最新研究表明，全年使用AI 聊天机器人消耗的能源，还比不过你洗上5次澡的开销！
之前总听见有人抱怨AI 耗电多
特别是流传一个说法「ChatGPT一次对话就要消耗3瓦时电量，是谷歌搜索的10倍」。
这是说我们的AI 使用会给环境带来巨大负担？
带着这个疑问，我深入研究了下Marcel Salathé 和Epoch AI 的最新报告
结果发现了一个惊人事实——
我们对AI能耗的认知被严重夸大了！
且往下看
和AI 聊一年，耗电有多少？
拿目前主流的GPT-4o来说
每次纯文字交互实际只消耗约0.3瓦时（Wh） 电量，而不是广为流传的3瓦时
假设你每天进行约100次交互（相当于10次对话，每次来回约10轮）
全年下来也就消耗约7.2千瓦时（kWh）。
这数字听着可能没什么概念？
我给你换几个直观对比：
🚗 开车10公里
普通汽油车百公里油耗约7升，开10公里就得烧0.7升油。
每升汽油能量约9.7千瓦时，算下来这短途行驶就用了约7.6千瓦时能量。
电动车效率更高，相同距离大约只需四分之一能耗，但考虑大多数车仍使用汽油，这个比较还是很实在的。
🚿 洗5次热水澡
一次5分钟热水澡，平均用水约32.5升，水温升高30°C。
理想情况下需要1.13千瓦时能量
但考虑实际热损耗，单次热水澡耗能约1.6千瓦时，五次就是8千瓦时。
🛁 泡2次热水澡
相比淋浴，泡澡用水更多。
一个小浴缸就得装80-100升水
考虑热效率，单次就得消耗5.2千瓦时，两次就超过10千瓦时了。
也就是说——
你跟AI 聊个一年的耗电量，竟然连5次热水澡都不如！
为什么之前的估算差这么多？
查了下，发现之前广为流传的3瓦时/查询估计，是来自Alex de Vries 2023年的一项研究。
而最新研究估算出的0.3瓦时，足足低了10倍
哪里出了问题呢？
主要有三大原因：
之前研究假设每次查询会有2000个输出token（约1500词，相当于本文一半长度）
而实际上一般用户的查询输出约500个token（400词左右）。
新研究基于最新的英伟达H100芯片计算，而非旧款A100。
H100性能更高、能效比更好。
估计GPT-4o的活跃参数约1000亿，而之前估算GPT-3.5有1750亿参数。
参数减少，计算量和能耗也相应降低。
能耗计算的细节
而这个0.3瓦时，是怎么算出来的？
我来拆解一下这个过程：
首先
GPT-4o可能有约2000亿总参数，但作为一个混合专家模型（MoE）
每次只有大约四分之一的参数被激活，也就是约1000亿活跃参数。
每生成一个token（约0.75个词），需要每个活跃参数进行2次浮点运算
所以生成一个token需要2000亿次浮点运算。
一般对话模型输出约500个token
所以总共需要500 × 2000亿 = 1 × 10^14次浮点运算。
运行这些计算的H100 GPU，官方额定功率为700瓦
但考虑服务器和数据中心开销，每GPU实际耗电约1500瓦
H100每秒能执行989万亿次浮点运算，理论上0.1秒就能处理完一次查询。
但GPU在推理时不可能达到理论峰值，利用率可能只有10%
而且功耗也会降到峰值的70%左右
所以实际上，一次AI查询需要约1秒GPU时间，能耗约为0.3瓦时。
不过，这只是常规使用情况
如果你用AI处理特别长的输入，能耗会大幅增加：
10万token（约200页文本）输入：高达40瓦时
这是因为Transformer模型处理长输入时，注意力机制的计算量会与输入长度的平方成正比。
其他AI模型的能耗情况呢？
除了GPT-4o，市面上还有各种大模型：
GPT-4o-mini：参数量更少，API价格仅为GPT-4o的十分之一，能耗可能也低得多
o1和o3-mini：OpenAI的推理模型，虽然每token能耗可能较低，但由于生成长推理链，每次查询总能耗可能更高。非正式测试表明，这些模型生成的token数是GPT-4o的2.5倍
Claude 3.5 Sonnet：估计有约4000亿参数，能耗可能与GPT-4o相当
DeepSeek-V3：只有371亿活跃参数（总计6710亿参数），每token能耗可能低于GPT-4o
随着技术发展，AI模型能效正在不断提升。
硬件厂商开发更高效芯片，AI公司让小模型能力更强
研究人员发明多token预测等推理优化技术，这些都在降低AI能耗。
但另一方面
如果用户开始大量使用需要复杂推理的高级模型，或者处理更大规模的输入
则单次查询的能耗可能会增加
OpenAI新推出的需要深度推理的Deep Research产品就是这一趋势的早期信号。
AI的上游能耗：训练与硬件制造
除了日常使用的能耗，我们还应考虑AI 的"上游"能源成本
包括模型训练和硬件制造。
模型训练
当前一轮大模型训练耗电约20-25兆瓦，持续大约三个月
足以供应约2万美国家庭用电
但考虑到ChatGPT有3亿用户，而且模型一旦训练好可以使用很长时间
平均到每个用户头上的训练能耗并不高。
硬件制造
制造GPU和服务器所需的"内含能源"也是一个因素。
根据研究，制造AI 硬件的内含碳排放约为模型训练排放的一半
而且因为法国电力清洁（主要来自核电），内含能源比例可能更低。
台积电2023年总耗电约240亿千瓦时，相当于平均功率2.7吉瓦。
这与其生产的GPU总功耗相当，但需要考虑GPU使用寿命更长，且台积电产品不仅限于AI芯片。
把AI能耗放在更大视角
将ChatGPT的能耗与日常生活对比：
美国普通家庭年均用电约10,500千瓦时，日均超过28,000瓦时。
对比之下，ChatGPT的使用能耗微不足道。
当然，从宏观角度看，一些研究预测到2030年，AI 可能会消耗美国10%的电力
这确实值得关注
目前AI 数据中心估计消耗美国0.3%的电力（约110亿千瓦时），到2030年可能增长30倍。
但就个人使用而言，不必过度担忧AI聊天耗电。
如果你想为环保做贡献，不妨考虑减少开车，选择淋浴而非泡澡，或者缩短些洗澡时间
这些小改变就能轻松抵消一整年的AI 聊天能耗了！
以上
事实就是——
虽然AI 整体发展确实需要关注能源问题，但普通人日常使用AI 的能耗影响，其实微乎其微。
与其担心每天和ChatGPT聊两句会不会毁灭地球，增加碳排放
不如看看自己生活中其他耗能大户，从那里开始节能减排
比如少洗几次澡
效果反而好得多！
