語言模型GPT-3一次訓練的耗電量為1287兆瓦時，大概相當于3000輛特斯拉電動汽車共同開跑、每輛車跑20萬英里所耗電量的總和。報告同時提出，AI大語言模型GPT-3一次訓練，相當于排放了552噸二氧化碳。
國外研究顯示，一次標準谷歌搜索耗電0.3瓦時，AI大語言模型ChatGPT響應一次用戶請求耗電約2.96瓦時，在AI大模型驅動下的一次谷歌搜索耗電8.9瓦時。
除了耗電，另有研究顯示，AI大語言模型GPT-3在訓練期間耗水近700噸，每回答20個至50個問題就要消耗500毫升水。弗吉尼亞理工大學研究指出，Meta公司在2022年使用了超過260萬立方米的水，主要作用是為數據中心提供冷卻。
據了解，人工智能大模型GPT-4的主要參數是GPT-3的20倍，計算量是GPT-3的10倍，能耗也隨之大幅增加。
華泰證券研報預測，到2030年，中國與美國的數據中心總用電量將分別達到0.65萬億千瓦時至0.95萬億千瓦時、1.2萬億千瓦時至1.7萬億千瓦時，是2022年的3.5倍和6倍以上。屆時，AI用電量將達到2022年全社會用電量的20%和31%。
為何如此耗能
為什么人工智能大模型如此耗能？AI技術迅速發展，對芯片的需求急劇增加，進而帶動電力需求激增。同時，對AI進行大量訓練，也意味著需要更強的算力中心和與之匹配的散熱能力。在AI快速迭代的道路上，電力和水資源的消耗也在快速增加。因為很多數據中心全年無休，發熱量巨大，大規模電耗和水耗主要來自于冷卻需求。
相關統計顯示，數據中心運行成本的六成是電費，而電費里的四成多來自冷卻散熱，相應也會帶來巨量冷卻水的消耗。風冷數據中心六成多的耗電量都會用在風冷上，只有不到四成電力用在實際計算上。如今，全球數據中心市場耗電量是10年前的近10倍。
能耗問題會不會成為人工智能發展的“絆腳石”？英偉達首席執行官黃仁勛曾提到，AI和算力耗能巨大，但由于計算機性能飛速增長，計算會更加高效，相當于更節省能源。當前，我國實施嚴格的能耗雙控政策，無論是AI大模型本身還是其應用行業，對單位GDP能耗來說均有明顯降低作用。
從整體能耗來看，AI大模型帶來的效率提升也會抵消一部分能耗增長。隨著綠電廣泛應用，再加上我國逐步由能耗雙控向碳排放雙控政策轉變，可再生能源對未來AI大模型發展的支撐能力也會越來越強。
此外，相較于其他國家而言，中美等能源消費大國和數據大國，具備更好發展AI大模型的資源條件和基礎。
怎樣應對挑戰
據預測，到2025年，AI相關業務在全球數據中心用電量中的占比將從2%增加至10%。到2030年，智能計算年耗電量將達到5000億千瓦時，占全球發電總量的5%。因此，在大力發展AI大模型的同時，必須提前做好相關規劃布局，以提供必要的電力和水資源等技術支撐。
有專家認為，人工智能的未來發展與狀態和儲能緊密相連。因此，不應僅關注計算力，而是需要更全面地考慮能源消耗問題。OpenAI創始人奧爾特曼認為，未來AI技術取決于能源突破，更綠色的能源尤其是核聚變或更便宜的太陽能以及儲能的可獲得性，是人工智能發展快慢的重要因素。
為降低電力和水資源消耗，很多企業在嘗試采用各種方法為數據中心散熱。例如，微軟曾嘗試部署海下數據中心，臉書（Facebook）數據中心選址北極圈附近，阿里云千島湖數據中心使用深層湖水制冷等，我國很多企業則把數據中心布局在水電資源豐富的西南地區。
目前，可通過算法優化、開發和使用更高效的AI專用硬件、調整神經網絡訓練過程以優化計算資源等技術方式來降低AI大模型的能耗，并更多采用自然冷卻、液冷、三聯供、余熱回收等新興節能技術，提高制冷效率以降低數據中心能耗。從技術未來發展方向上看，光電智能芯片也有助于解決AI大模型的電耗和水耗問題。
AI大模型的發展，不能僅符合高端化、智能化的要求，更要符合綠色化的發展要求。為此，從國家和地方層面上看，為緩解AI大模型發展所帶來的電力和水資源沖擊，有必要將數據中心行業納入高耗能行業管理體系，并提前做好相關規劃布局。同時，加強資源整合，充分發揮人工智能大模型和數據中心的效能，通過使用效能下限設置等方式，確保其自身的電力和水資源使用效率。還應嚴格落實國家能耗雙控及碳排放雙控政策，并將其碳足跡與水足跡納入行業考核范圍，切實推動碳足跡與水足跡逐步降低，以應對日益增長的AI大模型電力和水資源需求。
（崔 成 作者系中國宏觀經濟研究院能源研究所研究員）
隨著人工智能技術快速發展，人工智能（AI）大模型的運行消耗問題受到越來越多關注。大模型為何成了耗能大戶？能耗問題會不會成為人工智能發展的“絆腳石”？如何解決能耗問題？
耗電耗水量大
人工智能大模型到底有多耗能？據斯坦福人工智能研究所發布的《2023年AI指數報告》，AI大語言模型GPT-3一次訓練的耗電量為1287兆瓦時，大概相當于3000輛特斯拉電動汽車共同開跑、每輛車跑20萬英里所耗電量的總和。報告同時提出，AI大語言模型GPT-3一次訓練，相當于排放了552噸二氧化碳。
國外研究顯示，一次標準谷歌搜索耗電0.3瓦時，AI大語言模型ChatGPT響應一次用戶請求耗電約2.96瓦時，在AI大模型驅動下的一次谷歌搜索耗電8.9瓦時。
除了耗電，另有研究顯示，AI大語言模型GPT-3在訓練期間耗水近700噸，每回答20個至50個問題就要消耗500毫升水。弗吉尼亞理工大學研究指出，Meta公司在2022年使用了超過260萬立方米的水，主要作用是為數據中心提供冷卻。
據了解，人工智能大模型GPT-4的主要參數是GPT-3的20倍，計算量是GPT-3的10倍，能耗也隨之大幅增加。
華泰證券研報預測，到2030年，中國與美國的數據中心總用電量將分別達到0.65萬億千瓦時至0.95萬億千瓦時、1.2萬億千瓦時至1.7萬億千瓦時，是2022年的3.5倍和6倍以上。屆時，AI用電量將達到2022年全社會用電量的20%和31%。
為何如此耗能
為什么人工智能大模型如此耗能？AI技術迅速發展，對芯片的需求急劇增加，進而帶動電力需求激增。同時，對AI進行大量訓練，也意味著需要更強的算力中心和與之匹配的散熱能力。在AI快速迭代的道路上，電力和水資源的消耗也在快速增加。因為很多數據中心全年無休，發熱量巨大，大規模電耗和水耗主要來自于冷卻需求。
相關統計顯示，數據中心運行成本的六成是電費，而電費里的四成多來自冷卻散熱，相應也會帶來巨量冷卻水的消耗。風冷數據中心六成多的耗電量都會用在風冷上，只有不到四成電力用在實際計算上。如今，全球數據中心市場耗電量是10年前的近10倍。
能耗問題會不會成為人工智能發展的“絆腳石”？英偉達首席執行官黃仁勛曾提到，AI和算力耗能巨大，但由于計算機性能飛速增長，計算會更加高效，相當于更節省能源。當前，我國實施嚴格的能耗雙控政策，無論是AI大模型本身還是其應用行業，對單位GDP能耗來說均有明顯降低作用。
從整體能耗來看，AI大模型帶來的效率提升也會抵消一部分能耗增長。隨著綠電廣泛應用，再加上我國逐步由能耗雙控向碳排放雙控政策轉變，可再生能源對未來AI大模型發展的支撐能力也會越來越強。
此外，相較于其他國家而言，中美等能源消費大國和數據大國，具備更好發展AI大模型的資源條件和基礎。
怎樣應對挑戰
據預測，到2025年，AI相關業務在全球數據中心用電量中的占比將從2%增加至10%。到2030年，智能計算年耗電量將達到5000億千瓦時，占全球發電總量的5%。因此，在大力發展AI大模型的同時，必須提前做好相關規劃布局，以提供必要的電力和水資源等技術支撐。
有專家認為，人工智能的未來發展與狀態和儲能緊密相連。因此，不應僅關注計算力，而是需要更全面地考慮能源消耗問題。OpenAI創始人奧爾特曼認為，未來AI技術取決于能源突破，更綠色的能源尤其是核聚變或更便宜的太陽能以及儲能的可獲得性，是人工智能發展快慢的重要因素。
為降低電力和水資源消耗，很多企業在嘗試采用各種方法為數據中心散熱。例如，微軟曾嘗試部署海下數據中心，臉書（Facebook）數據中心選址北極圈附近，阿里云千島湖數據中心使用深層湖水制冷等，我國很多企業則把數據中心布局在水電資源豐富的西南地區。
目前，可通過算法優化、開發和使用更高效的AI專用硬件、調整神經網絡訓練過程以優化計算資源等技術方式來降低AI大模型的能耗，并更多采用自然冷卻、液冷、三聯供、余熱回收等新興節能技術，提高制冷效率以降低數據中心能耗。從技術未來發展方向上看，光電智能芯片也有助于解決AI大模型的電耗和水耗問題。
AI大模型的發展，不能僅符合高端化、智能化的要求，更要符合綠色化的發展要求。為此，從國家和地方層面上看，為緩解AI大模型發展所帶來的電力和水資源沖擊，有必要將數據中心行業納入高耗能行業管理體系，并提前做好相關規劃布局。同時，加強資源整合，充分發揮人工智能大模型和數據中心的效能，通過使用效能下限設置等方式，確保其自身的電力和水資源使用效率。還應嚴格落實國家能耗雙控及碳排放雙控政策，并將其碳足跡與水足跡納入行業考核范圍，切實推動碳足跡與水足跡逐步降低，以應對日益增長的AI大模型電力和水資源需求。
（崔 成 作者系中國宏觀經濟研究院能源研究所研究員）
本文鏈接：大模型為何成耗能大戶http://www.sq15.cn/show-2-5513-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 全球半導體產業格局生變