简短回答
人工智能之所以耗电，是因为现代模型需要大量计算。图形处理器、服务器、存储、网络、冷却和数据中心基础设施都是总能源需求的组成部分。
人工智能是计算密集型设计
人工智能系统依赖于大规模的数学运算。训练和运行神经网络需要能够并行处理大量计算的专用硬件。这就是为什么 GPU 和其他加速器已成为现代人工智能基础设施的核心。
训练大型模型需要集中计算
训练一个大型人工智能模型可能需要多次迭代处理海量数据集。在训练过程中，数以千计的加速器可能会长时间运行，持续消耗电力。虽然训练不是人工智能能源消耗的唯一来源，但却是最明显和资源密集型的阶段之一。
推理能力随着日常使用而增强
推理是使用训练有素的模型来回答提示、生成文本、创建图像、总结文档或执行其他任务的过程。随着人工智能工具被数百万用户采用，推理可能成为电力需求的主要来源，因为推理是在全球范围内持续进行的。
数据中心增加了辅助能源需求
人工智能工作负载在数据中心内运行。除了处理器本身，服务器、内存、存储、网络设备、电力输送和冷却也需要用电。这些支持性基础设施意味着总的电力足迹要大于单纯的原始硬件消耗。
效率提高，但需求仍会增长
硬件、软件和数据中心的效率不断提高。然而，效率的提高可能会被不断增长的需求、更大的型号、更多的用户以及嵌入到日常产品中的更多人工智能功能所抵消。核心问题不仅在于人工智能是否变得更加高效，还在于总使用量的增长速度是否快于效率的提高。