“AI+能源”，“創造性破壞”推動可持續發展

AI帶來能效提高，由此產生的節能量最終將數倍于AI本身的能耗。但這有個時間差，AI帶來的能耗增加是即時的，而AI應用帶來的節能量需要3年-5年的時間逐步呈現

文｜翟永平

自2022年11月ChatGPT-3.5發布，生成式AI的指數級發展使其能源需求成為全球焦點。埃隆·馬斯克多次警告AI的盡頭是能源危機，“人們會看到，沒有足夠的電力來運行所有的AI芯片”。

2024年底中國DeepSeek公司發布基于“混合專家”（MoE）架構的新一代模型，其訓練能耗大幅度降低約70%。這時微軟CEO薩蒂亞·納德拉又援引了一個160年前的經濟學概念：杰文斯悖論。意思是當AI模型的訓練成本和能耗降低之后，可能刺激更多企業和機構部署AI應用，從而導致整體算力需求進一步上升，進而引發更大的能源消耗。

然而，上述觀點都忽略了一個關鍵維度：AI在實體經濟中還可以扮演“節能利器”的角色。AI驅動的能源供應系統優化，工業流程改進，交通、建筑等能源消費領域效率提高，可以實現大量的節能減排。AI既是能源消耗者（Energy for AI），更是能源系統的“效率倍增器”（AI for Energy）。

關鍵問題在于：AI自身消耗的能源與使用AI之后節約的能源相抵，究竟能否實現凈正收益？

這筆關乎全球能源格局和氣候變化應對路徑的宏觀賬本，正是本篇年終專稿試圖探討的議題。

Energy for AI：算力增長的能源約束與破局之道

AI的爆發式增長正在重塑全球能源格局。由于AI模型的訓練與推理需求激增，數據中心成為電力需求增長最快的行業。

1.AI的能源“胃口”到底有多大？

AI的能源需求正以遠超預期的速度增長。根據國際能源署的數據，2024年數據中心約占全球電力消耗的1.5%，即415太瓦時（TWh）。2024年，美國占全球數據中心電力消耗的比例最大（45%），其次是中國（25%）和歐洲（15%）。自2017年以來，全球數據中心電力消耗年均增長約12%，是總電力消耗增長率的四倍多。

國際能源署預測，到2030年全球數據中心電力消耗預計將增長一倍以上，達到約945太瓦時，略高于日本當前全國電力消費總量。AI將成為這一增長的最主要驅動力，同時其他數字服務需求的持續擴張也起到重要推動作用。

從地域分布來看，美國在這項預測增長中占據絕對主導地位，中國緊隨其后。特別值得注意的是，在美國，從現在到2030年間，數據中心將貢獻近一半的電力需求增長。根據預測，2030年美國用于數據中心的電力消耗將超過其鋁、鋼、水泥、化工等所有能源密集型工業產品的生產用電總和。

面對AI的能源需求激增的挑戰，能源生產商特別是美國的化石能源公司多少有些竊竊私喜，美國天然氣及燃氣發電行業迎來“第二春”。美國豐富的頁巖氣資源成本低廉、供應可靠，而天然氣電廠能快速響應數據中心高穩定性供電需求。相比可再生能源的間歇性，天然氣可靈活調峰滿足AI算力突增時的電力需求。以弗吉尼亞州為例，Meta、亞馬遜、微軟等巨頭在此建設超大規模數據中心。2024年該州數據中心用電量已占全州電力需求26%，預計2030年這一比例可達40%。

2.AI低碳能源供應路在何方？

這樣看來，在AI爆發式增長過程中并不缺電，但缺綠電。對此，業界正從技術革新、能源結構這兩個維度尋找破局路徑。在政策層面，中國政府大力推進“東數西算”來加速數據中心的綠色轉型。

在軟件算法方面，AI模型的訓練和推理過程可以通過多種策略來減少能耗。例如，使用混合專家模型（MoE）可以在推理時選擇性地激活模型中最相關的部分，從而節省計算資源并降低能耗。模型壓縮技術（如知識蒸餾、量化和稀疏化）可大幅降低計算需求，模型輕量化技術大幅降低推理能耗。

硬件芯片的效率提升也是降低AI模型能耗的關鍵因素。隨著技術的進步，新一代的GPU和其他專用芯片在能效方面有了顯著的提升。例如，最新的B200 GPU相比之前的H100和A100系列，在每瓦特浮點運算上的能效分別提高了60%和80%。這些改進不僅減少了單個芯片的能耗，還使得大規模AI模型的訓練和推理更加高效。

硬件和軟件的協同設計也是提高能效的重要手段。通過共同優化軟件和硬件，可以最大化能效和性能。例如，針對特定任務設計的模型可以減少不必要的計算，從而降低能耗。同時，邊緣計算技術通過在設備端運行AI推理，減少了數據傳輸的需求，進一步降低了能耗。

2025年8月，谷歌發表研究論文公布了Gemini AI模型在生產環境中的能耗與環境影響。研究發現，2025年5月期間，單個文本提示的中位能耗僅為0.24瓦時，碳排放為0.03克，耗水量為0.26毫升，較早期公開估計低1個-2個數量級。能耗下降的核心驅動力來自全棧優化：模型架構上采用混合專家系統和注意力機制改進，使計算量減少10倍-100倍；算法層面應用精確量化訓練（AQT）降低數據精度需求；推理優化通過推測解碼和動態批處理提升硬件利用率；定制TPU硬件能效較初代提升30倍；數據中心PUE（總能耗與IT設備能耗的比值，反映電能利用效率，越接近1越好）低至1.09。軟件效率提升與清潔能源采購共同促成12個月內能耗下降33倍，碳排放減少44倍。

科技公司高度重視綠電供應。以中國騰訊公司為例，騰訊2022年公布碳中和目標及行動路線圖，明確提出2030年實現100%綠色電力的目標。在美國，科技公司采取了多種策略和行動來鎖定綠色能源供應，比如簽訂長期的可再生能源采購協議（PPAs），這些PPAs不僅包括傳統的風能和太陽能項目，還涉及更先進的技術，如小型模塊化反應堆（SMRs）和下一代地熱能。谷歌、微軟等美國科技公司還在探索小時級匹配的可再生能源供應。這意味著不僅在年度的范疇內實現100%可再生能源供應，還通過與可再生能源資產（如風能、太陽能和儲能）的組合，確保每小時都能使用清潔能源。

在中國，隨著AI、云計算等新興技術的普及，國內算力需求呈現年均30%以上的高速增長，但東部地區面臨土地緊張、綠電供應等問題，數據中心建設遭遇瓶頸。與此同時，西部地區擁有全國70%的可再生能源資源，卻存在本地消納不足的困境。為優化資源配置，2022年國家發展改革委等四部門正式啟動“東數西算”工程，旨在通過構建全國一體化算力網絡，引導東部算力需求有序向西部轉移。

據測算，在西部建設運營數據中心綜合成本約為東部的50%-70%，具備較大成本優勢。八大國家樞紐節點已建成智算規模62萬PFLOPS（1PFLOPS即每秒千萬億次），約占全國智算總量的80%。國家鼓勵通過綠證、綠電交易提升數據中心綠電占比。推進數據中心用能設備節能降碳，目前八大樞紐節點數據中心集群平均PUE（電能利用效率）達到1.3左右，最先進數據中心PUE最低降至1.04。

AI for Energy——激活能源供應與需求的創新應用

1.AI在能源供應端的創新應用

AI技術通過增強預測精度、優化運行策略和提升維護效率，正在推動全球能源供應系統向更智能、更高效的方向轉型。

在可再生能源領域，AI通過分析氣象衛星、地表傳感器和歷史發電數據，構建高精度預測模型，有效應對風光發電的間歇性問題。阿里巴巴達摩院開發AI驅動的天氣預報和新能源預測應用，在“八觀”氣象大模型基礎上，推出可再生能源預測平臺eForecaster。該技術已在中國某省電力調度中心成功應用，覆蓋262座風電場和331座光伏電站，新能源發電功率和電力負荷預測的準確率分別提升至96%和98%以上，助力電網在遭遇劇烈天氣變化時安全穩定運行。

在電網運營領域，AI技術通過深度學習和數據分析，能夠實現對電網運行狀態的實時監控、預測和優化，從而提高電網的穩定性、可靠性和效率。在能源轉型的大背景下，電力系統的復雜性不斷提升，分布式電源數量增多，靈活調節資源類型更廣泛，因此特別需要AI的加持。

其中一項重要工作是提升“電力需求預測”與“波動性可再生能源出力預測”的準確性，從而優化電力行業資產（包括可調度發電廠、儲能設施及需求側靈活調節資源）的利用效率，最終提高整個電力系統的運行效率。例如，法國的輸電系統運營商RTE與比利時的輸電系統運營商Elia均采用人工智能進行實時預測，以評估系統供需失衡情況；日立能源（Hitachi Energy）推出的“諾查丹瑪斯”（Nostradamus）人工智能工具，可提供便捷獲取的負荷預測、市場電價預測及可再生能源出力預測服務；IBM研究院成立了GridFM工作組，旨在通過人工智能改進電網運營與規劃——該工作組重點關注電網抗干擾能力、效率及可再生能源并網，利用預訓練的最優潮流模型和多模態數據，實現停電預測與負荷預測。

隨著電力系統中風電、光伏占比的提升，火電廠的角色逐漸向“靈活調節”轉型，但這一轉變導致其平均效率下降。在這樣的情況下，將AI應用于電力系統運營，通過優化調度，可讓具備靈活調節能力的火電廠維持更高的利用率，從而最大限度減少效率損失。這些措施不僅能優化資源利用，還能降低系統成本、增強電網穩定性。此外，故障預警是AI在能源供應端的另一個重要應用。通過安裝智能傳感器和監控設備，AI系統可以實時監測電網設備的運行狀態，及時發現異常并發出預警。這種預防性的維護方式不僅可以減少停電事故的發生，還能延長設備的使用壽命，降低運營成本。

2.AI在能源消費端的創新應用

AI在能源消費側的創新應用主要體現在工業、交通和建筑三大領域，通過優化生產流程、提升能效和增強系統靈活性，顯著降低了能源需求與碳排放。在工業領域，AI通過實時數據分析和機器學習優化生產流程，例如國際鋼鐵巨頭安賽樂米塔爾（ArcelorMittal）公司利用AI算法實時調整盧森堡工廠的能源使用，實現3%的能效提升。水泥行業也通過AI優化煅燒工藝，德國海德堡材料公司以此將熟料比降低5個百分點，單廠年減排4萬噸二氧化碳。輕工業中，西門子埃爾朗根工廠通過全廠級AI優化（包括電機尺寸調整和溫控策略）實現25%-42%的能耗強度下降。

交通領域，AI通過路線優化、預測性維護和生態駕駛策略降低能耗。物流企業DHL旗下Greenplan開發的AI工具為車隊規劃最優路徑，減少20%燃油成本；沃爾瑪通過AI預測卡車維護需求，提升燃油效率5%-7%。在電動汽車領域，AI精準預測電池衰減并優化充電策略，如TuSimple自動駕駛卡車通過AI控制車速降低10%-20%能耗。在航空業，阿拉斯加航空應用AI規劃飛行路徑，單次航班節油5%-12%。據估算，到2035年AI可使全球道路貨運能耗減少1.5艾焦（相當于4%的行業需求）。

建筑領域，AI驅動的能源管理系統（BEMS）通過整合天氣、電價和室內人數等數據實現動態調控。瑞典某市政公司為600所學校部署AI-BEMS，結合1萬個傳感器數據，每15分鐘調整暖通空調設定值，節電率達10%。印度Infosys園區在已有LEED鉑金認證基礎上，通過AI再提升7%能效。新加坡某科技公司總部僅用歷史數據訓練AI模型，在沒有增加硬件設施的情況下即實現23%制冷能耗下降。更前沿的應用體現在建筑設計階段，上海某高層建筑通過AI模擬風場優化熱性能，預計比傳統建筑節能35%。據IEA預測，若全面推廣現有AI技術應用場景，2035年全球建筑領域可節電3000億度（相當于澳新兩國年發電量），其中10%峰值需求可參與電網調峰。

AI技術為解決傳統的節能難題提供了全新路徑。傳統節能依賴人工經驗與靜態策略，而AI系統通過物聯網實時采集設備運行數據，利用深度學習構建能耗數字孿生模型，可精確量化每臺設備的節能潛力空間。在合同能源管理（EMC）領域，AI可破解效益核算難題。基于區塊鏈的智能電表結合聯邦學習技術，可在保護商業機密前提下實現分項計量，從根本上改變了EMC的商業模式可行性。

AI在能源領域的局限性與前景

1.什么場景下不適合采用AI？

AI也存在顯著的局限性。首先，能源行業推進AI應用面臨最顯著的障礙是兼具數字技能與能源專業知識的復合型人才嚴重短缺。這一缺口導致雙重問題：一方面，純技術背景團隊開發的AI模型常因不理解電網物理特性、可再生能源技術等領域知識，導致算法不可靠性；另一方面，能源從業者缺乏AI素養，難以有效定義需求或評估外部方案，造成項目失敗。

其次，AI在能源領域的應用受到數據和基礎設施的限制。能源系統的許多環節缺乏高質量、完整的數據，尤其是歷史數據的缺失或噪聲較多，導致AI模型的訓練效果不佳。此外，許多地區，特別是新興市場和發展中經濟體，數字化基礎設施不足，傳感器和聯網設備的覆蓋率較低，這使得AI難以有效部署。例如，老舊建筑或小型工業設施由于缺乏數據采集能力，AI優化策略難以實施。

第三，AI在復雜開放環境中的決策能力有限。雖然AI在結構化任務（如負荷預測、設備監測）中表現優異，但在需要多步驟因果推理或應對突發情況的場景中，AI的適應性仍不如人類。例如，電網在極端天氣下的應急調度需要快速判斷和靈活調整，而當前的AI系統難以完全模擬人類的經驗和直覺，可能導致決策失誤。

此外，AI在涉及安全、倫理和法規的敏感領域存在適用性限制。例如，在關鍵基礎設施運維等場景中，AI的“黑箱”特性使其難以滿足嚴格的透明性和可審計性要求。未來，AI在能源領域的成功部署需要結合數據治理、技能培訓和政策引導，以克服現有局限并發揮其最大潛力。

2.AI在能源領域應用是否能實現正收益？

AI自身的能耗與其帶來的節能潛力之間的關系是一個動態且復雜的權衡問題，涉及技術發展階段、應用場景、能源結構以及時間維度（短期與中期）等多重因素。當前，AI尤其是大語言模型（LLM）、深度學習訓練等任務對計算資源需求極高，依賴大規模數據中心和GPU集群，其訓練和運行過程消耗大量電力。

短期內（1年-3年），隨著AI技術快速部署，算力需求激增，AI系統的直接能耗預計將持續上升。在沒有綠色能源替代的情況下，碳排放也會相應上升。從中長期（3年-5年及以上）來看，AI具有巨大的節能優化潛力。在能源管理領域，AI可用于電網負荷預測、智能調度、可再生能源整合，提高整體能源使用效率；在工業領域，通過預測性維護、流程優化，減少能源浪費；在建筑與交通管理中，AI可以優化暖通系統、照明控制及交通流量，降低整體能耗。

AI的能耗與碳排放的趨勢有個“時間差”。短期內（1年-3年），AI的能耗增長是“即時”的，數據中心的綠電供應也沒有完全到位；而AI應用落地帶來的節能效益尚未完全釋放，可能導致短期內出現“能耗先增、節能減排后至”的階段性失衡。

因此，我們應該在短期內優先在“減排見效快”的場景部署AI，快速產生減排收益，抵消部分能耗增量。隨著AI技術進步（如更高效的芯片架構、低功耗AI模型、綠色數據中心）、可再生能源比例提升，以及AI節能應用的規模化落地，中期內（3年-5年）AI的凈節能效應將逐步顯現并超過其自身能耗。AI的應用有望帶來數倍于其自身能耗的節能效果，AI必將成為推動全球碳中和的重要工具。

從長遠來看，核聚變技術有望為AI發展提供終極零碳能源供應。而AI與核聚變的結合正在加速可控核聚變從實驗室走向商業化的進程。AI通過處理海量實驗數據、實時預測等離子體不穩定性，并優化控制策略，顯著提升了聚變裝置的穩定性和效率。兩者形成“AI加速聚變研發，聚變賦能AI算力”的共生關系。

目前，全球資本正加速布局聚變技術。微軟、谷歌、亞馬遜等科技巨頭正積極布局核聚變能源商業化。微軟已與Helion Energy簽署全球首個聚變電力采購協議；谷歌投資了Commonwealth Fusion Systems（CFS），支持其21世紀30年代初并網目標；亞馬遜則通過氣候基金投資General Fusion等初創公司。2025年7月，中國聚變能源有限公司成立，成為推進中國聚變工程化、商業化的創新主體。

雖然核聚變技術仍面臨科學技術和工程技術難題，但這些動向凸顯了各方對核聚變技術的押注，加速推動核聚變成為AI和經濟發展的終極能源解決方案。

結束語

2025年諾貝爾經濟學獎授予喬爾·莫基爾、菲利普·阿吉翁和彼得·豪伊特，以表彰他們“解釋創新驅動的經濟增長”理論，其中包括 “創造性破壞”增長模型。在能源領域，新技術（如光伏發電）通過市場競爭淘汰舊技術（如煤電），驅動產業升級與效率提升，就是以創造性破壞推動能源系統向可持續轉型。

當前，AI技術正加速創新技術研發的進程。AI通過縮短新能源材料研發周期、優化氣候模型、提升電網智能化、降低高耗能行業能耗、加速新興技術擴散。在這一過程中，我們需平衡AI自身能耗，通過綠色算法與可再生能源供電，并輔以政策引導與標準規范，確保AI驅動的“創造性破壞”始終錨定可持續未來。

（作者為騰訊戰略發展部碳中和高級顧問、亞洲開發銀行前首席能源專家；編輯：馬克）