【导语】随着人工智能的迅猛发展，算力中心作为数字时代的“电力巨兽”，其能耗问题日益凸显。2025年，中国数据中心年用电量预计突破4000亿度，引发对电力支撑的深切关注。本文深入探讨算力中心的电力消耗现(xiàn)状(zhuàng)、挑(tiāo)战及未来图景，从硬件、软件、能源等多(duō)维(wéi)度(dù)解(jiě)析(xī)电(diàn)力(lì)消(xiāo)耗(hào)的(de)“三(sān)重(zhòng)密码”，并展望(wàng)绿(lǜ)色(sè)算力的发展方向。在数字革命浪潮中，电力与算力正(zhèng)共(gòng)生(shēng)进化，共同推动(dòng)AI的(de)可(kě)持续发展。

当你(nǐ)在(zài)手(shǒu)机上向AI助手提问时，是否想过(guò)背(bèi)后(hòu)支撑它的算力中心，每小时要消耗多少度电？当人工智能以每秒万亿次的速(sù)度(dù)处(chù)理(lǐ)数(shù)据时，其“胃口”早已超越传统认知——2025年，中国仅数据中心年用电量就可能突破4000亿度，相当于三峡水电站全年发电量的1.5倍。这场数字革命背后，究竟需要多少电(diàn)力(lì)支(zhī)撑(chēng)？

图(tú)源(yuán)：unsplash

一(yī)、算(suàn)力(lì)中(zhōng)心(xīn)：数(shù)字(zì)时(shí)代(dài)的(de)“电(diàn)力(lì)巨(jù)兽(shòu)”

一(yī)台(tái)搭(dā)载(zài)英(yīng)伟(wěi)达(dá)H100 GPU的(de)服(fú)务(wu)器(qì)，单(dān)卡(kǎ)峰(fēng)值(zhí)功(gōng)耗(hào)达(dá)700瓦(wǎ)，一(yī)个(gè)万(wàn)卡(kǎ)集群(qún)的(de)算(suàn)力(lì)中(zhōng)心(xīn)仅(jǐn)计(jì)算(suàn)单(dān)元(yuán)每(měi)小(xiǎo)时(shí)就(jiù)要(yào)消(xiāo)耗(hào)7000度(dù)电(diàn)——相(xiāng)当(dāng)于(yú)300户(hù)家(jiā)庭(tíng)一天的用电量。而支撑这些芯片的，还有散热系统、不间断电源（UPS）、网络设备等配套设施，实际耗电量远超计算单元本身。

以训练GPT-3为例，其单次训练耗电量达128.7万度，相当于美国121个家庭一年的用电量。若按每日2亿次咨询量计算，ChatGPT每天至少需要消耗79.2万度电，足够驱动2000辆电动汽车行驶100公里。

二、电力消耗的“三重密码”

1. 硬件层：芯片与散热的“双重燃烧”

主流AI芯片（如GPU）的功耗密度极高，一块H100 GPU在满负荷运行时，温度可达90℃。为维持稳定，传统风(fēng)冷(lěng)系(xì)统(tǒng)需(xū)额(é)外(wài)消耗30%-40%的电能用于散热，而液冷技术虽能将PUE（电能利用(yòng)效(xiào)率(lǜ)）降至1.1以下，但泵机、换热器(qì)等(děng)设(shè)备仍需持续运行。

2. 软件层：算法效率的“隐形战场”

通过模型蒸馏、稀疏化等技术，可在保持性(xìng)能(néng)的同时减少30%-50%的计算量。例如，将16位精度计算压缩至4位，可显著降低显存占用和功耗。此外，动态调整分布式训练策略（如(rú)梯(tī)度(dù)压(yā)缩），能减少网络传输中的能量损耗。

3. 能源层：绿色电力的“破局之道”

在西北地区，依托风电、光伏等可再生能源的算力中心，电价可低至0.3元/度（东部地区为0.6元/度）。通过配置锂电池储能系统，在夜间电价低谷时充电，白天高峰时放电，可降低用电成本30%以上。例如，某算力中心通过“虚拟电厂”参与电网调峰，年节省电费超千万元。

三、电力挑战：从“量”到“质”的升级

1. 供电稳定性：算力与电网的“双向博弈”

算力中心对供电可靠性要求极高，通常采用双电源或多回路供电，变压器全容量备供。然而，新能源发电的波动性（如“极热无风”“日落无光”）与算力负载的实时性形成矛盾。此句逻辑存在问题，应改为‘2025年，中国仅数据中心年用电量就可能突破4000亿度，若新能源占比超70%，电网需通过微电网、虚拟电厂等技术实现灵活调度。’

2. 成本控制：电费占运营成本的60%

以年电费7000万元的算力中心为例，电费占比超总成本的60%。为降本增效，企业正探索“算力租赁”模式（如AWS按需付费），降低中小企业使用门槛；同时，通(tōng)过(guò)碳(tàn)交(jiāo)易(yì)市场将绿色算力转化为商(shāng)业(yè)价(jià)值(zhí)（如(rú)欧(ōu)盟(méng)碳(tàn)积(jī)分(fēn)抵(dǐ)扣(kòu)电(diàn)费(fèi)）。

3. 碳(tàn)排(pái)放(fàng)：政(zhèng)策(cè)与(yǔ)技(jì)术(shù)的(de)“双(shuāng)重(zhòng)约(yuē)束(shù)”

欧(ōu)盟(méng)《数(shù)据(jù)中(zhōng)心(xīn)能(néng)效(xiào)指(zhǐ)令(lìng)》要(yào)求(qiú)2030年(nián)PUE≤1.3，中(zhōng)国(guó)“东(dōng)数(shù)西(xi)算(suàn)”工(gōng)程(chéng)则(zé)要(yào)求(qiú)西(xi)部(bù)数(shù)据(jù)中(zhōng)心(xīn)PUE≤1.25。为(wèi)满(mǎn)足(zú)要(yào)求(qiú)，算(suàn)力(lì)中(zhōng)心(xīn)正(zhèng)从(cóng)集中(zhōng)式(shì)超算转向分布式边缘计算，在终端（手机、车机）处理简单任务，减少云端压力。

图源：unsplash

四、未来图景：绿色算力的“三大方向”

1. 架构革新：从“集中式”到“分布式”

发展异构计算（CPU+GPU+ASIC混合架构），按需分配算力；探索类脑计算（模拟神经元脉冲放电），能耗比GPU低1000倍。例如，某实验室研发的类脑芯片，在图像识别任务中功耗仅为传统芯片的1/500。

2. 能源协同：算电一体的“深度融合”

施耐德电气提出的“算电协同”三层架构，通过底层电力供给（风光接入）、中层算力负荷（IT负载调节）、上层协同机制（数据算法优化），实现能源与算力的高效匹配。例如，某算力中心通过预测任务需求，动态关闭闲置服务器，年节电超20%。

3. 基础理论：低能耗AI的“源头突破”

研究自监督学习（减少标注数据计算量）、脉冲神经网络（事件驱动计算）等基础算法，从源头降低算力需求。清华大学团队研发的“低功耗AI框架”，在保持90%准确率的同时，将计算量减少40%。

五、电力与算力的“共生进化”

建立算力中心所需的电量，已从单纯的“规模竞争”转向“效率竞争”。2025年，中国数据中心平均PUE虽已降至1.48，但与理论极限（PUE=1）仍有差距。在这场数字革命中，电力不仅是算力的“燃料”，更是推动AI可持续发展的关键变量。未来，随着芯片架构革命、算法效率突破与绿色电力生态的完善，算力中心或将从“电力巨兽”进化为“绿色引擎”，为人类文明注入更清洁、更高效的数字动能。

供稿单位：重庆市九龙坡区科普创作与传播学会

作者：重庆中机中联检测技术有限公司 教授级高级工程师 廖新雪

审核专家：九龙坡区融媒体中心主任编辑 田军英

声明：除原创内容及特别说明之外，部分图片来源网络，非商业用途，仅作为科普传播素材，版权归原作者所有，若有侵权，请联系删除。