ChatGPT每天要耗費1.7萬個家庭的用電量，到底值不值？快訊
各個 AI 公司也不愿公布自己的模型訓練信息，統計了 88 個不同 AI 模型在不同任務下的用電情況，這只是 AI 模型在訓練完成之后每次使用時的耗電量。
我認為到明年，你就會看到我們沒有足夠的電力來運行所有的芯片。
最近，馬斯克在活動上表示，繼之前的芯片短缺后，AI 的發展接下來將會遇上電力不足的挑戰。
大家似乎都知道訓練 AI 發展 AI 需要大量算力，極為耗電耗水，但我們似乎又不清楚它具體有多耗電。
即便如此，部分地區已經開始感受到由 AI 大潮帶來的用電壓力，而各領域的研究人員也在想方設法去對能耗進行測算。
畢竟，如果我們真要如科技巨頭們所描繪般走入與 AI 緊密共存的未來，那及早計算它背后的「能源賬」也是一種必要。
好奇生成一張圖，就能為手機充滿電？
我在用文生圖模型時，常常會不自覺「貪心」。
即便圖片出來質量還可以，我也總會忍不住多點幾下，生成幾次，或者添加一些變量，看模型會給我「造」出什么。
輕點一下就有全新演繹，這個誘惑太大了。
然而，我沒想到的是，我的一次好奇點擊下消耗的電量，居然已經能把我手機充滿電。
去年 12 月，開源 AI 平臺 HuggingFace 研究員和卡內基梅隆大學聯手合作，統計了 88 個不同 AI 模型在不同任務下的用電情況。
其論文指出，圖像生成模型推斷 1000 次平均用電 2.907 千瓦時，而平均手機充電耗電量為 0.012 千瓦時。
不過，論文作者 Sasha Luccioni 強調，這并不意味著所有圖像生成模型的耗電量都如此，因為研究測算中既然只生成 64x64 圖像的小模型，也有生成 4K 高清圖的模型。
相比之下，文本類模型的耗電量會低很多—— 推斷 1000 次平均耗電量介乎于 0.002 千瓦時至 0.047 千瓦時。
值得指出的是，這只是 AI 模型在訓練完成之后每次使用時的耗電量，訓練模型本身用電量則更可觀。
論文估算，GPT-3 這種體量的模型訓練用電量可達 1300 兆瓦時，約等于 130 個美國家庭一年的用電量。
為什么不去算更新模型的用電量？
因為 OpenAI 變得越來越不 open，不再像幾年前一樣會公布訓練細節，如用了什么硬件和耗時。
在白熱化競爭下，各個 AI 公司也不愿公布自己的模型訓練信息，一切都在變得越來越不透明。
這也是為什么 Sasha Luccioni 要用更側面的方式來進行估算。
當然，這些數據沒法代表所有人的使用情況，但至少我們有一點數據。
我想把旗子立起來，和大家說「我們就從這里開始吧。」
同樣不愿被信息壁壘擋住的，還有供職于荷蘭中央銀行的 Alex de Vries。
de Vries 將視野拉得更廣，直接跳過 AI 模型，通過計算全球被用于 AI 領域的英偉達 GPU 數量來估算這個領域的用電量。
據 de Vries 估算，到了 2027 年，AI 行業每年的耗電量將介乎于 85 - 134 太瓦時，相當于荷蘭整個國家的用電量。
至于 ChatGPT 本身，de Vries 認為它每天處理 2 億個用戶請求會耗電 50 萬千瓦時，這相當于一個美國家庭每天用電的量的 1.7 萬倍。
如果 Google 將 AI 結合到每一次搜索中，那它一年的用電量就會飆升至 210 億千瓦時，高于肯尼亞、克羅地亞等國家的用電量。
而和從前計算機發展不同的是，目前勢態下 AI 的用電量基本很難降低。
他指出，在 2010 -2018 年期間，全球數據中心的用電量其實相對穩定，大概占全球總用電量 1%-2%。
雖然我們的生活和互聯網更緊密了，用「網」頻率也更高了，但硬件的效率也在提升，能抵消一下。
情況在「AI 模型大戰」下改變了，巨頭們只想把模型越做越大，數據越多越好：
真像是一個效率的死亡動力學。
它自然地創造了一種驅動力，讓人們不停地增加算力資源，一旦模型或硬件變得更高效了，人們又要讓這些模型變得更加大。
未來的問題，交給未來？
這一切對于 de Vries 來說都很熟悉。
最開始，吸引 de Vries 去做用電統計的其實是比特幣。
據 de Vries，比特幣挖礦現在一年仍然消耗 1450 億千瓦時的電量，碳足跡高達 8100 萬噸，比摩洛哥的年排放量都要高。
挖礦本身的模式也注定了它和「可持續」在本質上的不兼容：
我認為政策上唯一可行的做法就是要求披露數據。
我們花了那么多年才在加密行業學會這個，我真的很失望我們怎么沒能早些在 AI 領域做到這件事。
就像是我們看到了挖幣帶來的影響，然后完全就忘了。
但和加密幣行業不同的是，在各個大公司的敘事中，AI 將更緊密地融入我們的生活中，巨頭們也不怕說起 AI 的耗電問題，只是解決方案也和 AGI 一樣「未來」。
我們仍舊不喜歡這項技術對能源的消耗。
如果沒有大突破，我們沒法達到目的地。我們需要核聚變，或者極其廉價的太陽能加上存儲設備，或者某種大規模的設備。
Sam Altman 在今年 1 月的達沃斯活動上如此回應 AI 的能耗問題。
此前，Altman 和微軟都投資了核聚變發電初創公司 Helion。這家公司致力于 2028 年以前，建成全球首座核聚變發電廠。
這段時間引來大量關注的法國公司 Mistral AI 和美國公司 Inflection AI 則各自拿出訓練成本更低的高質量模型。
這固然可以減少算力壓力，但它們又是否能走出 de Vries 提及的規模循環?
這些都是要等「未來」回答的問題，但「現在」已經展露出 AI 對能源的壓力。
據彭博社，為了應對用電量的飆升，美國一些電力公司在考慮解封已經封存的化石燃料發電廠，部分公司已經開始提請監管機構批準建造新的天然氣發電廠。
國際能源署在今年發布的報告中預測，未來三年，全球對數據中心、加密貨幣和 AI 的電力需求將增加一倍以上，相當于一個德國的全部電力需求。
到了 2026 年，全球總體電力需求預計將增長 3.4%，但風能、太陽能和水能等可再生能源和核能，都無法彌補這一增長。
的確，如果我們想要一個 AI 無處不在的未來，正如 Altman 所言，真的是迫切需要重大突破。
但 de Vries 則認為，我們也可以提出一個新問題：
我們真的需要 AI 去做某些特定的任務嗎？
考慮到 AI 的各種限制，它在很多地方可能都不適用，但我們就得花很長時間和大量能源去用艱難的方式才能看到。
1.TMT觀察網遵循行業規范，任何轉載的稿件都會明確標注作者和來源；
2.TMT觀察網的原創文章，請轉載時務必注明文章作者和"來源：TMT觀察網"，不尊重原創的行為TMT觀察網或將追究責任；
3.作者投稿可能會經TMT觀察網編輯修改或補充。
