微软携OpenAI砸千亿寻电，AI能耗激增逼瘫电网并绑架巨头碳中和承诺

微软携OpenAI砸千亿寻电：AI能耗激增逼瘫电网并绑架巨头碳中和承诺 AI算力扩张遵循的尺度定律正引爆指数级的能源与水资源消耗，其高碳排特性将彻底击碎科技巨头们的碳中和承诺，迫使全行业在电荒逼迫下向核能博弈转型。 随着生成式 AI 的大模型参数量呈指数级暴增，其训练和推理阶段正面临着极端的能源危机，甚至出现了微软工程师爆料 GPT-6 训练震垮电网的现象。这促使科技巨头们的选址逻辑从追求网络带宽转向四处搜寻电力，并倒逼硬件层面加速推广能耗更高的芯片及液冷技术。由于传统电网老旧且清洁能源不稳定，微软等巨头甚至将终极目光投向了核能对赌，而 AI 巨大的电耗与水耗也让巨头们此前的碳中和承诺陷入了难以兼顾的严峻博弈。 大模型能耗正演变成严峻的能源危机，2024年全美AI数据中心用电量已占全美2.5%，且多轮重复计算的推理阶段比训练阶段消耗更为惊人的电量。 (0:00) 随着GPU晶体管与功率密度激增，数据中心选址逻辑从追求网络带宽彻底转向“寻电之旅”，但老旧电网与AI剧烈的用电摆幅产生严重冲突。 (4:59) 微软与OpenAI规划了预算高达1000亿美元的“星际之门”（Stargate）数据中心，且受制于数据本地化安全战略，巨头难以将算力基地迁往海外避开本土电荒。 (9:59) 英伟达Blackwell架构及液冷技术虽在能效上带来突破，但在实际部署中仍面临缺乏标准、失去保修风险以及数据中心必须彻底重构的现实阻碍。 (14:59) 为破解电力瓶颈，巨头押注分布式储能并与核聚变初创公司签下商业对赌，但AI爆发带来的巨额能耗与耗水量正重创科技巨头的碳中和承诺与气候目标。 (19:59)

随着生成式AI遵循尺度定律加速演进，计算背后的能耗瓶颈正在将科技巨头的竞争从算力芯片推向基础能源领域。面对老旧电网冲击与碳中和目标倒退的双重现实，行业正试图通过硬件重构、数据中心选址转向以及前沿核能对赌来化解电力短缺。 参数扩张与推理常态引发的能源黑洞 (0:00) 依据信息处理伴随能量耗散的兰道尔原理，基于Transformer架构的大模型训练与高能耗深度绑定。从消耗1300兆瓦时电力的GPT-3，到万亿参数级的GPT-4与规划中的更大模型，单次训练的电力负荷呈指数级暴增。前YC总监Kyle Corbin曾透露，微软工程师称GPT-6训练曾因耗电过大导致局部电网过载，使单一州无法承载超过10万张H100显卡。2024年，全美AI数据中心用电已占全美总电量的2.5%。 除训练外，日常推理已成为更庞大且持续的能源消耗来源。由于自回归生成机制需要频繁进行显存数据交互，仅ChatGPT每日响应约2亿次请求便需消耗超过50万度电，相当于1.7万个美国家庭单日用电量。每生成单张AI图片的耗电即可充满一部智能手机，这种高频、长期的微观消耗累积成了宏观层面的巨大能源黑洞。 选址逻辑剧变与老旧电网的供需断层 (4:59) 伴随高功率GPU芯片的大规模集群化，焦耳定律带来的散热压力导致数据中心冷却能耗高企。Uptime Institute数据显示全球大型数据中心平均PUE约为1.59，冷却系统常占总能耗40%。高能耗直接重塑了基础设施的选址逻辑：数据中心建设不再优先考虑网络交换点带宽，而是转向“寻电”（Shopping for power），即何处能批复大型供电指标便落地何处。 然而，现有电力基础设施难以承受AI负载。传统数据中心负荷平稳，而AI训练与推理用电会在数秒内出现剧烈摆动（如从100%骤降至16%后瞬间拉回），极易引起电网震荡。国际能源署预测，2026年全球数据中心、AI与加密货币耗电最悲观将达1000太瓦时。过去20年欧美电网年用电增长率仅约0.5%，基础设施老旧，加之跨越私人土地铺设输电线阻力重重，导致新建产能远跟不上算力扩张速度。 架构迭代救局与工程现实的摩擦 (14:59) 为缓解电力瓶颈，硬件层面的能效优化被寄予厚望。英伟达发布的Blackwell架构GB200芯片通过深度集成CPU、GPU及高速互连，将相同训练量下的功耗降至H100的四分之一，并推动液冷技术成为行业标配，试图将PUE压降至接近1的水平。 但在实际落地中，硬件替代面临严重的工程与经济阻力。目前液冷技术缺乏统一规范，客户自行拆装面临英伟达的脱保风险；同时，GB200对变压器、线缆承载与机柜间距的全新物理要求，意味着旧机房无法实现简单“即插即用”，往往需要推倒重建。此外，“安迪-比尔定律”正在AI领域重演：单次计算能耗效率的提升有效降低了推理成本，但反而进一步刺激了模型复杂度和应用规模的爆发，最终推高了能源消费总量。 千亿美元军备竞赛、核能对赌与环境代价 (19:59) 受限于数据作为国家战略资产的安全性考量，科技巨头无法轻易将算力转移至电力充裕的海外地区。为抢占先机，微软与OpenAI计划投入1000亿美元建设预计于2028年完工的“星际之门”（Stargate）数据中心，其电力需求将达到数吉瓦级别；Meta、亚马逊与谷歌亦分别投入数亿至十亿美元加码数据中心建设。 由于风光等分布式清洁能源具有间歇性缺陷，巨头将目光转向可控核聚变。微软与Sam Altman投资的初创公司Helion签署商业对赌协议，约定其在2028年前实现核聚变发电并在一年后以0.01美元/度的超低价格供电50兆瓦，业内对此可行性普遍存疑。与此同时，AI的巨大消耗使巨头的碳中和承诺迅速受挫，冷却带来的水资源消耗亦引发地方环境冲突。若算力扩张持续延缓脱碳进程，全球气候升温将带来数百万亿美元的潜在社会损失。 在算力即权力的军备竞赛下，科技巨头正通过极具风险的资本与技术对赌突破物理瓶颈。然而，老旧电网的刚性约束、清洁能源的技术断层以及高昂的气候环境外生变量，表明仅凭技术效率迭代难以消除AI扩张与真实世界资源限制之间的深层冲突。

[0:00] 大模型的能耗问题正以惊人的速度演变成一场能源危机。 [0:00] 使用大模型生成一张AI图片所消耗的电量，平均下来就足以充满一部智能手机。 [0:00] Kyle Corbin: GPT-6的训练曾因耗电量过于恐怖，直接导致微软电网超负荷崩溃，因此无法在同一个州内部署超过10万张H100 GPU。 [0:00] 模型训练完成后的应用和推理（Inference）才是更大的能源消耗源。 [0:00] 罗夫·兰道尔: 处理信息是有能量成本的。 [4:59] 科技巨头们不再一味追求“便宜的电”，而是面临“根本没有电”的窘境。 [4:59] 哪里能开辟大型电站，巨头们就会立刻跑去买地建数据中心。 [9:59] 在私有制为主的美国，升级电网、建设传输线需要跨越无数私人土地，说服土地所有者的过程极其漫长和困难。 [9:59] 在芯片短缺、数据短缺之后，能源短缺已成为第三大瓶颈。 [14:59] 能耗效率的提升反而会降低单次计算成本，从而刺激更多人开发更复杂的应用、购买更多的GPU，最终导致总能耗不降反升。 [19:59] ChatGPT每进行10到50次对话，就要“喝”掉500毫升的水。 [19:59] 如果AI的发展推迟了碳中和进程，这笔高昂的气候和社会成本，必须被算入AI的真实成本之中。

[0:00] 听说OpenAI训练GPT6的时候把微软电网给搞疯了小伙伴们你们有没有想过训练是AI军备竞赛持续之际AI会有多耗电吗OpenAI训练GPT3大概是消耗了1300兆瓦时的电力如果将这些电用来看网络流媒体视频可以播放1625000个小时也就是185.5年我们再换一个方式来呈现研究人员就发现将大模型用于AI纹身图平均下来每生成一张图片的耗电量就能够把一个手机充满那么再来说一个宏观点的例子我们做这期视频的2024年全美AI数据中心的耗电量占据全美总用电量的2.5%足以点亮整个纽约市但是这只是开始Facebook的科技大厂们宁伟达 谷歌 微软 亚讯Meta 克斯拉 甲骨文等等一众巨头开始搭建大型数据中心之际UpoLi直接是联手微软打造的耗资1000亿美元的数据中心星际之门StarGate而随着上万张GPU显卡集群成为训练生成式AI的标配硅谷开始卷多模态大模型并且Scaling law依然是万能解药的情况下可想而知耗电量会指数级的上涨欢迎大家收看硅谷101我是陈倩那么这期视频我们就来聊聊AI发展将会带来如何的能源挑战那么首先我们来回答一个问题为什么训练大模型会如此的耗电呢1961年为IBM效力的物理学家Rof Landauer提出了Landauer's Principle兰道尔原理指出计算机中存储的信息发生不可逆的变化的时候系统的伤会增加并且伴随着能量的耗散简单来说呢处理信息是有能量成本的自从生成是AI确立使用Transformer架构并且遵循Scaling Law用巨量参数以来呢AI大模型和大量计算就绑定在了一起那么这就意味着大模型运作中的训练Training和推理Inference都会涉及大量计算和信息处理或者说巨大的能量成本前者在训练阶段AI大模型需要收集和预处理大量的文本数据然后初始化参数处理数据生成输出调整优化等等而且随着模型的迭代需要处理的参数是指数级别的增长GPT3是1751个参数GPT4是1.8万亿个GPT5可能会突破10万亿的参数而传说中正在训练的GPT6则可能是数百万亿甚至数千万亿参数的量级而硅谷顶级孵化器YC的前总监Kyle Corbin在他的推特上就爆料说他在跟一个微软工程师聊天的时候对方告诉他GPT6的训练曾经让微软电网超负和崩溃所以无法在同一个周部署超过10万克H100的GPU那么电网为什么会崩溃我们稍后会仔细的解释但这里想跟大家强调的是可见训练GPT6的耗电是有多么的可怕而在训练完毕之后推理同样需要非常大的算力还有电力支持我的理解是现在我们还处在AI训练大模型的一个阶段这些模型训练出来之后它之后的应用它的推理应用等等那才是最大消耗能源的地方那用电量的话可能要比你训练那几个月AI模型的用电量要大得多的我们知道Transformer是自回归模型那么这意味着推理过程中涉及多轮重复计算而在之后的凶程阶段每凶程一个token都需要领现存进行数据交互我们在开头说了一张AI纹身图的平均耗电量是能够把手机充满电的电量而聊天应用XGPT每天响应大约2亿个需求消耗超过50万度电力相当于1.7万个美国家庭平均一天的用电量所以无论是训练还是推理阶段模型的参数量越大需要处理的数据就越多所需要的计算量就越大消耗的能量也就越大释放出来的热量也就越多而反过来这又需要更强大的芯片那这样的追求是无止境的我个人感觉它对芯片的要求应该是没有尽头的就比如我training一个东西我六个月那我竞品可能说OK那我多买几个GPU吧我三个月那它三个月我现在就要两个月那我两个月它就要一个月那这个东西其实是没有尽头的因为大家总想要更快更快 更大 更强这对AI芯片提出了更高的要求为了支撑起如此巨大的吸算量科技巨头们纷纷建起了自己的数据中心Data Center将上万GPU互联互通来支持AI大算力如果说AI训练和推理产生的能量是冰山一角的话那么数据中心本身的耗电才是埋在海中的巨大冰山再往深一步说 [4:59] 还来自于芯片上的电流以及整个数据中心的配套设施我们都知道AI算力靠的是GPU芯片的并行计算在每一个芯片当中如今有着以异为单位的晶体管比如说伊伟达最近发布的Blackwell架构的GPU就拥有2080亿个晶体管这些晶体管在运转的时候就会产生电流来回顾一下物理学的教尔定律电流通过这些晶体管产生的热量跟电流的二次方成正比跟导体的电阻成正比跟通电的时间成正比所以万亿参数的AI大模型训练与推理运行在上万GPU芯片上面的千亿晶体管上所产生的耗电和热量可想而知除了芯片上本身的能耗之外数据中心还涉及到冷却系统的大量的能耗在数据中心的能耗上有一个评估的衡量指标叫电力使用效率Power Usage Effectiveness简称PUE也就是消耗的所有能源除以IT设备能耗的比值PUE这个指标越接近1数据中心浪费的能源也就越少根据数据中心标准组织Uptime Institute的报告2020年全球大型数据中心的平均PUE大概是在1.59这个数值也就是说数据中心的数据中心标准组织Uptime Institute的报告2020年全球大型数据中心的平均PUE大概是在1.59这个数值也就是说数据中心的IT设备每消耗一度电配套设施就会消耗0.59度电其中大部分的这些配套能耗是被用于冷却系统在很多数据中心冷却系统能耗可以达到总能耗的40%因此最近几年随着深城市AI赛道的起飞科技大厂们迅速圈地大新修建新AI数据中心但是巨头们并不在乎电价哪里有电成了他们在乎的问题就是因为我们原来设计Data Center的时候大家其实没有考虑Data Center需要用到这么多电他都是考虑到我的这个带宽啊什么的他会建在离这种IXP近一点的地方这样保证他这个带宽有优势但是现在就发现我们其实是这个需要离电近一点不是需要离带宽近一点如果你要建这个就是这种Accelerated computer这种Data Center像它这种三万两千张GPU的话那其实对带宽要求远远不如对电的这个要求所以现在电便宜的地方是不是现在已经不是考虑电便宜不便宜了现在就没有电现在是你要看Data Center这层人大家在干的事都是Shopping for power就是你哪块开一个这个很大的一个电站立马就有人赶紧去把那块地先建个Data Center这层人大家在干的事都是Shopping for Power就是你哪块开一个大的一个电站立马就有人赶紧去把那块D先建个Data CenterBank of America最近发布给机构客户的一份研报上就认为2023年到2028年期间呢全球数据中心的浓耗会以每年25%到33%的复合增长率快速的飙升AI其实它对一个国家的经济也是非常重要的就比如说一个很粗略的一个评估了每一兆瓦的AI的这个数据中心的这个负荷呢大概能够带来1000万美元左右的年收入比如是一兆瓦的时的话它的成本可能只有30美元到50美元左右这是非常高的一个经济效益如此有利润潜力的高回报生意巨头们怎么可能不压住呢那么国际能源署IEA发布的一份报告就显示2022年全球数据中心人工智能还有加密货币的耗电量呢是达到460泰瓦时占全球能耗的将近2%那么IEA预测在最糟糕的情况下到2026年这些领域的用电量将会达到1000泰瓦时与整个日本的用电量相当那么目前啊问题就出现了用电需求快速增长但是包括美国在内的许多地区的电网基建却已经很多年没有翻新过了完全是跟不上AI增长的节奏所以电荒断电还有什么电网瘫痪等等这些关键词将很有可能会成为接下来频繁的新闻头条所以接下来我们再来回答一个问题AI耗电将会如何造成全球的电荒呢在我们的开头就提到YC的前总监在推特上说微软工程师跟他爆料因为曾经微软在一个州部署超过10万克的H100的GPU用来训练GPT6让微软电网超负荷而崩溃那么为什么会出现这个问题呢电网它的设计呢是基本上会针对你的用电负荷来进行设计就是说以前的数据中心它其实是一个稳电的用电量就是它一天24小时每时每刻它的用电量基本上是一个比较平稳的状态但是AI的训练也好,AI的使用也好它的用电特征会呈现出一个很不一样的用电特征AI的事与中在训练的时候或者在应用的时候会出现非常大的一个摆伏比如说它的一个用电可能从100%的用电量一下子 [9:59] 降到16%用电量或者下一秒钟又会再升到100%用电量就是它在几秒钟之内甚至在一秒钟之内就会出现比较大的这种用电的摆幅这样的一个情况会给电网再带来一个不愿意接受的一种能量使用的这种震荡这会对电网的稳定性会造成一定的影响其实数据中心一直都很好电但随着AI爆发各大巨头都开展了部署AI的军备竞赛因此在大规模的新建数据中心但是数据中心的复合太重发电系统无法提供这么高的功率就算添置发电设施老旧的电力传输设施也难以承担如此负荷很容易超出电网原本的承受上限加上欧美地区的用电量在过去相当长的时间都保持平稳那么这意味着电网基建已经有接近20年的时间没有更新了在过去的20年当中虽然美国的经济不断的提升但是由于去工业化的理念整体的经济增长与用电量并不相关每年的用电增长率只有0.5%那么这和亚洲的一些发展中国家情况是大不相同的美国的工程师在这20年当中都没有遇到过如此大的电力增长需求从而导致整个电网规划的时候对这种情况没有预案同时由于基建能力比较薄弱短期内无法跟上发展需求所以在未来的3到5年当中可能美国很多地区都会出现用电紧张的情况对于政治的制定者来说也是同样的巨大挑战因为在美国你要建设电网的话需要建设电站需要建设传输线而这些可能都会涉及到千千万万的居民因为美国的很多土地都是私有的也就意味着如果你要建设电网升级电网的话你的传输线肯定要经过很多私营的土地主那怎么能够说服他们允许建设电网允许建设传输线这都将是一个非常大的挑战所以纽约克最近的一篇文章当中更是将AI的能源需求用Opsane下流这个词来形容他用词也是非常的不可气了但是巨头们并没有因为电网的挑战而停下脚步反观微软和OpenAI甚至投入1000亿美元计划打造一个有史以来最大的AI超级计算计算目Stargate我们将硅谷的几大巨头盘点一下Meta目前是有65万张的H100计划今年花8亿美元做一个AI的数据中心亚马逊则打算在数据中心上投资6.5亿美元五个更是大手笔投资11亿美元去修剪数据中心但是这些在微软面前不过是一点零头根据美国科技媒体The Information的报道OpenAI联手微软计划花费1000亿美元打造一台AI超级计算机名为星际之门Stargate那么这个投资规模比目前运营的其他数据容器可以说是高出百倍的要知道OpenAI的投资也才130亿美元那么这些钱足以打造8个OpenAI了星际之门这个项目预计在2028年完成采购的芯片不暂时H100而是数百万个英伟达最新的B200芯片最重要的是这个项目的电力需求将会达到数几瓦的量级目前虽然星际之门的项目还在比较早的规划阶段并且还没有获得正式的批准可能还会有所变化但是这个计划的出台告诉我们很明确的一个信号谁掌握了算力谁就掌握了未来而如此庞大的电力需求将会对美国的电力系统造成不可估量的缺口那可能你想问微软为什么不考虑去其他国家建设星际之门以减轻美国的电力负担呢就是数据它现在是一个资产而且是一个甚至到了战略资产这样一个地位而且对于AI下一步的发展的话首先现在是芯片短缺再是数据短缺再是能源短缺这个重要性已经都凸显在这了数据实际上已经现在出现了短缺的问题了你说把数据中心建在别的国家然后再去训练甚至利用当地国家的数据我觉得这是不可想象的事情那么这么聊下来感觉美国的电荒危机可能会持续的扩大那么要保证像Stargate这种谅解的项目能耗的问题到底应该如何解决呢从The Information爆料处的Stargate内部讨论来看更加高效的数据中心优化以及核能等替代能源都是急需技术突破的方向我们先来聊聊芯片和数据中心的优化问题那我们在前面讲到数据中心的电力使用效率PUE如果PUE越接近1那么能耗效率就越高对吧那么如何优化Data Center的PUE呢老黄给出了一些可行性的答案 [14:59] 14年的英伟达大会上黄仁勋说新一代的Blackwell GB200的能耗呢是前一代Hopper架构的四分之一英伟达的Blackwell GB200是如何实现能耗优化的呢我们来通过英伟达的Data Center动画演示仔细的来解读一下这是Blackwell的GPU核心在动画中啊两个核心拼接在了一起组成了B100的核心这六个方块这就是旁边的那个HBM旁边是8个那个内存卡这就是一个GPU这是加了一个CPU的应该加了他们的Gate CPUCPU是主要大脑然后带动了两块GPU这个就叫GB200那个G就是它那个Gate CPU两块GB200装入机柜之后呢就组成了一个Node计算节点这里加入的卡是Infiniband主要功能是让各计算单元之间高速通信除了InfinibandNode还加入了DPU Data Processing Unit来处理数据减轻CPU的负担而英伟达会将18个Node组合这是英伟达的NV-Link Switch 芯片大家可以把这层理解为交换机用于连通Node并且加上局域网加速卡组成了整个机组再通过不断增加机组最后成为了数据中心那么解释完GTC上的这段动画相信大家也理解了Blackwell和B200是什么那么在GTC上老黄介绍过BlackwellGPU拥有2080亿个晶体管用于AI训练的时候它的速度比H100会快一倍而推理速度会快五倍而最重要的是对于相同的AI训练量GB200的功耗是之前的四分之一那么这么来看从一定程度上随着B200的问世可能因为效率的提升AI数据中心的耗电问题将有可能会有所缓解毕竟英伟达占据了95%的AI芯片市场而在能耗上还有一点很重要让以上英伟达数据中心这一切能够顺利运转的是即将成为行业标配的液体冷却技术Dent of America在研报上解释接下来随着数据中心功率密度的提升传统的风冷系统方法可能不再适用需要采用液体冷却解决方案这会帮助提高数据中心的效能我们之前在英伟达GDC展会上也采访了SuperMACO的人对方也说了同样的话在英伟达BlacCloud架构之后的AI数据中心都会转向液体冷却方案液冷技术其实已经发展了相当的时间了目前分为直底芯片液体冷却和进入式液体冷却这两种技术方向那么中间的技术细节我们这个视频先不说了那总而言之液冷不仅创造了降低数据中心能耗的机会还能够将电力使用效率PUE降至接近1的理想状态但是要注意我这里说的是理想状态就是这个B100比以前的H100会tricky很多因为这个Liquid Cooling现在市场上是没有standard很多这种数据中心或者这种vendor他其实不敢私自去碰Liquid Cooling为什么因为英伟达他有要求因为英伟达他shift的时候他里头是不带Liquid Cooling所以你要装Liquid Cooling其实把他自带那套东西给拆了然后你自己装Liquid Cooling那你装了以后如果出问题因为它不保修了所以很多人它是不敢乱碰这个Liquid Core首先呢最大的问题就是芯片产能了那么即使Blockwell出来了但是H100依然处于一个供不应求的情况想把H100全部换成B100现不说有没有这么多卡吧那么在整个行业缺算力的时候企业的选择只有增配而非替换其次就算想用B100替换为去100技术上也存在问题数据中心涉及的时候整个配套设施比如说变压器导线散热都要与芯片匹配那无论是B100还是B200还是GB200整个配套方案都要和上一代有很大的不同所以现有的数据中心会非常的难以直接替换现在还没有任何人在英伟达之外成功的部署了一个B100所以它真的下载的时候要怎么部署这个大家还不确定所以B100刚出来可能也有可能会有很多问题因为它确实跟H100不太一样视频里放的那个你把那个扣打开然后H100拿出来B100插进去那个是非常非常理想化的其实你要改很多东西不光是这个样B100可能还稍微好一些像他说B200B200大家要都用上我觉得时间就长了因为机柜可能要重新改耗电太大你要重新建Data Center要不然因为你cooling的功率不够你可能要把你的Data Center重新摆排就比你机柜离太近 [19:59] 最后的一点由于竞争存在资本对算力的需求将会是永无止境的也就是说芯片和数据中心在能耗效率上的提升比起市场上的整体需求的上涨依然无法改善算力短缺总能耗依然在快速的飙升曾经在PC快速发展的时代出现过安迪比尔定律也就是说无论英特尔如何提升芯片性能这部分很快会被微软的软件需求给吃掉到了如今的AI时代类似的定律可能会再次的上演所以我觉得在GPU上有可能也会出现类似的情况就是它的能耗降低了很多很快但因为能耗的降低可能会导致更多的人在更多的应用会需要更多的GPU最后还是会造成总体能耗的增加那么有没有更强大的帮助我们人类去搞定能耗问题的解决方案呢前往踏过不行降低能耗不够连发展也不能停在如此大的电力缺口面前巨头头们该何去何从呢?Edan提到了一个思路,在短期内,分布是储能将会是比较重要的方案比如说发展光伏充电,让每家每户都装上太阳能板以此来减轻家庭用电对电网的依赖,将更多的电用于AI产业毕竟我们前面也提到过,AI对国家经济非常重要所以政府也是有动力去推进这项计划的同时由于发电厂是持续发电但是总有一些时间电网负荷量低这时候没有用上的电也就白白流失了因此建设储能设备也能够让发电厂的电得到充分的利用目前主流的储能设备是电池有些地方则会用到抽水蓄电也就是在用电低谷的时候将水抽到地势高的地方等高峰的时候再释放通过水的流逝来发电然而分布式储能和新能源供电只能短时间内提供电力上的帮助目前看来并不能作为长期AI发展中的可靠能源支持无法解决长期需求之所以会出现这样的情况最重要的一个原因就是我们现在依靠的很多清洁能源比如说风能和太阳能它们都不是完全可控的有风的时候有太阳的时候你有能源没有风和太阳的时候你就没有这些能源了为此像微软这样的巨头正在积极地和美国各大电力公司合作甚至Sam Altman直接是投资了一家名为Helion Energy的能源公司那是我相信的那是我相信的那是我相信的那是我相信的那是我相信的那是我相信的那是我相信的谁会解决的我认为Helion是做得最好的工作但我感到现在是有一个选择没错 核能这就是巨头们所坚信的方向核聚变是将刀穿通过一定手段使其成为等低姿态发生核聚变之后产生能量一旦外力停止等低姿态就会消失 反应结束相对而言更加可控 更加安全Hellian走的就是核聚变的道路他们还和微软签订了对赌协议承诺在2028年之前开始通过核聚变发电并在一年之后以0.01美元每千瓦时的价格为微软提供目标为至少50兆瓦的发电量否则将支付罚款这个激进的对赌协议被认为是核聚变发电领域的首个商业协议它的底气就是在于它现在的采用的技术路线建设的装置的成本非常低如果用托克马克一个装置要上百亿四五百亿来建造的话那么它的技术迭代周期就会达到十年以上它采用的就是跟我们一样的叫直线型长反卫型的这样一个技术路线这样大幅降低了它的资金门槛而目前核续变又发展到了什么水平呢其实说现在的技术发展水平来讲的话现在核续变是完全可以用于发电的只不过我们现在还在处于做实验的阶段我们现在用的是刀刀进行反应做实验要用到核电站的这样的发电效率的话至少用刀川聚变来发电而且它现在叫有价无市每克川大概是在两三百万这样人民币的这样一个价格而想用核聚变来发电还得解决热传导涡轮电机供电病王等等设施这其中的投资又是几十上百亿美元所以夜内很多声音其实对Helion公司在2029年就开始给微软用核聚变供电保持非常怀疑的态度但其实微软自己对核聚变技术的到来也并不盲目乐观其实微软投资这个公司或者签这个合同的主要目的也是在于能够前期就给他们足够的一个就相当于是需求测的一个强烈的信号就是他们做出来我们就一定会买通过这样的方式去支持 [24:59] 创新公司去帮助他们去减少他们面对的风险希望帮助他们能够成功微软和几个大公司包括亚马逊包括谷歌等等其实都一直在用自己的投资部门去投资不同的新的科技这其中就有核能包括核聚变他们的希望也是通过投资这些技术让这些技术公司能够发展得更好能够用更快的速度更低的成本实现规模化能够把核聚变技能实现虽然核聚变核实到来还是一个巨大的未知数但是显然确定的是核能将是接下来巨头们瞄准的市场近来亚马逊是购买了一个拥有核能供应的宾西法尼亚州的数据中心地点根据两位参与谈判的人士透露微软也曾经讨论过竞标同样的地点所以接下来有核能供应的数据中心选址可能将是下一个科技巨头们的兵家必争之地视频的最后我们再来聊聊一个更加现实的问题目前硅谷科技巨头们开启了抢电大战但是他们承诺的碳中和目标该怎么办呢还有一个很重要的问题就是环保了众所周知现在全球推进碳中和的目标但是随着AI巨大的耗电需求碳中和的实现难度和成本都有可能会翻倍了当前生成是AI的军备竞赛无疑是打乱了一众科技巨头的碳排放计划因为满足AI scaling law的发展实在是太耗能源了可以说是非常高碳的经济活动能源的转型和对气候变化的关注是在更早的时候就已经开始开启了这个能源转型的这条道路所以像很多的大的公司包括微软 谷歌 亚马逊 Meta等等他们其实在AI出现之前就已经向公众做出了这个承诺这个承诺当时是没有考虑到AI的微软承诺2030年实现100%没有任何碳排放的清洁能源使用实现碳中和亚马逊承诺2040年之前实现碳中和谷歌和Meta承诺2030年之前实现整个运营和价值链上的碳中和但是因为这轮AI的出现这些承诺似乎更加难以达到了其实这些公司在做这些承诺的时候他们的目标就已经设得足够高足够难了在没有AI之前要实现能源转型的成本就很高如果加上AI之后它这个成本有可能会翻倍当你的能源转型进行到最后的那5%和10%的时候就比如说你现在已经实现了90%的清洁能源但是你想再实现95%现在99%的清洁能源的时候就它的这个成本就几乎是指数性的增长而除了电能之外水能源其实也是遭遇着类似的挑战近年来在AI大模型领域领先的科技公司们也都面临着水消耗大幅度增长的局面那数据显示人工智能聊天机器人XGBT每发出10到50次的对话提示就能够吞下500毫升的水2023年6月微软公司发布了2022年度环境可持续发展报告其中用水一项有超过34%的显著增长谷歌公司也类似甚至是引发了2023年年中在乌拉圭首都的民众抗疫在这个南美国家遭受74年以来最严重的干旱之际民众们试图阻止谷歌在当地建设数据中心的计划而我们在视频之前提到的液态冷却技术和系统的进一步普及和运用也将会继续对水资源有着持续的需求在技术发展和能源消耗之间的选择非常的两难一面需要稳定大量的电力来打AI技术和商业之战一面需要向社会旅行环保承诺来打碳中和之战无论是哪一场战役都是昂贵且困难的业内流行着一句话AGI的尽头是能源如果人类到达AGI之前可控核聚变气是无法实现那么现有的能源方案能够带我们走多远这是一个巨大的不确定性同时在科技公司们计算AI成本的时候我们也不要忘了社会成本这幅间气候变化专门委员会IPCC的报告指出如果我们不能够在本世纪内有效地控制全球升温那么气候变化超过临界点将会导致极端天气事件更加频繁Climbing Policy Initiative的研究报告就预计气候风险带来的累计损失到2100年可能会高达数百万亿美元如果AI的发展将推高碳排放推后碳中和并且导致更多的气候损失那么这也要算入AI的成本当中届时人类对AI技术发展的这笔经济账还能否算得过来呢 [29:59] 下你们的想法也请不要忘了关注我们给我们点赞以及分享给你们身边感兴趣的小伙伴们你们的支持一直都是我们持续制作深度内容的最大动力硅谷101从这里时向未来那我们就下期视频再见了拜拜