AI带来能效提高，由此产生的节能量最终将数倍于AI本身的能耗。但这有个时间差，AI带来的能耗增加是即时的，而AI应用带来的节能量需要3年-5年的时间逐步呈现
文｜翟永平
自2022年11月ChatGPT-3.5发布，生成式AI的指数级发展使其能源需求成为全球焦点。埃隆·马斯克多次警告AI的尽头是能源危机，“人们会看到，没有足够的电力来运行所有的AI芯片”。
2024年底中国DeepSeek公司发布基于“混合专家”（MoE）架构的新一代模型，其训练能耗大幅度降低约70%。这时微软CEO萨蒂亚·纳德拉又援引了一个160年前的经济学概念：杰文斯悖论。意思是当AI模型的训练成本和能耗降低之后，可能刺激更多企业和机构部署AI应用，从而导致整体算力需求进一步上升，进而引发更大的能源消耗。
然而，上述观点都忽略了一个关键维度：AI在实体经济中还可以扮演“节能利器”的角色。AI驱动的能源供应系统优化，工业流程改进，交通、建筑等能源消费领域效率提高，可以实现大量的节能减排。AI既是能源消耗者（Energy for AI），更是能源系统的“效率倍增器”（AI for Energy）。
关键问题在于：AI自身消耗的能源与使用AI之后节约的能源相抵，究竟能否实现净正收益？
这笔关乎全球能源格局和气候变化应对路径的宏观账本，正是本篇年终专稿试图探讨的议题。
Energy for AI：算力增长的能源约束与破局之道
AI的爆发式增长正在重塑全球能源格局。由于AI模型的训练与推理需求激增，数据中心成为电力需求增长最快的行业。
1.AI的能源“胃口”到底有多大？
AI的能源需求正以远超预期的速度增长。根据国际能源署的数据，2024年数据中心约占全球电力消耗的1.5%，即415太瓦时（TWh）。2024年，美国占全球数据中心电力消耗的比例最大（45%），其次是中国（25%）和欧洲（15%）。自2017年以来，全球数据中心电力消耗年均增长约12%，是总电力消耗增长率的四倍多。
国际能源署预测，到2030年全球数据中心电力消耗预计将增长一倍以上，达到约945太瓦时，略高于日本当前全国电力消费总量。AI将成为这一增长的最主要驱动力，同时其他数字服务需求的持续扩张也起到重要推动作用。
从地域分布来看，美国在这项预测增长中占据绝对主导地位，中国紧随其后。特别值得注意的是，在美国，从现在到2030年间，数据中心将贡献近一半的电力需求增长。根据预测，2030年美国用于数据中心的电力消耗将超过其铝、钢、水泥、化工等所有能源密集型工业产品的生产用电总和。
面对AI的能源需求激增的挑战，能源生产商特别是美国的化石能源公司多少有些窃窃私喜，美国天然气及燃气发电行业迎来“第二春”。美国丰富的页岩气资源成本低廉、供应可靠，而天然气电厂能快速响应数据中心高稳定性供电需求。相比可再生能源的间歇性，天然气可灵活调峰满足AI算力突增时的电力需求。以弗吉尼亚州为例，Meta、亚马逊、微软等巨头在此建设超大规模数据中心。2024年该州数据中心用电量已占全州电力需求26%，预计2030年这一比例可达40%。
2.AI低碳能源供应路在何方？
这样看来，在AI爆发式增长过程中并不缺电，但缺绿电。对此，业界正从技术革新、能源结构这两个维度寻找破局路径。在政策层面，中国政府大力推进“东数西算”来加速数据中心的绿色转型。
在软件算法方面，AI模型的训练和推理过程可以通过多种策略来减少能耗。例如，使用混合专家模型（MoE）可以在推理时选择性地激活模型中最相关的部分，从而节省计算资源并降低能耗。模型压缩技术（如知识蒸馏、量化和稀疏化）可大幅降低计算需求，模型轻量化技术大幅降低推理能耗。
硬件芯片的效率提升也是降低AI模型能耗的关键因素。随着技术的进步，新一代的GPU和其他专用芯片在能效方面有了显著的提升。例如，最新的B200 GPU相比之前的H100和A100系列，在每瓦特浮点运算上的能效分别提高了60%和80%。这些改进不仅减少了单个芯片的能耗，还使得大规模AI模型的训练和推理更加高效。
硬件和软件的协同设计也是提高能效的重要手段。通过共同优化软件和硬件，可以最大化能效和性能。例如，针对特定任务设计的模型可以减少不必要的计算，从而降低能耗。同时，边缘计算技术通过在设备端运行AI推理，减少了数据传输的需求，进一步降低了能耗。
2025年8月，谷歌发表研究论文公布了Gemini AI模型在生产环境中的能耗与环境影响。研究发现，2025年5月期间，单个文本提示的中位能耗仅为0.24瓦时，碳排放为0.03克，耗水量为0.26毫升，较早期公开估计低1个-2个数量级。能耗下降的核心驱动力来自全栈优化：模型架构上采用混合专家系统和注意力机制改进，使计算量减少10倍-100倍；算法层面应用精确量化训练（AQT）降低数据精度需求；推理优化通过推测解码和动态批处理提升硬件利用率；定制TPU硬件能效较初代提升30倍；数据中心PUE（总能耗与IT设备能耗的比值，反映电能利用效率，越接近1越好）低至1.09。软件效率提升与清洁能源采购共同促成12个月内能耗下降33倍，碳排放减少44倍。
科技公司高度重视绿电供应。以中国腾讯公司为例，腾讯2022年公布碳中和目标及行动路线图，明确提出2030年实现100%绿色电力的目标。在美国，科技公司采取了多种策略和行动来锁定绿色能源供应，比如签订长期的可再生能源采购协议（PPAs），这些PPAs不仅包括传统的风能和太阳能项目，还涉及更先进的技术，如小型模块化反应堆（SMRs）和下一代地热能。谷歌、微软等美国科技公司还在探索小时级匹配的可再生能源供应。这意味着不仅在年度的范畴内实现100%可再生能源供应，还通过与可再生能源资产（如风能、太阳能和储能）的组合，确保每小时都能使用清洁能源。
在中国，随着AI、云计算等新兴技术的普及，国内算力需求呈现年均30%以上的高速增长，但东部地区面临土地紧张、绿电供应等问题，数据中心建设遭遇瓶颈。与此同时，西部地区拥有全国70%的可再生能源资源，却存在本地消纳不足的困境。为优化资源配置，2022年国家发展改革委等四部门正式启动“东数西算”工程，旨在通过构建全国一体化算力网络，引导东部算力需求有序向西部转移。
据测算，在西部建设运营数据中心综合成本约为东部的50%-70%，具备较大成本优势。八大国家枢纽节点已建成智算规模62万PFLOPS（1PFLOPS即每秒千万亿次），约占全国智算总量的80%。国家鼓励通过绿证、绿电交易提升数据中心绿电占比。推进数据中心用能设备节能降碳，目前八大枢纽节点数据中心集群平均PUE（电能利用效率）达到1.3左右，最先进数据中心PUE最低降至1.04。
AI for Energy——激活能源供应与需求的创新应用
1.AI在能源供应端的创新应用
AI技术通过增强预测精度、优化运行策略和提升维护效率，正在推动全球能源供应系统向更智能、更高效的方向转型。
在可再生能源领域，AI通过分析气象卫星、地表传感器和历史发电数据，构建高精度预测模型，有效应对风光发电的间歇性问题。阿里巴巴达摩院开发AI驱动的天气预报和新能源预测应用，在“八观”气象大模型基础上，推出可再生能源预测平台eForecaster。该技术已在中国某省电力调度中心成功应用，覆盖262座风电场和331座光伏电站，新能源发电功率和电力负荷预测的准确率分别提升至96%和98%以上，助力电网在遭遇剧烈天气变化时安全稳定运行。
在电网运营领域，AI技术通过深度学习和数据分析，能够实现对电网运行状态的实时监控、预测和优化，从而提高电网的稳定性、可靠性和效率。在能源转型的大背景下，电力系统的复杂性不断提升，分布式电源数量增多，灵活调节资源类型更广泛，因此特别需要AI的加持。
其中一项重要工作是提升“电力需求预测”与“波动性可再生能源出力预测”的准确性，从而优化电力行业资产（包括可调度发电厂、储能设施及需求侧灵活调节资源）的利用效率，最终提高整个电力系统的运行效率。例如，法国的输电系统运营商RTE与比利时的输电系统运营商Elia均采用人工智能进行实时预测，以评估系统供需失衡情况；日立能源（Hitachi Energy）推出的“诺查丹玛斯”（Nostradamus）人工智能工具，可提供便捷获取的负荷预测、市场电价预测及可再生能源出力预测服务；IBM研究院成立了GridFM工作组，旨在通过人工智能改进电网运营与规划——该工作组重点关注电网抗干扰能力、效率及可再生能源并网，利用预训练的最优潮流模型和多模态数据，实现停电预测与负荷预测。
随着电力系统中风电、光伏占比的提升，火电厂的角色逐渐向“灵活调节”转型，但这一转变导致其平均效率下降。在这样的情况下，将AI应用于电力系统运营，通过优化调度，可让具备灵活调节能力的火电厂维持更高的利用率，从而最大限度减少效率损失。这些措施不仅能优化资源利用，还能降低系统成本、增强电网稳定性。此外，故障预警是AI在能源供应端的另一个重要应用。通过安装智能传感器和监控设备，AI系统可以实时监测电网设备的运行状态，及时发现异常并发出预警。这种预防性的维护方式不仅可以减少停电事故的发生，还能延长设备的使用寿命，降低运营成本。
2.AI在能源消费端的创新应用
AI在能源消费侧的创新应用主要体现在工业、交通和建筑三大领域，通过优化生产流程、提升能效和增强系统灵活性，显著降低了能源需求与碳排放。在工业领域，AI通过实时数据分析和机器学习优化生产流程，例如国际钢铁巨头安赛乐米塔尔（ArcelorMittal）公司利用AI算法实时调整卢森堡工厂的能源使用，实现3%的能效提升。水泥行业也通过AI优化煅烧工艺，德国海德堡材料公司以此将熟料比降低5个百分点，单厂年减排4万吨二氧化碳。轻工业中，西门子埃尔朗根工厂通过全厂级AI优化（包括电机尺寸调整和温控策略）实现25%-42%的能耗强度下降。
交通领域，AI通过路线优化、预测性维护和生态驾驶策略降低能耗。物流企业DHL旗下Greenplan开发的AI工具为车队规划最优路径，减少20%燃油成本；沃尔玛通过AI预测卡车维护需求，提升燃油效率5%-7%。在电动汽车领域，AI精准预测电池衰减并优化充电策略，如TuSimple自动驾驶卡车通过AI控制车速降低10%-20%能耗。在航空业，阿拉斯加航空应用AI规划飞行路径，单次航班节油5%-12%。据估算，到2035年AI可使全球道路货运能耗减少1.5艾焦（相当于4%的行业需求）。
建筑领域，AI驱动的能源管理系统（BEMS）通过整合天气、电价和室内人数等数据实现动态调控。瑞典某市政公司为600所学校部署AI-BEMS，结合1万个传感器数据，每15分钟调整暖通空调设定值，节电率达10%。印度Infosys园区在已有LEED铂金认证基础上，通过AI再提升7%能效。新加坡某科技公司总部仅用历史数据训练AI模型，在没有增加硬件设施的情况下即实现23%制冷能耗下降。更前沿的应用体现在建筑设计阶段，上海某高层建筑通过AI模拟风场优化热性能，预计比传统建筑节能35%。据IEA预测，若全面推广现有AI技术应用场景，2035年全球建筑领域可节电3000亿度（相当于澳新两国年发电量），其中10%峰值需求可参与电网调峰。
AI技术为解决传统的节能难题提供了全新路径。传统节能依赖人工经验与静态策略，而AI系统通过物联网实时采集设备运行数据，利用深度学习构建能耗数字孪生模型，可精确量化每台设备的节能潜力空间。在合同能源管理（EMC）领域，AI可破解效益核算难题。基于区块链的智能电表结合联邦学习技术，可在保护商业机密前提下实现分项计量，从根本上改变了EMC的商业模式可行性。
AI在能源领域的局限性与前景
1.什么场景下不适合采用AI？
AI也存在显著的局限性。首先，能源行业推进AI应用面临最显著的障碍是兼具数字技能与能源专业知识的复合型人才严重短缺。这一缺口导致双重问题：一方面，纯技术背景团队开发的AI模型常因不理解电网物理特性、可再生能源技术等领域知识，导致算法不可靠性；另一方面，能源从业者缺乏AI素养，难以有效定义需求或评估外部方案，造成项目失败。
其次，AI在能源领域的应用受到数据和基础设施的限制。能源系统的许多环节缺乏高质量、完整的数据，尤其是历史数据的缺失或噪声较多，导致AI模型的训练效果不佳。此外，许多地区，特别是新兴市场和发展中经济体，数字化基础设施不足，传感器和联网设备的覆盖率较低，这使得AI难以有效部署。例如，老旧建筑或小型工业设施由于缺乏数据采集能力，AI优化策略难以实施。
第三，AI在复杂开放环境中的决策能力有限。虽然AI在结构化任务（如负荷预测、设备监测）中表现优异，但在需要多步骤因果推理或应对突发情况的场景中，AI的适应性仍不如人类。例如，电网在极端天气下的应急调度需要快速判断和灵活调整，而当前的AI系统难以完全模拟人类的经验和直觉，可能导致决策失误。
此外，AI在涉及安全、伦理和法规的敏感领域存在适用性限制。例如，在关键基础设施运维等场景中，AI的“黑箱”特性使其难以满足严格的透明性和可审计性要求。未来，AI在能源领域的成功部署需要结合数据治理、技能培训和政策引导，以克服现有局限并发挥其最大潜力。
2.AI在能源领域应用是否能实现正收益？
AI自身的能耗与其带来的节能潜力之间的关系是一个动态且复杂的权衡问题，涉及技术发展阶段、应用场景、能源结构以及时间维度（短期与中期）等多重因素。当前，AI尤其是大语言模型（LLM）、深度学习训练等任务对计算资源需求极高，依赖大规模数据中心和GPU集群，其训练和运行过程消耗大量电力。
短期内（1年-3年），随着AI技术快速部署，算力需求激增，AI系统的直接能耗预计将持续上升。在没有绿色能源替代的情况下，碳排放也会相应上升。从中长期（3年-5年及以上）来看，AI具有巨大的节能优化潜力。在能源管理领域，AI可用于电网负荷预测、智能调度、可再生能源整合，提高整体能源使用效率；在工业领域，通过预测性维护、流程优化，减少能源浪费；在建筑与交通管理中，AI可以优化暖通系统、照明控制及交通流量，降低整体能耗。
AI的能耗与碳排放的趋势有个“时间差”。短期内（1年-3年），AI的能耗增长是“即时”的，数据中心的绿电供应也没有完全到位；而AI应用落地带来的节能效益尚未完全释放，可能导致短期内出现“能耗先增、节能减排后至”的阶段性失衡。
因此，我们应该在短期内优先在“减排见效快”的场景部署AI，快速产生减排收益，抵消部分能耗增量。随着AI技术进步（如更高效的芯片架构、低功耗AI模型、绿色数据中心）、可再生能源比例提升，以及AI节能应用的规模化落地，中期内（3年-5年）AI的净节能效应将逐步显现并超过其自身能耗。AI的应用有望带来数倍于其自身能耗的节能效果，AI必将成为推动全球碳中和的重要工具。
从长远来看，核聚变技术有望为AI发展提供终极零碳能源供应。而AI与核聚变的结合正在加速可控核聚变从实验室走向商业化的进程。AI通过处理海量实验数据、实时预测等离子体不稳定性，并优化控制策略，显著提升了聚变装置的稳定性和效率。两者形成“AI加速聚变研发，聚变赋能AI算力”的共生关系。
目前，全球资本正加速布局聚变技术。微软、谷歌、亚马逊等科技巨头正积极布局核聚变能源商业化。微软已与Helion Energy签署全球首个聚变电力采购协议；谷歌投资了Commonwealth Fusion Systems（CFS），支持其21世纪30年代初并网目标；亚马逊则通过气候基金投资General Fusion等初创公司。2025年7月，中国聚变能源有限公司成立，成为推进中国聚变工程化、商业化的创新主体。
虽然核聚变技术仍面临科学技术和工程技术难题，但这些动向凸显了各方对核聚变技术的押注，加速推动核聚变成为AI和经济发展的终极能源解决方案。
结束语
2025年诺贝尔经济学奖授予乔尔·莫基尔、菲利普·阿吉翁和彼得·豪伊特，以表彰他们“解释创新驱动的经济增长”理论，其中包括 “创造性破坏”增长模型。在能源领域，新技术（如光伏发电）通过市场竞争淘汰旧技术（如煤电），驱动产业升级与效率提升，就是以创造性破坏推动能源系统向可持续转型。
当前，AI技术正加速创新技术研发的进程。AI通过缩短新能源材料研发周期、优化气候模型、提升电网智能化、降低高耗能行业能耗、加速新兴技术扩散。在这一过程中，我们需平衡AI自身能耗，通过绿色算法与可再生能源供电，并辅以政策引导与标准规范，确保AI驱动的“创造性破坏”始终锚定可持续未来。
（作者为腾讯战略 发展部碳中和高级顾问、亚洲开发银行前首席能源专家；编辑：马克）
]article_adlist–>
<!-- 非定向300*250按钮 17/09 wenjing begin --> <!-- 非定向300*250按钮 end -->
</div>
