大模型的电费与碳账

引言

每一次和大模型对话，背后都有一台服务器在耗电。一次对话的电费微乎其微，但当每天有成千上万次对话同时发生，这笔账就变得惊人。大模型的电费与碳账，是 AI 繁荣背后最容易被忽略的一笔账，也是最难回避的一笔账。

电花在哪里

大模型的用电分两块：训练和推理。训练是集中用电：成千上万张加速卡连续满负荷运转数周甚至数月，耗电量堪比一座小型城市的用电。推理是分散用电：每一次对话、每一次生成都要调用算力，单次不大，但总量随用户规模线性增长。随着模型从“少数人用”变成“人人都在用”，推理用电正在超过训练，成为耗电的大头。数据中心还要为散热额外付电费：芯片越热，空调越忙，电表转得越快。

碳账怎么算

用电不等于排碳，关键看电从哪来。建在水电、风电丰富地区的数据中心，碳足迹远低于依赖煤电的同类设施。不少大公司已经开始把数据中心往清洁能源丰富的地方搬，或者直接签长期绿电协议。但这笔账并不好算：电网是混合供电，一度电的碳含量很难精确归属；训练用的电、推理用的电、散热用的电，边界也不好划。碳账的数字看看就好，重要的是趋势：AI 的用电量在涨，减排的速度能不能跟上，是个真问题。

省电的几条路

行业省电的思路和省钱的思路高度重合：模型越小、推理越省电，所以蒸馏、量化这些压缩技术既省成本也省电；请求越少越省电，所以缓存常见回答、把简单问题交给小模型，同样一举两得；硬件越高效越省电，新一代芯片每瓦算力在持续提升。还有一个容易被忽视的方向：别让模型做不必要的工作。很多调用其实可以不用大模型，杀鸡用牛刀，浪费的是电。

增长与减排的拉锯

大模型用电增长的速度，正在和减排的速度赛跑。一边是用户量和调用量持续上涨，另一边是芯片效率和绿电比例也在提升。短期内增长大概率跑在前面，长期则取决于两个变量：模型效率的提升能不能抵消规模的扩张，以及能源结构转型的速度。这笔账没有简单的答案，但它决定了 AI 繁荣的可持续性：一个靠天量耗电支撑的繁荣，终究要回答能源从哪来的问题。

普通用户能做什么

对普通用户来说，这笔账也有现实意义。不是每次提问都需要调用最大的模型，简单问题用小模型、把多步问题一次问清楚、少做无意义的重复生成，都能实实在在省电。更重要的是建立一个意识：AI 服务不是免费的自然资源，每一次调用都有真实的能源成本。知道电花在哪，用的时候才会有分寸。AI 的未来不只是更聪明，还要更省电，这两者缺一不可。

服务商这边同样有责任把选择权交给用户：提供不同档位的模型、标明每次调用的大致能耗、让用户在速度和能耗之间自己选。透明是最好的节能手段——当用户看得见成本，行为自然会调整。AI 普及的速度越快，这套透明机制就越重要，否则等到用电量大到不得不面对的时候，再补功课就晚了。