到 2026 年，数据中心的耗电量预计将达到约 1,000 太瓦时——这大约相当于日本和德国的年度总用电量。AI 工作负载正推动着这一增长，由此产生的电力缺口可能会阻碍下一波机器学习突破的到来。

AI 对电力的渴求并非抽象概念。一次 ChatGPT 查询消耗的能量是典型 Google 搜索的十倍，而训练一个像 GPT-4 这样规模的模型所需的电力，足以维持 4,600 个家庭一年的用电。随着各家公司竞相扩大推理和训练集群的规模，对持续、大规模电力的需求增长速度，已经超过了间歇性可再生能源的供应能力。

为什么目前的再生能源组合力有不逮

太阳能电池板和风力涡轮机只有在阳光充足或风力吹动时才能发电。数据中心运营商需要稳定、24 小时的电力供应，然而用于存储过剩可再生能源输出的电池只能维持几个小时。其结果是不得不依赖化石燃料调峰电厂——即在可再生能源输出下降时启动的天然气或煤炭发电机。这些电厂会排放碳并增加运营成本，从而削弱了许多科技巨头在其可持续发展报告中所标榜的“绿色”主张。

核能的回归

面对可靠性缺口，几家大型科技公司正转向核能，因为它能提供基荷、无碳的电力。

  • Microsoft 正在重启三哩岛（Three Mile Island）的一座已退役的反应堆，以确保其 AI 工作负载的稳定供应。
  • Google 已与一家开发先进反应堆的初创公司签署了合作伙伴关系，目标是在 2030 年前实现部署。
  • Amazon 正在投资小型模块化反应堆，并将新的数据中心选址在现有的核电站附近。

这些举措预示着该行业正迎来更广泛的“核能复兴”，高密度、全天候电力的前景已超过了这项技术在历史上背负的污名。

地理套利与硬件效率

并非所有公司都在押注新反应堆。一些公司通过在可再生能源丰富且廉价的地区建设来规避问题。冰岛的地热田和挪威的水电网既能提供电力，又能提供天然冷却，从而降低了能源消耗和运营成本。

与此同时，硬件设计人员正在努力提高每一瓦电力的产出。新型 AI 优化芯片能提供更高的单位电力性能，而液冷系统可以将冷却所需的能源减少高达 50%。这些进步争取了时间，但并未消除潜在的需求曲线。

行业的利害关系

如果清洁、可靠且负担得起的电力无法跟上 AI 的增长步伐，可能会出现以下几种结果：

  • 成本压力：

下一步值得关注的动向

  • 监管动态： 关注已宣布的核能合作伙伴关系的进展，以及在低碳地区建设数据中心的规模。

为 AI 提供动力的竞赛已不再是制造更快芯片的问题；这是一场争取大规模、清洁且可靠电力的战斗。行业如何解决这一紧张关系，将决定下一代 AI 模型能否在不削减雄心的情况下进行训练和运行。