写在前面

　　从语言大模型到具身智能机器人，人工智能（AI,Artificial Intelligence）正在从数字虚拟世界走向物理现实。算法迭代、算力扩容、智能体落地的背后，隐藏着一条极易被忽视的底层约束：能源供给能力。持续、稳定、低碳的电力支撑，是大模型、人形机器人、自动驾驶系统持续运行的必要保障。那么为何说AI的尽头是能源？它的用电特性与我们熟知的钢铁冶炼、新能源汽车等高耗电领域又有什么区别？

　　一、AI到底有多费电？

　　从底层原理来看，人工智能能力的迭代升级，离不开硬件载体的性能突破与大模型算法的迭代演进。芯片硬件构成AI运行的物理基座，大模型算法定义计算的任务规模，二者共同决定了人工智能的能源消耗水平。硬件算力上限约束模型能力边界，而模型复杂度提升又反向倒逼硬件算力扩容，双向驱动之下，能源消耗成为AI发展绕不开的客观现实。

　　从物理层面来讲，AI所有智能输出，本质都是芯片内部海量晶体管0、1二进制比特的逻辑翻转。每一次比特状态切换，必然产生电能损耗。大模型海量参数带来亿万级矩阵运算，每一轮训练、推理都要触发巨量的0-1状态翻转；叠加大规模芯片并行工作，无数微小的单次功耗累积放大，最终形成智算场景下巨大的整体耗电量。

　　从硬件层面看，AI芯片是高功耗“用电单元”。传统CPU峰值功耗多为几十瓦，而面向大模型训练的AI加速芯片（以英伟达NVIDIA H100为例）单卡峰值功耗可超700瓦，能耗是普通处理器10倍以上。一座万卡级智算集群，仅芯片峰值功率就达7兆瓦，相当于数千户家庭全天用电量。

　　从模型运行看，训练与推理形成持续能耗闭环。AI 生命周期分为训练与推理两大耗能环节。在大模型预训练阶段，176B参数BLOOM模型完整训练消耗43.3万度电，产生24.69吨二氧化碳排放[1]；GPT-3训练总能耗达1287兆瓦时，碳排放超550吨[2]。在常态化推理阶段，行业数据显示，AI产业80%算力消耗来自日常用户交互推理[3]。对比传统互联网服务，生成式AI的推理能耗显著更高：早期ChatGPT单次问答耗电量约为普通网页搜索的倍[4][5]；即便是经过深度算法与硬件优化的谷歌Gemini模型，单条文本问答仍需消耗0.24瓦时电力[6]。海量用户全天候并发调用下，微小的单条能耗持续累积，推动AI整体能耗规模呈指数级持续增长。根据中国信息通信研究院《绿色算力发展研究报告 (2025)》，2012-2020年间AI训练算力需求增长超30万倍，而GPT-5预计计算量将达到GPT-3的200-400倍8，大模型训练单次千兆瓦时级的电力需求成为常态[7]。

　　二、为什么说能源决定AI能走多远？

　　不少人会产生一个直观疑问：钢铁冶炼、新能源汽车、城市轨道交通都属于高耗电领域，是不是任意高耗能产业都能套用“XX的尽头是能源”这一说法？从表层用电行为来看，各类产业确实都离不开电力供给，但人工智能和传统用电行业存在本质鸿沟。

　　一是能耗增长的速度完全不同：线性缓增 VS 非线性跃升。绝大多数传统用电行业，其能耗增长与产出规模呈近似线性关系。例如，在钢铁冶炼行业，产量翻倍通常意味着冶炼电耗同步增长约一倍。这种缓慢、可预期的增长，为电网的提前规划与扩容留出了充足时间。然而，AI产业的能耗增长逻辑则截然不同。AI模型遵循“规模定律”（Scaling Law），其性能提升依赖于参数量的激增。参数量从亿级跨越到万亿级，迫使算力需求呈现指数级膨胀，这种膨胀最终导致电力消耗发生剧烈的非线性跃升。普通行业的电网改造周期尚能匹配其能耗增速，但AI算力集群的电力需求增速，正在硬生生地撞上新能源建设与输变电工程的物理天花板。能源不再只是“成本项”，而是制约算力扩张的瓶颈，这是其他产业从未面临过的结构性矛盾。

　　二是负荷特性差异：间歇可调负荷 VS 7×24小时恒定峰值负荷。传统高耗能产业普遍支持错峰生产、停工减负，具备极强用电弹性。例如，冶炼工厂可夜间低谷电价生产，白天限产降低电网压力；地铁、公交仅早晚高峰满负荷，其余时段低功耗运行；普通企业机房夜间访问量下降，可关停闲置服务器降低耗电。而AI则呈现出截然不同的负荷需求，其用电场景分为两类刚性消耗：

　　第一类是大模型训练。上万块GPU必须连续满负荷运行数周乃至数月，中途任何断电或降载都会打断训练进程，轻则导致checkpoint（检查点）回滚浪费数天算力，重则造成数据损坏、前期投入全部作废。这种场景下，能源供给必须是“不间断且足额”的，不存在“白天少跑点、晚上多跑点”的调度余地。

　　第二类是全民实时推理。AI聊天、图像生成、自动驾驶感知、城市AI监控等应用面向全社会不间断提供服务。虽然用户活跃度存在昼夜波动，但推理集群无法像传统机房那样在低谷期大规模关停省电，因为用户请求的到达具有突发性和不可预测性，且大模型推理对延迟极其敏感，任何冷启动或算力缩容都会直接表现为响应卡顿、服务质量下降。更关键的是，头部厂商为保障用户体验，常年维持的在线算力已逼近峰值需求，低峰期可释放的冗余微乎其微。简单来说：其他行业能靠“停工省电”缓解能源压力，AI一旦降低电力供给，业务直接停摆，无折中方案。

　　三是发展目标上限差异：传统产业有物理产能上限，AGI的演进目标是持续迭代。所有实体制造业存在物理产能天花板，一座钢厂年产量受高炉容积限制、一条汽车产线年交付量受流水线长度约束，能耗随产能同步触顶，不会无限扩张。而AI 演进的目标是通用人工智能（AGI,Artificial General Intelligence），通过持续迭代、不断增强理解能力、多模态交互、自主规划、跨场景协同等能力，每一轮能力升级都需要大量叠加算力。传统产业发展到一定规模会自然放缓能耗增长，AI只要技术迭代，能源需求就会持续，只能依靠能源体系扩容来承接。

　　三、AI能帮能源行业做什么？

　　很多人以为，“AI的尽头是能源”就是一句悲观的警告。这个理解只对了一半。AI确实是个“电老虎”。但如果我们只盯着它的消耗，就忽略了更重要的另一面：AI也在帮能源行业变得更聪明、更高效。就像一个人虽然饭量大，但他同时也在帮家里种地、做饭，让全家吃得更饱。

　　具体怎么帮？

　　一是帮新能源“看天吃饭”。风电、光伏靠天吃饭，风小了、云厚了，发电量就波动。过去电网只能被动应对，现在AI气象模型能精准预测未来几小时的发电量，提前调度火电、水电补位。中国华电在陕西的风光场站应用AI预测后，月准确率最高达91%[8]，弃风弃光大幅减少，相当于把浪费掉的“绿电”捡了回来。

　　二是帮电网“精打细算”。AI可以像“智能管家”一样，实时匹配算力中心和绿电的供需。哪里风大、阳光足，就把计算任务调度到哪里；哪里用电紧张，就提前安排储能放电。

　　三是帮全社会“省电”。数据中心里最费电的不是服务器，而是给服务器降温的空调。AI自动调节制冷策略，能把数据中心的能效做到极致。像中金数据乌兰察布基地，通过AI调度自有绿电和储能，年自发自用绿电达8.5亿千瓦时，项目能效指标PUE（Power Usage Effectiveness，电能利用效率）低于1.2[9]，远低于行业平均水平1.5，实现了能效的大幅提升。

　　AI和能源的关系，就像骑自行车，左脚踩下去是消耗，右脚踩下去是回馈，谁也离不开谁。国家能源局已经发布了51个“AI+能源”试点场景[10]，25家能源央企一起开放场景让AI去“练兵”。

　　所以，说“AI的尽头是能源”，不是让AI停下来别发展了，而是在说：AI和能源必须一起往前跑，相互托举，才能跑得远。这才是这句话的完整意思。

　　结语

　　从理论层面看，算法可以无限迭代、数据可以持续积累，但地球上可开发的能源、电网承载能力、储能容量存在客观物理上限。人工智能从单大模型，走向具身机器人、全域智能体、全域数字孪生的终极形态，全程离不开持续、海量、低碳的能源供给。

　　所谓“AI 的尽头是能源”，并非否定算法、芯片、数据的价值，而是揭示产业底层客观规律：算力、算法定义 AI 的能力上限，而能源供给定义 AI 的发展边界。未来人工智能产业的长期竞争，终将落脚于清洁能源开发、新型储能、智能电网、算电协同体系的综合比拼。

　　【参考文献】

　　[1] Alexandra Sasha Luccioni et al. Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model[J]. Journal of Machine Learning Research, 2023. arXiv:2211.02001.

　　[2] PATTERSON D, GONZALEZ J, LE Q V, etc. Carbon Emissions and Large Neural Network Training [R]. arXiv :2104.10350, 2021.

　　[3] Kanerika Analytics. AI Compute Cost & Lifecycle Energy Report 2025 [R]. London: Kanerika, 2025.

　　[4] Electric Power Research Institute. Generative AI Power Consumption Benchmark [R]. 帕洛阿尔托：美国电力研究院，2023.

　　[5] Brookings Institution. The Hidden Energy Footprint of Generative AI [R]. 华盛顿：布鲁金斯学会，2024.

　　[6] Elworth C, Haan K, Schröder I, et al. Measuring the Environmental Impact of Delivering AI at Google Scale [R]. arXiv preprint arXiv:2508.15734, 2025.

　　[7] 中国信息通信研究院，内蒙古和林格尔新区管委会。绿色算力发展研究报告 (2025)[R]. 北京：中国信息通信研究院，2025.

　　[8] 中国能源新闻网2025年11月28日的报道《中国华电自主研发集中功率预测系统在陕西区域全面投用》

　　[9] 中国能源新闻网2026年6月17日报道《数据中心如降低综合用电成本？》

　　[10] 国家能源局《关于发布“人工智能+”能源高价值场景清单和组织开展试点申报工作的通知》（国能综通科技〔2026〕50号）

　　作者：韩研 中国移动设计院网络所研究总监

　　　　　辛天鹏 中国移动设计院网络所咨询设计师

　　　　　肖子玉 中国移动设计院科技创新部专业总师兼绿色低碳办公室总师

　　审核：李楠 中国移动设计院科技创新部副总经理兼绿色低碳办公室主任

　　策划：阎冬 陈昊

　　出品：科普中国×中国移动科学技术协会