文|硅谷101
听说,OpenAI训练GPT-6的时候,把微软电网给搞崩了?小伙伴们,你们有没有想过,生成式AI军备竞赛持续之际,AI会有多耗电吗?
OpenAI训练GPT-3大概消耗了1300兆瓦的电力,如果将这些电用来看网络流媒体视频,可以播放1625000小时,也就是185.5年。
我们再换一个方式呈现,研究人员发现,将大模型用于AI文生图,平均下来每生成一张图片的耗电量,就能把一个手机充满。
再来一个宏观点的例子,我们做这期视频的2024年,全美AI数据中心的耗电量将占据全美总用电量的2.5%。
但这,只是开始。硅谷的科技的大厂们:英伟达、谷歌、微软、亚马逊、Meta、特斯拉、甲骨文等一众巨头开始搭建大型数据中心之际,OpenAI直接联手微软打造了耗资1000亿美元的数据中心“星际之门”(Stargate)。
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,Scaling law(规模法则)依然是万能解药,可想而知,耗电量会指数级上涨。
欢迎大家来到硅谷101,这期内容我们就来聊聊,AI发展将会带来的能源挑战。首先我们来回答一个问题:为什么训练大模型会如此耗电。
01 为何生成式AI如此耗电?
1961年,为IBM效力的物理学家Rolf 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时,系统的熵会增加,且伴随着能量的耗散。简单来说,处理信息是有能量成本的。
1.1 AI训练与推理:处理信息能量成本
自从生成式AI确立使用Transformer架构并遵循“Scaling law”用巨量参数以来,AI大模型和“大量计算”就绑定在了一起。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1750亿个参数,GPT4是1.8万亿个,GPT5可能会突破10万亿参数,而传说正在训练的GPT6则可能数百万亿甚至千万亿参数的量级。
而硅谷顶级孵化器YC的前总监Kyle Corbitt在他的推特上爆料说,他在跟一个微软工程师聊天时,对方告诉他GPT-6的训练曾经让微软电网超负荷崩溃,所以无法在同一个州部署超过10万颗H100的GPU。
电网为什么会崩溃我们稍后会解释,但这里想跟大家说的是,可见训练GPT-6的耗电有多么可怕。而在训练完毕之后,“推理”同样需要非常大的算力和电力支持。
徐熠兴(Ethan)
微软能源战略部资深项目经理
我的理解是现在我们还处在就是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模型的用电量要大的多的。
我们知道,Transformer是自回归模型,这意味着推理过程中涉及多轮重复计算;而在之后的生成阶段,每生成一个token,都需要与显存进行数据交互。
我们在开头说了,一张AI文生图的平均耗电量是能把手机充满电的电量。而聊天应用ChatGPT每天响应约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,需要处理的数据越多,所需的计算量就越大,消耗的能量也就越大,释放的热量也越多。而反过来,这又需要更强大的芯片,这样的追求是无止尽的。
John Yue
Inference.ai创始人兼首席执行官
我个人感觉他这对这芯片的要求应该是没有尽头的,就比如我training(训练)一个东西我6个月,那我竞品可能说OK,那我多买几个GPU吧?我三个月,那他三个月,我现在就要两个月,那我两个月,他就要一个月,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计算量,科技巨头们纷纷建起了自己的数据中心Data Center(数据中心),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。
而再往深一步说,更大的能耗还来自于芯片上的电流,以及整个数据中心配套设施。
1.2 万卡Data Center:焦耳定律和冷却系统的吞电狂魔
我们都知道,AI算力靠的是GPU芯片的并行计算。在每个芯片中,如今有着以亿为单位的晶体管,比如说,英伟达最近发布的Blackwell架构GPU就拥有2080亿个晶体管。这些晶体管在运转时,就会产生电流。回顾一下物理学的焦耳定律,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(公式:Q=I2Rt)。
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大约是在1.59。也就是说,数据中心的IT设备每消耗1度电,配套设备就会消耗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,随着生成式AI赛道的起飞,科技大厂们迅速圈地大兴修建新AI数据中心。巨头们并不在乎电价,而“哪里有电”,成了它们在乎的问题。
John Yue
Inference.ai创始人兼首席执行官
就是因为我们原来设计Data Center(数据中心)的时候,大家其实没有考虑数据中心需要用到这么多电,它都是考虑到我的这个带宽什么的,它会建在离这种ISP(网络业务提供商)近一点的地方,这样保证它这个带宽有优势。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,就是如果你要建这个,就是这种accelerate compute(加速计算)的这种数据中心,像他这种32,000张GPU的话,那其实对带宽要求远远不如对电的这个要求啊。
陈茜:所以建在电便宜的地方?
John Yue
Inference.ai创始人兼首席执行官
不是,现在已经不是考虑电便宜不便宜了?现在就没有电。嗯,现在是你要看Data Center这一层人,大家在干的事都是shopping for power(购电)。就是你哪块开一个很大的电站,立马就有人赶紧去把那块地先给建个Data Center(数据中心)。
Bank of America最近发布给机构客户的一份研报上认为,2023年到2028年期间,全球数据中心的能耗会以每年百分之25到33的复合增长率快速飙升。
徐熠兴(Ethan)
微软能源战略部资深项目经理
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,就是每一兆瓦的AI的这个数据中心的这个负荷,大概能够带来1000万美元左右的年收入,如果是一兆瓦时的话,它的成本可能只有30美元到50美元左右。所以这是非常高的一个经济效益。所以这也是为什么,所有的科技公司都不管这个电价有多高,只要有电,那我就愿意去建(数据中心)。
如此有利润潜力的高回报生意,巨头们如何不押注?国际能源署(IEA)发布的一份报告显示,2022年全球数据中心、人工智能和加密货币的耗电量达到460TWh,占全球能耗的近2%。IEA预测,在最糟糕的情况下,到2026年这些领域的用电量将达1000TWh,与整个日本的用电量相当。
目前出现的问题是,用电需求快速增长,但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,完全跟不上AI增长的节奏,所以,“电荒”,“断电”,”电网瘫痪“,这些关键词,将很可能会成为接下来频繁的新闻头条。接下来我们说说,AI耗电将如何造成全球的电荒。
02 电荒何起:陈旧的基建与飙升的新需求?
在我们开头提到的,YC前总监KyleCorbitt的推特中,他说微软工程师跟他爆料,因为曾经微软在一个州,部署超过10万颗H100的GPU,用来训练GPT-6,让微软电网超负荷而崩溃的。为什么会出现这个问题呢?
徐熠兴(Ethan):
微软能源战略部资深项目经理
电网它的设计,基本上会针对你的用电负荷来进行设计的,就是说以前的数据中心,它其实是一个稳定的用电量,它一天24小时每刻的用电量,基本上是一个比较平稳的状态。但是AI的训练也好、推理也好,它会呈现出很不一样的用电特征,在训练的时候,或者在应用的时候,会出现非常大的摆幅,比如说可能衡幅100%的用电量,一下子降到10%的用电量,或者下一秒钟又会再升到100%的用电量,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伏,这样的这个情况,会给电网再带来不愿意接受的使用震荡,会对电网的稳定性会造成一定的影响。
其实数据中心一直很耗电,但随着AI爆发,各大巨头都开展了部署AI的“军备竞赛”,因此在大规模新建数据中心,但数据中心的负荷太重,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时间都保持平稳,这意味着电网基建已经接近20年时间没有更新。
在过去20年里,虽然美国的经济不断提升,但由于“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%,这和亚洲的一些发展中国家情况大不相同。美国的工程师在这20年里,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时,对这种情况没有预案,同时由于建设能力较为薄弱,短期内无法跟上发展需求,所以在未来的三到五年内,可能美国很多地区都将出现用电紧张。
徐熠兴(Ethan)
微软能源战略部资深项目经理
对于政策的制定者来说也是同样巨大的挑战。因为在美国你要建设电网,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这个私营的这个土地主,那怎么能够说服他们要允许建设电网,允许建设传输线,这都将是一个非常大的挑战。
所以,《纽约客》最近的一篇文章中,更是将AI的能源需求用“Obscene”(下流)来形容,用词非常不客气。但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超级计算机项目:Stargate。
03 千亿美元、吉瓦量级的Stargate
我们将硅谷的几大巨头盘点下,Meta目前有65万张H100,今年计划花8亿美元,做一个AI数据中心,亚马逊则打算在数据中心上投资6.5亿美元,谷歌更是大手笔,投资10亿美元建数据中心,但这些在微软面前,不过是一点零头。
根据美国科技媒体The Information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,这个投资规模比目前运营的其他数据中心,高出了100倍。要知道,OpenAI的投资也才130亿美元,这些钱足够打造8个OpenAI了。
星际之门这个项目预计在2028年完成,采购的芯片不再是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吉瓦的量级。
目前虽然星际之门的项目还在较早的规划阶段且未获正式批准,可能还会有所变动,但这个计划的出台告诉了我们很明确的信号: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,可能你想问:微软为什么不考虑到其他国家建设星际之门,以减轻美国的电力负担呢?
项江
瀚海聚能CEO
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,首先这现在是芯片短缺,再是数据短缺,再是能源短缺,这个重要性已经都凸显在这儿了,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。
这么聊下来,美国的电荒危机将继续扩大。那么要保证像Stargate这种量级的项目,能耗的问题,到底该如何解决呢?
从The Information爆料出的Stargate内部讨论来看,更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。
04 数据中心优化:芯片效率及液冷技术
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,能耗效率就越高对吧。那么,如何优化数据中心的PUE呢?诶,老黄给出了一些可行性答案。
在2024年的英伟达大会上,黄仁勋说,新一代Blackwell GB200的能耗是前一代Hopper架构的四分之一。英伟达的BlackwellGB200是如何实现能耗优化的呢?我们来通过英伟达的动画演示仔细解读一下。
这是Blackwell的GPU核心,在动画中,两个核心拼接在一起,组成了B100的核心。
这六个方块,就是核心旁边的HBM(High Bandwidth Memory高带宽内存)。旁边是8个内存卡,这就是一个GPU。这六个方块,就是核心旁边的HBM(High Bandwidth Memory高带宽内存)。旁边是8个内存卡,这就是一个GPU。
这是加了他们的Grace CPU,CPU是主要大脑,带动了两块GPU。这个就叫GB200(3:55)那个G就是它那个 Grace CPU。
两块GB200装入机柜后,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Infiniband,NODE还加入了DPU(Data Processing Unit),用来处理数据,减轻CPU负担。
英伟达会将18个NODE组合。这是英伟达的NVLink Switch芯片,大家可以把这层理解为交换机,用于连通NODE。
并加上局域网加速卡,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。
解释完GTC上的这段动画,相信大家也理解了Blackwell和B200是什么。在GTC上,老黄介绍过Blackwell GPU拥有2080亿个晶体管,用于AI训练时,速度将比H100快1倍,而推理速度则快5倍。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。
这么看来,从一定程度上,随着B200的问世,AI数据中心的耗电问题将有所缓解,毕竟英伟达占据了95%的AI市场。
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顺利运转的,是即将成为行业标配的“液体冷却技术”。Bank of America在研报上解释,接下来,随着数据中心功率密度的提高,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GTC展会上采访了Supermicro的人,对方也说了同样的话:在英伟达Blackwell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,目前分为直抵芯片液体冷却,和浸入式液体冷却这两种技术方向。中间的技术细节先不说了,总而言之,液冷不仅创造了降低数据中心能耗的机会,还能将电力使用效率(PUE)降至接近1的理想状态。
但注意,我这里说的是“理想状态”。那现实呢?
John Yue
Inference.ai创始人兼首席执行官
就是这个B100比以前的H100会tricky(刁钻)很多,因为这个liquid cooling(液体冷却)现在市场上是没有标准,很多这种数据中心或者这种担忧,他其实不敢私自去碰这个liquid cooling。因为英伟达它有要求,因为英伟达它交货的时候,它里头是不带liquid cooling的,所以你要装liquid cooling,你其实把它自带那套东西给拆了。那你装了以后如果出问题,英伟达不保修了。所以很多人他是不敢乱碰这个liquid cooling。
首先,最大的问题是产能,即使Blackwell出来了,但H100依然处于供不应求的情况,想把H100全换成B100,不说有没有这么多卡,在整个行业缺算力时,企业的选择只有增配,而非替换。
其次,就算想用B100换成H100,技术上也存在问题。数据中心设计时,整个配套设备如变压器、导线、散热,都要与芯片匹配,不论是B100、B200还是GB200,其配套方案都与上一代不同,所以现有的数据中心将难以直接更换。
John Yue
Inference.ai创始人兼首席执行官
现在还没有任何人在英伟达之外成功的部署了一个B100,所以要怎么部署大家还不确定。因为它确实跟H100不太一样。视频里放的那个,把那个扣打开,H100拿出来,B100插进去,那个是非常理想化的,其实你要改很多东西。B100可能还稍微好一些,像他说那个B200大家要都用上,我觉得时间就长了。
因为那个机柜可能要重新改,他耗电太大啊。你要重新建数据中心,要不然就是因为你那个cooling(冷却)的那个功率不够,你可能要把你的这数据中心重新摆排。或者你机柜离太近太热了,然后你的那个冷却达不到标的话,你想要把这些机柜全都离远一点,这个非常费事。
最后,由于竞争存在,资本对算力的需求,将是永无止境的。也就是说,芯片和数据中心在能耗效率上的提高比起市场上的整体需求上涨,依然无法改善算力短缺,总能耗依然在快速飙升。
在PC快速发展的时代,出现过安迪-比尔定理,不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上演。
徐熠兴(Ethan):
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,但是因为能耗的降低,可能会导致更多的人,在更多的应用,会需要更多的GPU,最后还是会导致能耗的总体能耗的增加。
那么,有没有更强大的帮我们解决能耗问题的解决方案呢?
05 能源终极方案:核聚变?
迁往它国不行,降低能耗不够,AI发展也不能停,在如此大的电力缺口面前,巨头们该何去何从呢?
徐熠兴(Ethan)提到了一个思路,在短期内,分布式储能会是比较重要的方案。例如发展光伏充电,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,将更多电能用于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,但总有一些时间电网负荷量低,这时没用上的电,也就白白流失了,因此建设储能设备也能让发电厂的电,得到充分利用。目前主流的储能设备是电池,有些地方则会用到抽水蓄电,也就是在用电低谷时,将水抽到地势高的地方,等高峰时再释放,通过水的流势来发电。
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。
徐熠兴(Ethan)
微软能源战略部资深项目经理
之所以会出现这样的情况,最主要的一个原因就是,我们现在依靠的很多清洁能源,比如说风能和太阳能,他们都不是完全可控的,有风、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,正积极地和美国各电力公司合作,甚至Sam Altman直接投资了一家名为HelionEnergy的能源公司。
Lex Fridman:你如何解决能源问题?核聚变?
Sam Altman:那是我认可的
Lex Fridman:谁来解决这个问题?
Sam Altman:我认为Helion做得最好
没错,核能,这是巨头们所坚信的方向。核聚变是将氘、氚通过一定手段,使其成为等离子态,发生核聚变后产生能量,一旦外力停止,等离子态会消失,反应结束,相对而言更可控、更安全。
Helion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。
项江
瀚海聚能CEO
它的底气就是在于它现在采用的技术路线,建设的装置的成本非常低。如果用托卡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10年以上。
项江
瀚海聚能CEO
它采用的是,直线型场反位形的这样一个技术路线,这样大幅降低了它的资金门槛。
那目前核聚变又发展到什么水平了呢?
项江
瀚海聚能CEO
其实说现在的技术发展水平来讲的话,现在核聚变是完全可以用于发电的,只不过我们目前还在处于做实验的阶段,我们现在用的是氘-氘进行反应做实验,要用到核电站的这样的发电效率的话,至少用氘-氚聚变来发电,而且它现在叫有价无市,每克氚大概是在两三百万这样人民币的这样一个价格。
想用核聚变来发电,还得解决热传导、涡轮电机、供电并网等设施,这其中的投资又是几十亿,所以,业内很多声音其实对Helion公司在2029年开始给微软用核聚变供电保持非常怀疑的态度。但其实,微软自己也对核聚变技术的到来也并不盲目乐观。
徐熠兴(Ethan)
微软能源战略部资深项目经理
其实微软投资这个公司或者签这个合同的主要目的,是在于能够前期就给他们需求侧的一个强烈的信号,通过这样的方式去支持这样的创新公司,去帮助他们,去减少他们面对的风险。
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的更好,能够用更快的速度、更低的成本实现规模化,能够把这个核聚变尽可能实现。
虽然核聚变何时能到来还是一个巨大的未知数,但显然,核能将是接下来巨头们瞄准的市场。近来,亚马逊购买了一个拥有核能供应的宾夕法尼亚州数据中心地点。根据两位参与谈判的人士透露,微软也曾讨论竞标同样的地点。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。
文章的最后,我们再来聊聊一个更现实的问题:目前硅谷科技巨头们开启了抢电大战,但他们承诺的碳中和目标怎么办?
06 更贵、更难的碳中和目标
还有个很重要的问题,就是环保,众所周知,现在全球推进碳中和目标,但随着AI巨大的耗电需求,碳中和的实现难度和成本将可能翻倍。
当前生成式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(规模法则)的发展实在太耗能源了,可以说是非常高碳的经济活动。
徐熠兴(Ethan)
微软能源战略部资深项目经理
在更早的时候就已经开始开启了能源转型的道路,所以像很多的大的公司,包括微软、谷歌、亚马逊、Meta等等,他们在AI出现之前就已经向公众作出了这个承诺,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,但因为这轮AI的出现,这些承诺似乎更难以达到了。
徐熠兴(Ethan)
微软能源战略部资深项目经理
此前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,成本有可能会翻倍。当能源转型进行到最后的那5%、10%的时候,想再实现95%甚至99%的清洁能源的时候,这个成本就几乎是指数性的增长。
除了电能之外,水能源其实也遭遇着类似的挑战。近年来,在AI大模型领域领先的科技公司们,也都面临水消耗大幅增长的局面,数据显示,人工智能聊天机器人ChatGPT每发出10到50次对话提示,就会“吞下”500毫升水。
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,甚至引发了2023年年中,在乌拉圭首都的民众抗议,这个南美国家遭受74年来最严重的干旱之际,试图阻止谷歌在当地建设数据中心的计划。
而我们在文章中提到的液态冷却技术,和系统的进一步普及和运用,也将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,一面需要向社会履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之前可控核聚变技术无法实现,那么现有的能源方案能带我们走多远?这是一个巨大的不确定性。
同时,在科技公司们计算AI成本时,我们也不要忘了社会成本。政府间气候变化专门委员会(IPCC)的报告指出,如果我们不能在本世纪内有效控制全球温升,气候变化越过临界点将会导致极端天气事件更加频繁。Climate Policy Initiative的研究报告预计,气候风险带来的累计损失到2100年可能高达数百万亿美元。
如果AI的发展将推高碳排放、推后碳中和且导致更多气候损失,那么这也要算入AI成本中。届时,人类对AI技术发展的这笔经济帐,还能否算得过来呢?