AI电力消耗将在2025年底超越比特币挖矿

在数字化时代的浪潮中，人工智能（AI）技术的发展速度令人瞩目。随着AI应用的普及，电力消耗也随之水涨船高。根据Alex de Vries-Gao博士的研究，到2025年底，AI的电力消耗将会超过比特币挖矿的能耗，这一预测不仅引发了技术界的广泛关注，也让我们不得不思考背后潜藏的环境与社会影响。

近年来，AI技术的迅猛发展无疑推动了各行各业的变革。从智能助手到自动驾驶，从大数据分析到智能制造，AI的应用几乎无处不在。然而，这种技术的蓬勃发展却伴随着巨大的能源需求。根据研究，训练一个大型模型所需的电力，已经达到了相当于数百个家庭一年的用电量。面对如此巨大的电力消耗，很多人开始质疑：这是否是我们追求智能化的代价？

比特币挖矿，作为一种新兴的数字货币生成方式，其电力消耗同样引发了社会的广泛讨论。比特币挖矿的过程需要大量的计算资源，进而导致高能耗。根据相关数据显示，全球比特币挖矿的电力消耗已经达到了某些小国的用电总量。因此，Alex de Vries-Gao博士的研究结果无疑是一个警钟，提醒我们在追求科技进步的同时，也要认真审视其对环境的影响。

从技术层面来看，AI的电力消耗主要来源于模型训练和推理两个阶段。在模型训练阶段，AI需要处理海量的数据，这一过程需要大量的计算能力，导致了高能耗。而在推理阶段，虽然电力消耗相对较低，但随着AI应用的普及，推理所需的电力也在逐步上升。因此，AI的电力消耗趋势呈现出不断上升的态势。

为了更直观地理解这一现象，我们可以将AI的能耗与其他技术进行对比。例如，传统的数据中心虽然同样消耗大量电力，但其能效相对较高，通常可通过优化管理和技术改进来降低能耗。然而，AI模型的复杂性和不断增长的规模使得其能效提升面临挑战。换句话说，随着AI技术的不断进步，其电力消耗的上升似乎已经成为一种不可避免的趋势。

与此同时，AI的电力消耗不仅仅是一个技术问题，更是一个社会问题。随着全球变暖和环境污染问题的日益严重，如何平衡科技进步与环境保护之间的矛盾，已经成为各国政府、企业和科研机构需要共同面对的挑战。我们需要更加关注AI技术的可持续发展，探索低能耗的算法和模型，推动绿色计算的研究与应用。

在此背景下，很多企业和研究机构开始积极探索AI技术与可再生能源的结合。例如，一些科技公司已经在数据中心引入了太阳能和风能等可再生能源，以降低其碳足迹。此外，开发更高效的算法和硬件也是降低AI电力消耗的重要途径。通过优化模型结构和提高计算效率，我们有可能在不牺牲性能的前提下，显著降低AI的能耗。

当然，作为普通用户，我们也可以通过一些小行动来支持这一进程。例如，使用节能型设备、选择绿色能源供应商、减少不必要的计算需求等，都是有效的减排措施。每个人的微小努力，汇聚在一起，就能形成强大的力量，推动社会向可持续发展迈进。

在展望未来时，我们不禁要问：AI的电力消耗是否真的是不可逆转的趋势？在技术不断进步的今天，或许有一天我们可以找到更高效的解决方案，实现智能化与环保的双赢局面。对此，社会各界的共同努力不可或缺，只有通过合作与创新，我们才能在这个充满挑战的时代中找到出路。

总的来说，AI电力消耗超越比特币挖矿的现象，既是科技发展的必然结果，也是我们必须面对的现实挑战。在这一过程中，如何实现技术与环境的和谐共存，将成为未来发展的关键。希望通过更多的研究与实践，我们能够为AI的可持续发展开辟出一条光明的道路，让科技更好地服务于人类社会，而不是成为环境的负担。

AI耗能远超预期

研究数据指出，仅在2023年至2024年间，NVIDIA与AMD生产的AI加速器模组，其累积热设计功耗(TDP)总计已高达3.8百万瓩(GW)，此数据相当于爱尔兰全国一整年的电力消耗。

若将所有采用台积电先进封装技术(CoWoS)的AI硬件纳入考量，例如Google的TPU，并计入散热等辅助设备构成的整个AI系统总耗电，目前全球已部署的AI系统电力需求，据估计已达到5.3至9.4GW的惊人规模。

Alexde Vries-Gao博士在研究中进一步预测：「如果台积电如期在2025年将CoWoS产能再次倍增，到今年底，累计生产的AI系统电力需求可能达到23GW。这不仅将超越比特币挖矿的耗电量，更将接近2024年非加密货币资料中心总耗电量的一半。」

此番言论凸显了AI发展对全球电力供应的潜在压力。事实上，台积电的CoWoS封装技术产能，已被广泛视为AI加速器制造流程中的主要瓶颈。

研究内统计，台积电的CoWoS产能从2023年的约12.65万片(300mm晶圆)增长至2024年的约32.74万片，增幅超过一倍。

市场分析师估计，NVIDIA和AMD合计占用了台积电CoWoS产能的52%(2023年)和58%(2024年)，其中，NVIDIA的单独占比更是分别达到44%(2023年)和48%(2024年)，显示其在AI硬件市场的庞大需求。

能源效率的拉锯战

AI能源需求为何飙升，主要是因为产业普遍抱持「更大规模的模型表现更佳」的观念，这直接导致AI模型的规模与复杂度不断攀升，耗能也跟着提升。

虽然部分模型效率有所改进，例如中国DeepSeek R1模型宣称能减少对高阶硬件的依赖，但模型规模的持续扩大，往往轻易抵销了这些效率上的增益，甚至可能产生所谓的「回弹效应」，使得总体能耗不减反增。

与此同时，科技巨头对于AI能耗数据普遍维持低透明度，以Google为例，该公司曾在2019至2021年间提供相关数据，显示机器学习当时约占其总能源使用的10%至15%。随后便停止披露此类数据，并声称区分AI与其他工作负载的能耗「没有意义」。

虽然欧盟AI法案要求披露通用AI模型训练阶段的能耗，但对于占据更大耗电比例的推论(Inference)阶段，却并无强制要求，且相关规定最快也要到2025年8月才会正式生效。

Alexde Vries-Gao强调：「缺乏透明度是我们面临的最大挑战之一。没有准确数据，政策制定者和研究人员就无法全面评估AI的环境影响并制定有效的监管框架。」

电网压力与环境隐忧

这种能源需求的快速增长，正对每个先进国家的电网构成严重挑战。资料中心的建设速度(通常仅需1至2年)远快于电网的规划与建设周期(往往需要5至10年)，这种时间差导致了所谓的「电力容量危机」。

更令环保人士担忧的是，新建AI资料中心可能进一步加深对化石燃料的依赖，例如OpenAI/Stargate和Crusoe能源公司先前的合作计划，将为资料中心提供高达4.5GW的天然气发电容量。

美国是全球最大的资料中心电力消耗国，占全球总量的约45%，其次是中国(25%)和欧洲(15%)。目前美国对于AI冲刺的目标，似乎将电力消耗带来的隐忧暂时放下；而中国电力等相关AI资料，则更不清晰。