AI 的电力难题：20 瓦大脑对阵发电厂

Google News 在 8 月 30 日呈现了一组鲜明对比：人脑大约以 20 瓦功率运行，而领先的 AI 系统依赖高耗能的数据中心。这种对比令人印象深刻，但也可能造成误导。大脑和 AI 集群通过截然不同的架构执行不同的任务。

更重要的问题并不是硅基系统能否逐瓦匹敌生物系统，而是电力已成为 AI 扩张的硬性约束。芯片依然稀缺且昂贵，但发电能力、电网接入、冷却系统和合适的选址，如今决定了哪些项目能够运行。

这一变化让超大规模云服务商、公用事业公司、数据中心开发商和 Bitcoin 矿企加入同一场基础设施竞赛。提示词和芯片层面的效率正在提升，但总需求仍在增长，因为企业部署了更多模型、服务更多用户，并让 AI 系统承担更长时间的任务。

Google News 标题说对了什么

20 瓦的对比可以作为警示，但不能直接作为衡量人工智能的基准。

人脑约占体重的 2%，却消耗大约 20% 的静息氧气。神经科学文献通常将其稳定功率需求估计在 17 至 20 瓦之间，但具体数值取决于研究人员如何将代谢活动换算为电学单位。

这部分能量支撑着感知、记忆、运动、调节，以及整个活体神经系统中的持续通信。它并不等同于回答一个问题或完成一项孤立任务所需的电力。

数据中心也不仅仅是一颗数字大脑。它还包括处理器、内存、存储、网络、冷却、电力转换、备用设备，以及为峰值需求预留的闲置容量。将其总功耗与单个器官相比，是把系统级基础设施与生物代谢混为一谈。

不过，这种对比确实揭示了一个重要事实：生物系统受到严格的散热和代谢上限约束。颅骨无法散去工业计算设备产生的热量，人体也无法向神经组织无限供应能量。

因此，进化倾向于稀疏通信、本地记忆、专用电路和选择性激活。稀疏激活意味着在任一时刻，只有系统的一小部分执行高强度工作。现代 AI 设计者正越来越多地采用类似理念，尽管硅基系统的实现方式不同。

例如，混合专家模型会让每个输入经过神经网络中被选定的部分，而不是激活所有参数。低精度计算则用更少的比特表示数字，从而减少许多运算所需的电力和内存带宽。

当病毒式传播的帖子为这种对比附加缺乏依据的数据时，这一比较就变得不可靠。原始分析追溯了一项被广泛传播的说法：以数字方式复现人脑。该说法源于一篇 2023 年论文。这项估算基于较小规模的模拟进行外推，并包含后来帖子常常省略的重要限制条件。

根据该分析，模拟系统的运行速度约比生物系统慢 30,000 倍。省略这一细节，会让人误以为研究人员比较的是交付同等性能的等效系统。事实并非如此。

被频繁引用的神经元数量也需要谨慎看待。860 亿个神经元是一个有用的估算值，而非毫无不确定性的工程规格。该数字来自有限的生物样本，而大脑的效率取决于的不只是神经元总数。

突触、连接方式、细胞类型、化学信号、记忆存放位置以及神经活动的时间节奏都很重要。计算神经元数量并将其与模型参数比较，并不能证明两者具有等效的智能或工作负载。

关于大脑能量预算的研究进一步增加了这一类比的复杂性。大脑的大量能量用于通信、维持，以及人们随口称为计算的电活动之外的其他过程。

这正是该标题的价值所在：它促使人们审视 AI 的实体基础设施足迹。但它不应被当作一颗大脑和一台超级计算机可以互换的证据。

更有用的问题范围更小：当单次计算持续变得更便宜时，为什么 AI 的总体需求仍在攀升？答案在于部署规模、工作负载增长，以及每台加速器周围的基础设施。

AI 查询效率正在提升，但工作负载增长更快

典型文本提示词的能耗可能远低于病毒式估计所宣称的水平，但推理和智能体工作负载会抹去这份宽慰的大部分。

2025 年初，Epoch AI 估计，一次典型的 ChatGPT 查询大约消耗 0.3 瓦时。其计算结合了加速器运行时间、服务器功耗和预期利用率，而不是测量某一特定生产部署中每个组件的能耗。

这一估计远低于此前每次 AI 查询消耗数瓦时的说法。不过，Epoch AI 也说明了为何单一平均值会掩盖巨大差异。

其查询估计显示，输入长度为 10,000 个 token 的请求耗能接近 2.5 瓦时。输入接近 100,000 个 token 时，估计能耗升至近 40 瓦时。

Token 是语言模型在读取或生成内容时处理的小型文本单位。更多 token 意味着需要更多算术运算和内存数据移动，尤其是在模型反复检查长上下文时。

一项 2026 年同行评审推理研究对普通前沿模型查询得出了类似结论。该研究估计其中位能耗为 0.31 瓦时，四分位距为 0.16 至 0.60 瓦时。

同一研究发现，生成约 5,000 个输出 token 的推理请求，耗能约为标准查询的 13 倍。这一差异很重要，因为市场正转向更长、自动化程度更高的任务。

回答一句话的聊天机器人，并不是基础设施公司正在准备承载的工作负载。AI 智能体可以搜索文档、调用软件工具、编写代码、评估自身输出，并重复未成功的步骤。

每一项额外操作都会触发更多推理。一些系统还会运行多个候选方案，再用另一模型挑选最佳回复。因此，一条简单的用户指令可能生成一条规模可观、但对用户不可见的计算链。

Google 报告称，2025 年一次中位数 Gemini 文本提示词消耗 0.24 瓦时。OpenAI 引述的平均 ChatGPT 查询能耗约为 0.34 瓦时。这些数字表明，提供商已在生产规模上取得了显著的效率提升。

但它们并不能证明每个查询、模型或数据中心都具有相同的能耗足迹。不同提供商使用不同的硬件、模型架构、冷却系统、电力来源和核算边界。

一种测量可能只包括加速器用电。另一种可能包括网络、冷却和电力转换损耗。第三种可能把简单提示词与较长的推理任务平均计算。

这种边界问题使得许多在线比较不可靠。一个数字在某一定义下可能在数学上正确，但如果被表述为“AI”整体的能耗成本，就可能产生误导。

Google News 的读者还应区分功率与能量。以瓦特计量的功率描述某一时刻的消耗速率；通常以瓦时计量的能量则描述一段时间内的消耗。

一颗以 20 瓦运行的大脑，在一小时内大约消耗 20 瓦时。一段简短的 AI 回复可能消耗不到 1 瓦时，但支撑它的数据中心可以同时服务数百万次请求，并训练其他模型。

行业面临的挑战来自乘法效应。每次查询少量的能耗，在数十亿次交互中会变得相当可观。更长的提示词、视频生成、自治智能体和始终开启的 AI 功能都会推高总量。

效率提升也降低了使用 AI 的成本。更低的成本鼓励开发者将模型嵌入搜索引擎、办公应用、操作系统、客户支持工具和软件开发环境。

经济学家将此称为反弹效应：提高资源使用效率，可能因新增用途变得负担得起而增加总消耗。对于 AI 而言，更便宜的推理使企业得以运行那些在早期成本水平下绝不会运行的工作负载。

这就是为什么改善每次提示词的能耗，并不会自动降低总用电需求。系统变得更高效，随后扩展到更多产品并执行更多工作。

电网正在成为 AI 的真正瓶颈

AI 开发者可以订购更多加速器，但无法按照软件的时间线建成一条输电线路或获得电网接入。

这种变化在国家电力数据中已经显现。Lawrence Berkeley National Laboratory 估计，美国数据中心在 2023 年消耗了 176 太瓦时电力，占全国用电量的 4.4%。

这一总量高于 2014 年的 58 太瓦时。该实验室的数据中心报告预计，到 2028 年，美国数据中心用电量可能达到 325 至 580 太瓦时。

这一范围很宽，因为未来需求取决于模型采用情况、硬件效率、建设进度和电力供应情况。即使是区间下限，也意味着在短期内将出现一项规模巨大的新增负荷。

国际能源署报告称，全球数据中心用电需求在 2025 年增长了 17%。以 AI 为重点的设施需求增长更快，而全球总用电需求增长了 3%。

该机构预计，数据中心整体用电量将从 2025 年约 485 太瓦时增至 2030 年约 950 太瓦时。以 AI 为重点的设施占据增长更快的份额。

其全球电力展望还指出，燃气轮机、变压器、先进芯片、电网接入和监管审批均存在瓶颈。这些约束限制了已宣布园区转变为运营基础设施的速度。

拟建的数据中心并不等于已通电的数据中心。开发商必须获得土地、许可、光纤连接、冷却能力、变压器和可靠的电力来源。

公用事业公司必须判断当地网络能否承受大型集中负荷。在接入之前，它们可能需要建设新的变电站、输电线路、发电设施或储能设施。

这些项目遵循不同的时间尺度。AI 模型可以在数月内变化。半导体制造能力需要数年才能扩张。大型发电厂和输电项目所需时间可能更长。

这种错配给 Google、Microsoft、Amazon 和 Meta 等超大规模云服务商带来压力。它们的 AI 战略依赖于获得充足的计算能力，但没有电力，增加服务器也无法产生可用服务。

这同样给公用事业公司带来压力。它们必须为规模堪比工业设施的负荷做规划，同时决定如果数据中心项目改变方向或始终无法达到满负荷，基础设施成本应由谁承担。

社区还面临另一笔账。一座大型园区可以带来建设活动和税收收入，但与耗电量相当的传统工厂相比，它创造的长期就业岗位可能更少。

居民和监管机构也希望知道，新增发电成本是否会传导至家庭电费。答案取决于公用事业合同、当地费率结构、电网升级情况，以及相关基础设施是否也服务于其他用户。

AI 工作负载带来了运营上的复杂性。训练和推理可能导致电力需求快速变化。围绕可预测商业用电设计的电网，必须应对会随软件活动变化的集中式计算负载。

电池储能可以平滑部分波动并提供备用电力。现场发电可以降低对延迟并网的依赖。但这两种方案都无法消除围绕燃料供应、排放、许可和成本分摊的问题。

因此，该行业正在探索核电协议、天然气发电、可再生能源项目、地热系统和储能。每种方案都只解决问题的一部分，并各自带来不同的建设周期。

电力不再只是与芯片并列的另一项投入。它正在成为一道准入门槛。即使一家公司拥有资金和加速器，如果缺少已通电的场地，仍可能损失宝贵时间。

比特币矿企拥有电力，但 AI 需要的不只是兆瓦

比特币挖矿场地提供了稀缺的电网接入条件，但只有有限一部分能够满足 AI 计算对可靠性、冷却和网络的要求。

Google News 的报道将 AI 的电力竞赛与一个意想不到的基础设施供应方联系起来：加密货币矿企。许多矿企已经掌控了具备电网连接、电力协议、变电站和在运电力设备的场地。

这些资产之所以变得有价值，是因为并网排队可能令新的数据中心项目延误数年。收购一个已有供电条件的场地，可以缩短开发流程中的一部分时间。

其战略逻辑很直接。比特币挖矿收入会随加密货币价格、网络难度、设备效率和电力成本变化。长期 AI 托管合同则可以提供另一种收入结构。

与此同时，AI 公司需要已通电的土地。一家能够改造设施的矿企，从出租电力和基础设施中获得的价值，可能高于继续生产 Bitcoin 所带来的收益。

这一可能性推动了涉及 Core Scientific、Galaxy Digital、TeraWulf、IREN、Riot Platforms 和 Hut 8 的协议。源分析估计，这些上市矿企已宣布的 AI 合同总价值超过 700 亿美元。

已宣布的价值不应与已交付的容量混为一谈。根据同一分析，2026 年第二季度披露数据显示，其考察的企业合计约有 750 兆瓦容量已通电。

Core Scientific 约占 437 兆瓦。Galaxy 的 Helios 场地占 133 兆瓦，而 TeraWulf、IREN 和 Riot 报告的已通电容量更小。

这些数字同时展现了机遇和落地鸿沟。合同描述的是未来的商业关系；已通电容量则衡量基础设施是否已进入更具体的运营阶段。

矿场并不会自动变成 AI 数据中心。比特币矿机能够承受中断，因为当电力价格上涨或电网承压时，矿企可以暂停运营。

AI 客户通常期待稳定供电和严格的服务等级。云端工作负载不能在公用事业公司要求场地降低用电时就随时消失。

AI 加速器也在每个机架中集成了密度高得多的计算能力。这种密度带来了严苛的冷却要求。改造可能需要液冷、新的供水系统、重新设计的配电方案以及更强的建筑基础设施。

光纤网络也是另一道障碍。矿场往往位于偏远地区，靠近廉价电力。AI 设施则需要高容量、低延迟的网络连接，以便在集群、云区域和客户之间传输数据。

安全标准同样不同。托管企业数据或专有模型，需要实体管控、监控、冗余和合规流程，而矿业运营可能并不具备这些条件。

对于部分物业而言，这种经济模式仍可能成立。BeInCrypto 引述 VanEck 的估算称，改造成本约为每兆瓦数百万美元，而新建项目需要高得多的资本投入。

这些估算因场地而异，不应被视为普遍价格。拥有合适建筑、光纤连接和冷却潜力的设施，与偏远地区的一组矿机集装箱存在巨大差异。

更大的启示是，电网接入已成为一种可交易的战略优势。比特币矿企多年来一直在寻找廉价电力并协商接入条件。AI 需求改变了这些资产的潜在用途。

不过，对于全面实现从挖矿转向 AI 的说法，应保持怀疑态度。来源援引的剑桥大学初步调查数据显示，截至 2026 年 7 月，只有约 10% 的矿企将电力分配给 AI。

这一有限比例与现实中的物理障碍相符。许多地点能够高效挖掘加密货币，是因为挖矿设备可以容忍企业级 AI 租户无法接受的条件。

因此，投资者应区分三类情况：已签署合同、已签约的未来容量，以及正在运营的 AI 容量。将它们视为等同，可能夸大收入到来的速度。

这种转变也引发了一个实际冲突。灵活的挖矿负载可以在电网承压期间关闭，有助于平衡电力系统。除非运营商围绕电网状况重新设计工作负载，否则稳定的 AI 负载会削弱这部分灵活性。

研究人员正在探索电力灵活型计算，即数据中心在时间或地点之间转移非紧急任务。训练任务、批处理以及部分推理工作负载或许可以暂停，而不影响用户。

但商业客户将决定他们能接受多少中断。理论上具备转移工作负载的能力，并不意味着合同、软件或服务预期会允许这么做。

挖矿基础设施可以加快部分 AI 项目，但无法消除对更好电网、新增发电、先进冷却和透明披露的需求。

更好的芯片为何无法终结 Google News 的电力故事

效率改变了 AI 每瓦电力能够完成的工作，而需求扩张决定了整个行业消耗多少总瓦数。

从 2010 年到 2018 年，全球数据中心计算活动增长约 550%，而用电量仅增加约 6%。更好的服务器、虚拟化、冷却和设施设计吸收了大部分增长。

这一历史支持一种乐观看法。AI 加速器应当会变得更高效，模型应使用更少的活跃参数，开发者也应避免不必要的计算。届时，总需求或许会趋于稳定。

问题在于，根据 Berkeley Lab 的估算，近期美国的用电情况已经偏离了此前的模式。2014 年至 2023 年间，数据中心用电量增长了两倍。

AI 开发者对效率收益的使用方式也不同。他们往往不是用更少的电力提供同样的服务，而是利用改进后的硬件训练更大的系统，或服务更多用户。

测试时计算进一步强化了这一趋势。它让模型在回答复杂请求时投入更多计算。模型可以生成替代方案、检查中间步骤，并在给出回答前继续推理。

这一过程能够提升模型在编程、数学、研究和规划任务上的表现。但它也使能源成本取决于请求难度，以及允许的推理量。

智能体软件将计算延伸到更长时间。一套监控消息、更新数据库、研究潜在客户或维护代码的系统，可以在无需人工逐步发起操作的情况下反复运行。

价值单位随之从一次提示词转向一个完成的工作流程。一个工作流程可能包含数百次模型调用、搜索、验证和重试。

这使得按单次查询报告的数据价值变得有限。服务商需要能够将能源消耗与任务复杂度、模型质量、硬件、地点和总服务量联系起来的衡量方式。

中位数提示词数据仍有价值。它可以纠正夸大的说法，并让用户对规模形成粗略认识。但它无法解释不断扩大的自主服务群所需的基础设施。

效率主张也需要一致的边界定义。加速器消耗的电力只是其中一个组成部分。内存、网络、冷却、存储和备用系统都会计入设施总能耗。

电力使用效率，即 PUE，衡量的是设施总能耗除以输送至计算设备的能耗。数值越接近 1，意味着额外开销越小，但它并不能说明计算本身是否高效。

碳影响又增加了一层复杂性。由低碳发电提供的一千瓦时电力，其排放特征不同于来自高化石燃料占比电网的一千瓦时电力。

时间也很重要。数据中心在可再生能源发电充足时用电，与在区域用电高峰期间要求稳定供电，对电网产生的影响不同。

用水量会随冷却技术和气候而变化。一些设施严重依赖蒸发式冷却，另一些则使用空冷或闭环系统，并有不同的能源权衡。

没有任何单一数字能够涵盖所有这些维度。更好的披露应报告设施能耗、计算能耗、工作负载类型、地理位置、碳强度和用水量。

人脑仍然是一个富有启发性的设计参照。它将记忆和处理紧密结合，选择性地进行通信，并在严格的能耗限制下运行。

现代处理器经常在内存和计算单元之间移动数据。这种移动所消耗的能量可能超过算术运算本身，尤其是在大模型中。

量化、稀疏化、更小的任务专用模型和改进的内存封装等技术，可以降低这部分成本。神经形态计算也试图模仿生物神经系统的某些特性。

但没有一种技术能够保证摆脱总体需求增长。软件公司可以将节省下来的每一瓦电力用于增加用户、扩大上下文窗口、生成视频，或让智能体运行更久。

要真正降低总需求，效率提升必须快于工作负载扩张。目前的预测在行业层面呈现相反趋势，尽管个体运营的成本正变得更低。

因此，人脑类比带来了一个反转。AI 正在从生物学中学习多项效率经验，但这些经验首先推动了扩张，而非降低电力消耗。

将揭示下一步走向的三个信号

下一阶段将通过已通电容量、工作负载级披露，以及让 AI 响应电网状况的合同来衡量。

第一个信号是已宣布的数据中心容量与实际投入服务的容量之间的差距。新闻稿可以描述未来数吉瓦的项目，但已通电场地才能表明开发商是否获得了设备、许可、冷却、光纤和电力。

投资者和客户应关注公用事业并网协议、建设里程碑和披露的运营容量。差距缩小将表明，基础设施投资正在克服当前瓶颈。

差距扩大则会削弱激进的增长预测。这将表明，变压器短缺、许可纠纷、电网限制或项目经济性正在拖慢部署。

比特币矿企提供了一个颇具参考价值的测试案例。如果它们转型后的 AI 业务能按计划为租户提供服务，现有电力接入的价值就将得到验证；如果时间表延后，市场也将看清这些场址还需要多少额外基础设施。

第二个信号是模型提供商能否披露更完善的能源数据。Google、OpenAI、Microsoft 以及独立研究人员已经发布了有价值的单次提示词能耗估算，但其方法和边界仍难以直接比较。

报道应将普通文本生成与推理、图像、视频及智能体工作负载区分开来，也应区分加速器的耗电量与整个设施的总用电量。

一致的披露标准将帮助企业买家比较适用于高量部署的模型，也能让公用事业公司依据实际工作负载模式而非笼统假设预测需求。

值得关注的是，提供商是否会公布分布情况，而非只给出一个平均值。简短回答与冗长的智能体工作流之间的差异，比单一中位数更重要。

第三个信号是，AI 运营商是否会签署让算力具备灵活性的协议。数据中心可以将部分训练、批量推理和评估任务安排在电力供应充裕的时段进行。

如果运营商部署电池并转移具有实质规模的工作负载，就能减轻电网高峰期的压力。IEA 估计，到 2030 年，全球数据中心可部署 20 至 25 吉瓦的电池储能。

这一结果将强化这样一种观点：AI 设施可以成为更具协作性的电网参与者。它不会抹去其年度用电量，但可能降低为集中负载供电的成本和风险。

如果客户几乎对所有工作负载都持续要求不中断运行，公用事业公司将需要更多稳定电源和网络容量。这一路径会进一步提升长期购电合同和地方审批的重要性。

对开发者和知识工作者而言，电力问题的影响不止于环保声明。基础设施短缺可能影响模型可用性、使用限制、延迟，以及提供商能够以经济方式提供哪些功能。

构建 AI 工作流的公司应衡量完成任务的价值，而不只是提示词数量。它们可以通过为常规工作选择更小的模型、限制不必要的上下文，并审查重复执行的智能体操作来减少浪费。

将可复用信息保存在有组织的个人知识库中，也能减少重复搜索和过大的提示词。这是一种工作流改进，而非解决数据中心需求的完整答案。

Google News 的标题之所以成功，是因为它将一场基础设施冲突浓缩成了一个令人难忘的意象。你的大脑在严格的能源预算内运作。AI 公司过去则在资本预算内运作，只要投资者预期能力会提升，这一预算就会不断扩大。

电力正让这种区分越来越难以维持。决定性的问题不再是，一次 AI 回应是否比一次人类思考消耗更多能源。这个比较的任何一方都没有一个清晰、通用的单位。

关注哪些项目真正投入运营、提供商披露了什么，以及工作负载是否会适应电网。这些信号将显示，AI 是学会在物理上限下运行，还是继续寻找更大的发电厂。