AI迎來能耗“大考”

　　1.05萬億千瓦時(kW·h)！

　　這是國際能源署(International Energy Agency，以下簡稱“IEA”)日前發佈的《電力2024》報告中，對2026年全球數據中心的最高總用電量作出的預測。1千瓦時就是1度電，“超過1萬億度電”，根據報告的估算，這些電量大約是整個日本全年的用電量。

　　數據中心、智算中心等算力基礎設施是人工智慧(AI)的數據中樞和算力載體。隨著AI尤其是生成式人工智慧(AIGC)和大模型技術的快速發展，算力需求激增，AI的能耗問題也越來越受到關注。在近段時間舉行的多場國際會議上，一些科技巨頭紛紛表達了對AI發展帶來的能耗問題的擔憂。

　　如何在提升智效的同時解決能耗難題，對AI行業來説，是一場“大考”。

　　AI在推理階段的耗能不容忽視

　　討論AI耗能的問題，不可避免地要談到AI大語言模型(以下簡稱“大模型”)。

　　“生成式人工智慧是當前AI技術發展的重點。”騰訊研究院資深專家王鵬在接受中青報·中青網記者採訪時説。他表示，當前，生成式人工智慧技術的基礎就是以數據和算力堆疊為標誌的大模型，其訓練和應用需要大量的算力支援，“算力背後則是算力基礎設施耗電所帶來的巨大電能需求”。

　　全國政協委員、中國科學院計算技術研究所研究員張雲泉指出，大模型的參數和數據規模越大，其智慧效果就越好。在大模型中，“Scaling Laws”(規模效應)意味著當參數和數據規模大到一定程度時，大模型的智慧表現將出現躍升，也就是“智慧涌現”。“目前我們還沒看到‘智慧涌現’的上限在哪。”

　　“一般來説，參數量越大，大模型的算力消耗就越大，其消耗的電能就越多。”王鵬表示，因為還沒達到上限，以OpenAI為代表的人工智慧公司在“Scaling Laws”的驅使下，還在持續增加大模型的參數和數據規模，以求實現通用人工智慧(AGI)的目標，造成短期內算力需求和電能需求的巨大提升。

　　“因為GPT-3有1750億個參數，訓練用到了1024張英偉達A100晶片，所以業內將其稱為‘千卡千參’。”商湯科技智慧産業研究院院長田豐説，目前GPT-4、GPT-5等大模型都達到了“萬卡萬參”的規模，且訓練模型所用晶片也從英偉達A100更新到英偉達H100、B200，“參數量的激增將導致能耗顯著增加”。

　　除了模型訓練以外，AI在推理階段的耗能也不容忽視。“推理即大模型響應用戶需求的過程”，張雲泉介紹，大模型單次響應用戶需求的耗電量並不大，“但隨著用戶規模的增加，耗電量也將不斷累積並增大。”

　　近日，源自美國的一則“如果將10萬塊英偉達H00晶片部署在同一地區進行模型訓練，會導致電網崩潰”的新聞引起社會關注。

　　多位專家在接受記者採訪時表示，AI導致電網崩潰的原因在於，大模型的訓練是階段性的工作，所用到的算力要集中在一個數據中心裏，在有限時空範圍內進行大模型訓練，會給局部電網帶來非常大的用電負荷。

　　“穩定的電網系統中突然出現巨大負荷擾動，會對電網的穩定和安全産生影響。”張雲泉指出，隨著大模型參數和數據規模的進一步增加，AI的能耗問題將越來越突出，尤其是對於電力供應緊張的國家和地區。“長遠來看，AI推理過程的耗能將越來越大；短期內，大模型訓練的能耗則是最大的AI能耗增量。”

　　在王鵬看來，與家庭用電量相比，AI的耗電量顯得很大，但其在社會總用電量中的佔比依然很小，“還遠沒有達到製造業用電的數量級”。

　　解決方案：技術創新與新能源

　　根據美國機構Uptime Institute的預測，到2025年，AI相關業務在全球數據中心用電量中的佔比將從2%增加到10%；到2030年，智慧計算的年耗電量將佔全球發電總量的5%。

　　“解決能耗問題，是AI技術發展的重要前提。”田豐對記者説，雖然目前AI的能源消耗還不至於引起大範圍“電荒”，但隨著AI的大規模應用，未來可能發生AI“缺電”的情況，需要尋找合適的解法，讓有限的電力能源可以容納更大的算力規模。

　　通過研究和實踐，人們對AI的了解逐漸增強，一系列解法隨之而來。從需求角度看，優化大模型架構、提升晶片效率和算力效率等，被認為是降低AI能耗的有效途徑。

　　張雲泉表示，首先，可以設計AI模型訓練的專用晶片，其效率相較GPU(圖形處理器，現常用於AI計算)提升了10倍以上；其次，可以優化AI模型的參數，很多小模型僅有幾十億的參數量，但已經實現了和大模型一樣的效果；此外，還可以通過對推理過程進行優化壓縮，設計專用推理晶片，進一步降低AI推理階段的能耗。

　　“大模型變小模型，目前降低能耗效果最好。”張雲泉以微軟4月底發佈的自研小尺寸AI模型Phi-3為例介紹。據了解，Phi-3模型目前有3個版本，其中Phi-3 mini是一個擁有38億參數的語言模型，可部署在手機上，根據實驗和測試結果，其性能已經可以與GPT-3.5等大模型相媲美。

　　在能源供應方面，訴諸多樣化的新能源供給、依靠國家進行宏觀調控與規劃等舉措，將有助於解決AI能耗問題。天使投資人、資深人工智慧專家郭濤對記者表示，當前，新能源，包括太陽能、風能、水能等可再生能源，正逐漸成為數據中心的最佳能源選擇。“如果沒有足夠的可再生能源來滿足AI能耗的增長，可能會導致對化石燃料的依賴加劇，從而對環境造成負面影響。此外，數據中心還可以通過智慧演算法來優化能源使用效率，實現AI與電網的協同發展。”

　　不少人工智慧公司已經開始關注新能源。2021年，OpenAI首席執行官山姆·奧爾特曼向核聚變初創公司Helion Energy投入3.75億美元；2024年3月，亞馬遜雲服務公司(AWS)收購美國賓夕法尼亞州一座數據中心園區，據了解，該園區就是從鄰近的核電站獲取電力。

　　“解決AI耗能問題涉及到算力、電力等多個系統的協調與配合。”王鵬指出，一方面，要從AI本身去降低能耗，包括優化演算法、降低模型參數、提高計算性能等；另一方面，整個能源系統也要積極響應AI的能耗需求。

　　“源網荷儲”一體化考慮

　　新能源或將成為解決AI耗能問題的一把“鑰匙”，這正好與我國此前提出的“東數西算”工程相契合。

　　國家能源局的數據顯示，2023年，我國可再生能源新增裝機3.05億千瓦，佔全國新增發電裝機的82.7%，佔全球新增裝機的一半；全國可再生能源發電量近3萬億千瓦時，接近全社會用電量的1/3。目前，我國已建成全球規模最大的電力供應系統和清潔發電體系，其中青海、內蒙古、寧夏等西北部地區則是清潔能源的“富礦”。

　　2021年，我國提出實施“東數西算”工程，引導數據中心向西部資源豐富地區聚集，推動當地數據中心走向低碳、綠色、可持續，同時滿足東部地區的算力需求。2022年2月，內蒙古、貴州、甘肅等8地啟動建設國家算力樞紐節點，10個國家數據中心集群被寫入工程總體“規劃”，“‘東數西算’工程全面啟動”。

　　“大模型時代，‘東數西算’工程將對全國的電力需求和算力需求起到重要的宏觀調控作用。”張雲泉預計，未來將會有越來越多的大型算力中心或智算中心選址我國西部地區，“東數西訓”(即東部地區的AI大模型，在西部地區進行訓練——記者注)將成為AI與新能源協調發展的典型場景。但他強調，推動新能源更好地賦能AI發展，儲能是一個需要解決的問題。

　　“大規模儲能的建設決定了新能源是否能更好地滿足算力需求。”田豐也同意張雲泉的觀點。田豐指出，包括光電、風電等在內的新能源，具有間歇性發電的特點，需要依靠儲能系統將多發的電及時存儲起來，削峰調谷，以保證電網的供需平衡。

　　國家能源局的最新數據顯示，截至2024年一季度末，我國已建成投運的新型儲能項目累計裝機規模達到3530萬千瓦，同比增長超過210%，其中10萬千瓦以上的儲能電站超5成，呈現集中式、大型化的發展趨勢。

　　在儲能的建設上，王鵬著重強調了新能源汽車的分佈式儲能能力。“隨著電池充放電次數和壽命不斷提高，數億輛電車利用峰谷電價差來儲能並反向回供電網，基本可以實現零成本用車甚至盈利，同時也能解決電網的調峰問題。”

　　此外，王鵬還認為要重新思考“數據網”和“電力網”的分佈式聯動與微觀佈局協同。他指出，為滿足短期內快速增長的人工智慧推理算力需求，除了在西部可再生能源豐富的地區佈局大型算力中心，實現“東數西算”；也需要考慮在東部需求側的數據中心和算力中心附近，積極佈局分佈式可再生能源，如與城鄉建築、農業設施等結合的分佈式BIPV(光伏建築一體化)、光儲直柔一體化等。“而且還要‘源網荷儲’一體化考慮，盡可能通過微電網實現就地峰谷平衡，減少棄風棄光。”

　　“這需要電價政策、基礎設施建設、政策支援和用戶行為等多方面的配合。”在王鵬看來，整個算力網路、輸電網路、分佈式能源網路，與車輛(充電)網路的高度耦合，或許是解決我國未來AI能耗問題的關鍵。

　　“在考慮投入和産出算總賬的情況下，AI實際上進一步提高了社會的生産效率，降低了能耗。”田豐認為，AI作為新質生産力正在賦能經濟社會發展，如今的AI大模型已經成為重要的基礎科研設施，其訓練中的投入，最終將為全社會帶來新質生産力的紅利。

　　目前，在AI大模型的訓練成本中，能源消耗成本的佔比已經超過一半。田豐説，從基礎科研的角度看，要繼續加大對AI技術的投資，“現在是奮起直追的時候，不應該自束手腳”。具體到AI耗能方面，他建議，可以給予大模型訓練一定的能源支援政策。