AI大模型成为“吞电怪兽”，主要源于其并行计算架构的高功耗、全生命周期的持续能耗以及算力需求的指数级增长。这不仅是技术进步的代价，更是全球能源基础设施面临的新挑战。

让AI模型“学会”东西，靠的是海量芯片同时高速运算。以GPT-4为例，训练它一次就要消耗约2.4亿度电，相当于一个10万人口小城市一年的用电总量。这背后是上万块高性能GPU（如图形处理器）连续工作数十天，每块GPU满负荷运行时功耗可达400瓦以上，整个集群的瞬时功耗堪比一座小型工厂。

更关键的是，这些芯片的设计初衷就是并行处理，数千个计算核心同步开关，即使采用最先进的制造工艺，电流损耗也居高不下。参数越多，计算越复杂，电力的胃口就越大。

AI的耗电绝非“训练完就结束”，而是一个覆盖模型整个生命的闭环。除了训练期的集中消耗，模型上线后的“推理”阶段才是持续的电老虎。一次ChatGPT查询的平均能耗约为2.9瓦时，是传统谷歌搜索（0.3瓦时）的近10倍。当每天有上亿用户进行交互时，累积的电耗极为惊人。

此外，数据中心里还有隐形的“电老虎”：

所以，从数据准备到最终服务用户，每一步都在烧电。

AI算力需求在过去几年增长了上百万倍，这种爆炸式曲线让传统的电力供应系统措手不及。电力基础设施的建设和电网扩容往往需要5-10年，但AI数据中心的建设节奏快得多，导致严重的供需失衡。

结果就是，价值数十亿美元的AI芯片因为缺电而闲置在仓库里，微软等公司已公开承认这一困境。高盛预测，到2028年，美国AI相关的电力缺口将达44吉瓦，相当于9个迈阿密市一年的用电量。这场竞赛的核心，正从“比谁芯片多”转向“比谁先通上电”。

面对挑战，行业正在通过模型架构创新（如更高效的混合专家模型）和“绿电 储能”的能源协同来寻找出路，但AI的能耗问题已然成为技术爆发期必须跨越的一道门槛。