算法和芯片越省电，AI 反而越费电？

2026-02-14 ｜算力与能源 / 算力能耗｜约 5分钟

一提 AI 耗电，常见的回答是“别担心，算法和芯片会越来越省电”。这话对一半。效率确实在提升，但数据中心的总用电量并没有因此降下来，反而涨得更快。这篇用几组已核实的公开数据，讲清“越省电、越费电”这件事是怎么发生的，以及该把注意力放在哪本账上。

效率确实在提升：单位任务能耗一直在降

一个任务用的电，这几年确实在变少。芯片制程在进步、架构在优化、算法也在压缩，近些年单位算力能耗持续走低——同一个活，今天干比几年前干要省电。这不是错觉，是行业长期努力的结果。

但关键要看清：这是“单位能耗”，不是“总能耗”。单位小，不等于总数小。

单看单位，一片向好；一看总量，曲线是往上走的。按 IEA《Energy and AI》的基准情景：

两者差了 3 倍多。也就是说，AI 那部分用电的增速，远远跑在前面。

IEA 同一情景还给出：2024—2030 年数据中心用电年均增速约 15%，是其他所有行业电力增速合计的 4 倍多；到 2030 年，全球数据中心用电约 945～950 TWh，约占全球总用电量的 3%。

省下来的那份电，很快被新长出来的需求吃掉了。

一百多年前，经济学家杰文斯观察煤炭时提出过一个说法：让一样东西用起来更便宜、更高效，人们不会因此少用，反而用得更多，总消耗反而是上升的。这就是后人说的“杰文斯悖论”。

AI 省电也是同一个逻辑。单位算力变便宜了，原来用不起的用途现在用得起——更多模型、更多调用、更多场景被释放出来。效率提升反而打开了新的需求口子。

只盯一次查询，AI 并不吓人：

差距近 10 倍（据 Epoch AI 等的测算）。2.9 Wh 是什么概念？大概就是让一个普通 LED 灯泡亮一两个小时的量级——一次两次，确实微不足道。

问题出在“次数”。据公开行业数据，全国日均 Token 调用量较两年前呈千倍级增长。单次再小，乘以海量请求，就是一笔总账。

所以要盯的是总账，不是单次。

不只看算法，硬件这条线也在往上走：

一个机柜从 5～10 kW 抬到 50～120 kW，是十倍的跨度。还有一点常被忽略：推理环节可占 AI 全生命周期能耗的 80%～90%——训练是一次性的，推理却是每天每时都在发生的。

讲这些，不是为了唱衰“算法芯片省电”这件事。恰恰相反：效率提升是必要的，也是真实发生的。

但效率解决的是“单位消耗”，解决不了“总量失控”。省电的速度，追不上需求扩张的速度。

真正要降总账，得换到系统层面去看：负荷怎么调度、绿电怎么接上、电网怎么跟上。这些，靠算法和芯片一家解决不了。

问：既然芯片和算法越来越省电，为什么数据中心总用电还在涨？

答：省电降的是“单位任务能耗”，涨的是“任务总量”。按 IEA 的基准情景，加速型服务器用电年增约 30%，传统服务器只有约 9%。需求扩张的速度快过效率提升的速度，总账自然往上走。

问：什么是杰文斯悖论？跟 AI 有什么关系？

答：一百多年前经济学家杰文斯观察煤炭时提出的说法：某样东西用起来更便宜高效，人们不会少用，反而用得更多，总消耗上升。AI 省电也类似——单位算力便宜了，用得起的新场景冒出来，把省下的电又吃回去。

问：单次 AI 查询到底耗多少电？

答：据 Epoch AI 等的测算，ChatGPT 单次查询约 2.9 Wh，传统搜索约 0.3 Wh，差了近 10 倍。单次看很小，但乘以千倍级增长的请求量，就是大数目。所以要盯总量，不是盯单次。

问：那是不是别指望效率了？

答：不是。效率是必要的，只是不能指望它单独解决问题。它管的是单位消耗，管不了总量。要真降总账，还得从负荷调度、绿电接入、电网配套这些系统层面一起想办法。