发布时间：2024-12-17 10:56:27 来源: sp20241217
1.05万亿千瓦时(kW·h)！
这是国际能源署(International Energy Agency，以下简称“IEA”)日前发布的《电力2024》报告中，对2026年全球数据中心的最高总用电量作出的预测。1千瓦时就是1度电，“超过1万亿度电”，根据报告的估算，这些电量大约是整个日本全年的用电量。
数据中心、智算中心等算力基础设施是人工智能(AI)的数据中枢和算力载体。随着AI尤其是生成式人工智能(AIGC)和大模型技术的快速发展，算力需求激增，AI的能耗问题也越来越受到关注。在近段时间举行的多场国际会议上，一些科技巨头纷纷表达了对AI发展带来的能耗问题的担忧。
如何在提升智效的同时解决能耗难题，对AI行业来说，是一场“大考”。
AI在推理阶段的耗能不容忽视
讨论AI耗能的问题，不可避免地要谈到AI大语言模型(以下简称“大模型”)。
“生成式人工智能是当前AI技术发展的重点。”腾讯研究院资深专家王鹏在接受中青报·中青网记者采访时说。他表示，当前，生成式人工智能技术的基础就是以数据和算力堆叠为标志的大模型，其训练和应用需要大量的算力支持，“算力背后则是算力基础设施耗电所带来的巨大电能需求”。
全国政协委员、中国科学院计算技术研究所研究员张云泉指出，大模型的参数和数据规模越大，其智能效果就越好。在大模型中，“Scaling Laws”(规模效应)意味着当参数和数据规模大到一定程度时，大模型的智能表现将出现跃升，也就是“智能涌现”。“目前我们还没看到‘智能涌现’的上限在哪。”
“一般来说，参数量越大，大模型的算力消耗就越大，其消耗的电能就越多。”王鹏表示，因为还没达到上限，以OpenAI为代表的人工智能公司在“Scaling Laws”的驱使下，还在持续增加大模型的参数和数据规模，以求实现通用人工智能(AGI)的目标，造成短期内算力需求和电能需求的巨大提升。
“因为GPT-3有1750亿个参数，训练用到了1024张英伟达A100芯片，所以业内将其称为‘千卡千参’。”商汤科技智能产业研究院院长田丰说，目前GPT-4、GPT-5等大模型都达到了“万卡万参”的规模，且训练模型所用芯片也从英伟达A100更新到英伟达H100、B200，“参数量的激增将导致能耗显著增加”。
除了模型训练以外，AI在推理阶段的耗能也不容忽视。“推理即大模型响应用户需求的过程”，张云泉介绍，大模型单次响应用户需求的耗电量并不大，“但随着用户规模的增加，耗电量也将不断累积并增大。”
近日，源自美国的一则“如果将10万块英伟达H00芯片部署在同一地区进行模型训练，会导致电网崩溃”的新闻引起社会关注。
多位专家在接受记者采访时表示，AI导致电网崩溃的原因在于，大模型的训练是阶段性的工作，所用到的算力要集中在一个数据中心里，在有限时空范围内进行大模型训练，会给局部电网带来非常大的用电负荷。
“稳定的电网系统中突然出现巨大负荷扰动，会对电网的稳定和安全产生影响。”张云泉指出，随着大模型参数和数据规模的进一步增加，AI的能耗问题将越来越突出，尤其是对于电力供应紧张的国家和地区。“长远来看，AI推理过程的耗能将越来越大；短期内，大模型训练的能耗则是最大的AI能耗增量。”
在王鹏看来，与家庭用电量相比，AI的耗电量显得很大，但其在社会总用电量中的占比依然很小，“还远没有达到制造业用电的数量级”。
解决方案：技术创新与新能源
根据美国机构Uptime Institute的预测，到2025年，AI相关业务在全球数据中心用电量中的占比将从2%增加到10%；到2030年，智能计算的年耗电量将占全球发电总量的5%。
“解决能耗问题，是AI技术发展的重要前提。”田丰对记者说，虽然目前AI的能源消耗还不至于引起大范围“电荒”，但随着AI的大规模应用，未来可能发生AI“缺电”的情况，需要寻找合适的解法，让有限的电力能源可以容纳更大的算力规模。
通过研究和实践，人们对AI的了解逐渐增强，一系列解法随之而来。从需求角度看，优化大模型架构、提升芯片效率和算力效率等，被认为是降低AI能耗的有效途径。
张云泉表示，首先，可以设计AI模型训练的专用芯片，其效率相较GPU(图形处理器，现常用于AI计算)提升了10倍以上；其次，可以优化AI模型的参数，很多小模型仅有几十亿的参数量，但已经实现了和大模型一样的效果；此外，还可以通过对推理过程进行优化压缩，设计专用推理芯片，进一步降低AI推理阶段的能耗。
“大模型变小模型，目前降低能耗效果最好。”张云泉以微软4月底发布的自研小尺寸AI模型Phi-3为例介绍。据了解，Phi-3模型目前有3个版本，其中Phi-3 mini是一个拥有38亿参数的语言模型，可部署在手机上，根据实验和测试结果，其性能已经可以与GPT-3.5等大模型相媲美。
在能源供应方面，诉诸多样化的新能源供给、依靠国家进行宏观调控与规划等举措，将有助于解决AI能耗问题。天使投资人、资深人工智能专家郭涛对记者表示，当前，新能源，包括太阳能、风能、水能等可再生能源，正逐渐成为数据中心的最佳能源选择。“如果没有足够的可再生能源来满足AI能耗的增长，可能会导致对化石燃料的依赖加剧，从而对环境造成负面影响。此外，数据中心还可以通过智能算法来优化能源使用效率，实现AI与电网的协同发展。”
不少人工智能公司已经开始关注新能源。2021年，OpenAI首席执行官山姆·奥尔特曼向核聚变初创公司Helion Energy投入3.75亿美元；2024年3月，亚马逊云服务公司(AWS)收购美国宾夕法尼亚州一座数据中心园区，据了解，该园区就是从邻近的核电站获取电力。
“解决AI耗能问题涉及到算力、电力等多个系统的协调与配合。”王鹏指出，一方面，要从AI本身去降低能耗，包括优化算法、降低模型参数、提高计算性能等；另一方面，整个能源系统也要积极响应AI的能耗需求。
“源网荷储”一体化考虑
新能源或将成为解决AI耗能问题的一把“钥匙”，这正好与我国此前提出的“东数西算”工程相契合。
国家能源局的数据显示，2023年，我国可再生能源新增装机3.05亿千瓦，占全国新增发电装机的82.7%，占全球新增装机的一半；全国可再生能源发电量近3万亿千瓦时，接近全社会用电量的1/3。目前，我国已建成全球规模最大的电力供应系统和清洁发电体系，其中青海、内蒙古、宁夏等西北部地区则是清洁能源的“富矿”。
2021年，我国提出实施“东数西算”工程，引导数据中心向西部资源丰富地区聚集，推动当地数据中心走向低碳、绿色、可持续，同时满足东部地区的算力需求。2022年2月，内蒙古、贵州、甘肃等8地启动建设国家算力枢纽节点，10个国家数据中心集群被写入工程总体“规划”，“‘东数西算’工程全面启动”。
“大模型时代，‘东数西算’工程将对全国的电力需求和算力需求起到重要的宏观调控作用。”张云泉预计，未来将会有越来越多的大型算力中心或智算中心选址我国西部地区，“东数西训”(即东部地区的AI大模型，在西部地区进行训练——记者注)将成为AI与新能源协调发展的典型场景。但他强调，推动新能源更好地赋能AI发展，储能是一个需要解决的问题。
“大规模储能的建设决定了新能源是否能更好地满足算力需求。”田丰也同意张云泉的观点。田丰指出，包括光电、风电等在内的新能源，具有间歇性发电的特点，需要依靠储能系统将多发的电及时存储起来，削峰调谷，以保证电网的供需平衡。
国家能源局的最新数据显示，截至2024年一季度末，我国已建成投运的新型储能项目累计装机规模达到3530万千瓦，同比增长超过210%，其中10万千瓦以上的储能电站超5成，呈现集中式、大型化的发展趋势。
在储能的建设上，王鹏着重强调了新能源汽车的分布式储能能力。“随着电池充放电次数和寿命不断提高，数亿辆电车利用峰谷电价差来储能并反向回供电网，基本可以实现零成本用车甚至盈利，同时也能解决电网的调峰问题。”
此外，王鹏还认为要重新思考“数据网”和“电力网”的分布式联动与微观布局协同。他指出，为满足短期内快速增长的人工智能推理算力需求，除了在西部可再生能源丰富的地区布局大型算力中心，实现“东数西算”；也需要考虑在东部需求侧的数据中心和算力中心附近，积极布局分布式可再生能源，如与城乡建筑、农业设施等结合的分布式BIPV(光伏建筑一体化)、光储直柔一体化等。“而且还要‘源网荷储’一体化考虑，尽可能通过微电网实现就地峰谷平衡，减少弃风弃光。”
“这需要电价政策、基础设施建设、政策支持和用户行为等多方面的配合。”在王鹏看来，整个算力网络、输电网络、分布式能源网络，与车辆(充电)网络的高度耦合，或许是解决我国未来AI能耗问题的关键。
“在考虑投入和产出算总账的情况下，AI实际上进一步提高了社会的生产效率，降低了能耗。”田丰认为，AI作为新质生产力正在赋能经济社会发展，如今的AI大模型已经成为重要的基础科研设施，其训练中的投入，最终将为全社会带来新质生产力的红利。
目前，在AI大模型的训练成本中，能源消耗成本的占比已经超过一半。田丰说，从基础科研的角度看，要继续加大对AI技术的投资，“现在是奋起直追的时候，不应该自束手脚”。具体到AI耗能方面，他建议，可以给予大模型训练一定的能源支持政策。
中青报·中青网见习记者 贾骥业 记者 朱彩云 来源：中国青年报 【编辑:张燕玲】