AI 的下一个瓶颈不是芯片，是电网。IEA 数据显示，2024 年全球数据中心耗电 415 TWh，2023 年仅 AI 专用芯片就吃掉约 200 TWh——比马来西亚全国全年用电还多。行业最爱讲的 scaling law，正在撞上一道更硬的约束：瓦特。
AI 的账单到底有多大
一次搜索只耗约 0.3 Wh，够点亮一盏 LED 灯两分钟；一次 10 轮对话的 ChatGPT 问答，耗电是它的几十倍。差别不在量级，而在模式：搜索是「查」，AI 是「生成」——每一次回答都要让数千亿参数流过硅片，计算密度随模型规模几何级上升。
大头的数字更吓人。训练 GPT-4（约 90–100 天）耗电超过 5000 万千瓦时，够全北京居民用一整天；ChatGPT 日均推理耗电相当于 10 万户家庭。2024 年全球数据中心耗电 415 TWh，美国、中国、欧洲分别占约 45%、25%、15%，且自 2017 年起年均增长约 12%——是全球电力增速的 4 倍。
训练与推理：两条不同的能耗曲线
训练是持续数月的高炉：大规模并行计算把原始数据炼成权重，本质是「用电换认知」。推理是永不熄灭的炉火：数亿用户每人一点，汇聚成海。2016 年以来，AI 算力需求年增约 50%，配套电力消耗年增约 45%。
所以「AI 是一次性投入」是错觉。模型越大、用户越多，电力依赖越深——账单不是付一次，而是每个季度都在膨胀。
从「辅助」到「必需」：电力的角色变了
数字经济曾被包装成「轻资产」：软件、算法、平台仿佛飘在物理世界之外，「云端」听起来毫无重量。现实是钢铁、铜缆和电厂。
历史给出了参照。蒸汽时代，电力只是工厂传送带的辅助，断了电工人还能手推；电气时代，电力点亮家庭，断了电还有蜡烛。到了智能时代，断电不是让 ChatGPT 变慢，而是直接杀死它：没有电，就没有推理，没有产品，没有公司。电力从「成本项」变成了「存在前提」——算力正在成为新的工业产能，电力就是它的原料，正如煤炭之于钢铁、原油之于石油时代。
碳中和悖论：AI 一边减排一边增碳
尴尬之处在于：全球化石能源仍占电力结构的约 55%。2025 年数据中心碳排放预计 3.5 亿吨，相当于全球航空业的 1/3。被寄予「减碳」厚望的 AI，自己正在成为排放大户。
巨头们的对策是追着电跑。微软在奥克尼群岛用海风发电、海水降温，PUE 压到 1.1 以下；谷歌在冰岛用地热，电价比硅谷便宜 2/3；亚马逊在哥伦比亚河畔吃水电，一个园区就占当地水电站发电量的 25%。选址正在成为新的护城河——电力合同正在成为新的 AI 合约，从英伟达俄亥俄 8GW 算力基地的千亿美元担保，到拿算力做抵押的贷款，再到Arm 服务器这类更省电的硅片。
可以怎么做：电力视角下的行动清单
做 AI 应用，把电价当产品变量：可再生能源便宜的地区——北欧、冰岛、美国西部水电、中国西部——推理成本悄悄更低。做基础设施，PUE、散热设计和绿电采购协议是竞争壁垒，不是 ESG 话术。做投资，AI 供应链现在包括电网、变电站、小型模块化核反应堆和散热技术，瓶颈已经移到芯片之外。
看信号：当模型公司和云厂商先签电力合同、再宣布建集群，能源就已经成了真正的 scaling law。
FAQ
AI 到底有多耗电？
2024 年全球数据中心耗电约 415 TWh（美国约 45%、中国约 25%、欧洲约 15%）；2023 年 AI 专用芯片耗电约 200 TWh，超过马来西亚全年用电。ChatGPT 日均耗电相当于 10 万户家庭，GPT-4 一次训练耗电超 5000 万千瓦时。
为什么 AI 这么费电？
因为「生成」取代了「检索」：一次 10 轮对话的耗电是搜索的几十倍；2016 年以来 AI 算力需求年增约 50%，配套电力消耗年增约 45%。
数据中心能靠清洁能源运行吗？
能——微软奥克尼（海风+海水降温，PUE<1.1）、谷歌冰岛（地热，成本低约 2/3）、亚马逊哥伦比亚河（水电）都是样板。但全球化石能源仍占约 55%，2025 年数据中心碳排放预计 3.5 亿吨，约为航空业的 1/3。
