軟銀計劃以AI供電為突破口，另辟蹊徑能否重新崛起？

孫正義在旗下電信子公司軟銀公司的股東大會(huì )上發(fā)表講話(huà)稱(chēng)，目前軟銀旗下的全資子公司SB Energy已經(jīng)在美國經(jīng)營(yíng)再生能源發(fā)電業(yè)務(wù)，并將繼續在海外物色投資標的，加強發(fā)電業(yè)務(wù)，為全球人工智能項目提供電力。

Part.01 新一波進(jìn)化的種子

去年9月14日，ARM以當年美股最大的IPO交易登陸納斯達克，最新數據顯示，ARM的市值已經(jīng)達到約1664.28億美元（截至2025年7月1日），軟銀則持有ARM約90%左右的股份。同時(shí)，OpenAI打造的ChatGPT火遍全球，成為AI領(lǐng)域的現象級應用，引發(fā)了全球互聯(lián)網(wǎng)公司的AIGC“軍備競賽”，ARM也在加強AI芯片方向的布局，計劃在2025年推出首批產(chǎn)品，一旦建立批量生產(chǎn)體系，AI芯片業(yè)務(wù)可能會(huì )分拆出來(lái)置于軟銀旗下。

之前失敗的經(jīng)歷讓孫正義急切地尋找一枚新的種子，“All in AI”的野心證明了人工智能就是這枚種子?，F在，孫正義找到了投資更明確的方向 —— AI供電業(yè)務(wù)。當前，生成式人工智能技術(shù)的基礎就是以數據和算力堆疊為標志的大模型，其訓練和應用需要大量的算力支持，算力背后則是算力基礎設施耗電所帶來(lái)的巨大電能需求。

AI究竟能消耗多少電量？如果更直觀(guān)地去看AI行業(yè)的能源需求，國際能源署今年初發(fā)布的報顯示，一次谷歌搜索平均耗電0.3瓦時(shí)，而ChatGPT響應一條請求平均耗電2.9瓦時(shí)。以谷歌每天處理90億次搜索計算，換算成ChatGPT處理這些請求，一年將需要多消耗100億千瓦時(shí)（1千瓦時(shí)相當于1度電）的額外電力。

埃隆·馬斯克表示電力缺口最早可能會(huì )在2025年發(fā)生，成為制約AI發(fā)展的主要因素；OpenAl的創(chuàng )始人山姆·奧特曼認為，未來(lái)AI技術(shù)的發(fā)展將高度依賴(lài)于能源，特別是光伏和儲能技術(shù)的進(jìn)步；英偉達CEO黃仁勛也表示，人工智能的未來(lái)發(fā)展與狀態(tài)和儲能緊密相連，不應僅僅關(guān)注計算力，而是需要更全面地考慮能源消耗問(wèn)題。

隨著(zhù)生成式人工智能的廣泛應用，預計到2027年，整個(gè)人工智能行業(yè)每年將消耗85至134太瓦時(shí)（1太瓦時(shí)=10億千瓦時(shí)）的電力，這顯示了AI技術(shù)對電力資源的巨大需求。有業(yè)內人士表示，大模型訓練成本中60%都是電費。

Part.02 AI背后的電力革命

AI大模型對電力的消耗主要體現在模型訓練和推理環(huán)節：在訓練階段，首先需要收集和預處理大量的文本數據用作輸入數據，然后在適當的模型架構中初始化模型參數，處理輸入的數據，嘗試生成輸出，再根據輸出與預想之間的差異，反復調整參數，直到模型的性能不再顯著(zhù)提高為止；而在推理階段中，則會(huì )先加載已經(jīng)訓練好的模型參數，預處理需要推理的文本數據，再讓模型根據學(xué)習到的語(yǔ)言規律生成輸出。

無(wú)論是訓練還是推理階段，都是一連串信息重組過(guò)程，模型的參數量越大，需要處理的數據越多，所需的計算量也就越大，所消耗的能量也就越大，而ChatGPT這樣基于大語(yǔ)言模型的生成式人工智能需要大量的數據集。GPT-3模型擁有1750億參數，而據推測GPT-4擁有1.8萬(wàn)億參數，是GPT-3的十倍。要訓練這種規模的模型，需要在大規模數據集上反復迭代，每一次迭代都需要計算和調整其中數十億、數百億乃至數千億個(gè)參數的值。

大模型的參數和數據規模越大，其智能效果就越好。在大模型中，“Scaling Laws”（規模效應）意味著(zhù)當參數和數據規模大到一定程度時(shí)，大模型的智能表現將出現躍升，也就是“智能涌現”。以OpenAI為代表的人工智能公司在“Scaling Laws”的驅使下，還在持續增加大模型的參數和數據規模，以求實(shí)現通用人工智能（AGI）的目標，造成短期內算力需求和電能需求的巨大提升。

參數量的激增將導致能耗顯著(zhù)增加，在OpenAI訓練大語(yǔ)言模型GPT-4時(shí)，完成一次訓練需要約三個(gè)月時(shí)間，使用大約25000塊英偉達A100 GPU。每塊A100 GPU都擁有540億個(gè)晶體管，功耗400瓦，每秒鐘可以進(jìn)行19.5萬(wàn)億次單精度浮點(diǎn)數的運算，僅僅是這些GPU一次訓練就用了2.4億度電。

除了模型訓練以外，AI在推理階段的耗能也不容忽視，推理即大模型響應用戶(hù)需求的過(guò)程，大模型單次響應用戶(hù)需求的耗電量并不大，但隨著(zhù)用戶(hù)規模的增加，耗電量也將不斷累積并增大。在有限時(shí)空范圍內進(jìn)行大模型訓練，會(huì )給局部電網(wǎng)帶來(lái)非常大的用電負荷，如果將10萬(wàn)塊英偉達H00芯片部署在同一地區進(jìn)行模型訓練，會(huì )導致電網(wǎng)崩潰。

Part.03 如何解決高耗能問(wèn)題？

數據中心、智算中心等算力基礎設施是人工智能（AI）的數據中樞和算力載體，尤其是生成式人工智能（AIGC）和大模型技術(shù)的快速發(fā)展，算力需求激增，AI的能耗問(wèn)題也越來(lái)越受到關(guān)注。不可否認，未來(lái)人工智能需要能源方面的突破，因為人工智能消耗的電力將遠遠超過(guò)人們的預期。隨著(zhù)AI大模型的技術(shù)競爭進(jìn)入縱深階段，行業(yè)開(kāi)始將注意力轉向模型訓練所需的能源領(lǐng)域。

AI熱潮背后的電力短缺風(fēng)險成為科技圈內熱議的焦點(diǎn)，在業(yè)內人士看來(lái)，這背后核心原因在于A(yíng)I大模型訓練所消耗的電力主要集中在數據中心領(lǐng)域，而當前數據中心建設正面臨著(zhù)供需錯配的結構性難題。而且AI模型的規模不斷擴大，電力成本也在不斷上升，一些數據中心運營(yíng)商為了應對運行AI應用程序產(chǎn)生的額外成本，已經(jīng)開(kāi)始提高商業(yè)租賃價(jià)格。

于A(yíng)I巨大的能源需求，當前不少科技巨頭均在“未雨綢繆”，為AI的長(cháng)遠發(fā)展積蓄電力。當下的重點(diǎn)在于開(kāi)源，風(fēng)能、光伏等可再生新能源被視作數據中心重要的能量池，核能尤其被寄予厚望。

· 微軟與能源創(chuàng )業(yè)公司Helion Energy簽訂購電協(xié)議，宣布2028年將從Helion Energy構建的第一座核聚變發(fā)電廠(chǎng)購買(mǎi)電力。

· OpenAI也開(kāi)始與Helion Energy接觸，計劃從它的核聚變電廠(chǎng)中采購大量電力用于支持其數據中心的運營(yíng)。值得注意的是，奧特曼自身就向Helion Energy投資了3.75億美元，這也是他有史以來(lái)最大的一筆個(gè)人出資。

· 亞馬遜云服務(wù)公司（AWS）收購美國賓夕法尼亞州一座數據中心園區，據了解，該園區就是從鄰近的核電站獲取電力。

由于幾乎無(wú)限的燃料供應、環(huán)境友好、能量密度高、安全性高，核聚變被視為解決能源危機和氣候變化問(wèn)題的關(guān)鍵技術(shù)。得益于多個(gè)國家和私營(yíng)企業(yè)的積極參與以及技術(shù)突破，全球核聚變商業(yè)化的進(jìn)展正在加速。此外，數據中心還可以通過(guò)智能算法來(lái)優(yōu)化能源使用效率，實(shí)現AI與電網(wǎng)的協(xié)同發(fā)展。

面對未來(lái)可能發(fā)生AI“缺電”的情況，需要尋找合適的解法，讓有限的電力能源可以容納更大的算力規模。從需求角度看，優(yōu)化模型本身的算法和架構、硬件優(yōu)化、提升芯片效率和算力效率等，被認為是降低AI能耗的有效途徑，是接下來(lái)的重點(diǎn)研發(fā)方向。

算法和模型優(yōu)化：通過(guò)算法優(yōu)化，如剪枝（pruning）、量化（quantization）、蒸餾（distillation）等技術(shù)，以及模型壓縮技術(shù)，減少模型的復雜度，同時(shí)保持或接近原有的性能。近年來(lái)提出的一些輕量級模型（如MobileNet）就是為了低功耗場(chǎng)景而設計的。

硬件優(yōu)化：開(kāi)發(fā)和使用更高效的AI專(zhuān)用硬件，如英偉達開(kāi)發(fā)的GPU T4和A100，谷歌開(kāi)發(fā)的TPU（Tensor Processing Unit），這些硬件專(zhuān)為AI任務(wù)設計，能夠在更低的能耗下提供更高的計算效率。

調整訓練和計算技巧：訓練技巧是一種通過(guò)調整神經(jīng)網(wǎng)絡(luò )的訓練過(guò)程來(lái)優(yōu)化計算資源的方法，例如，分布式訓練技術(shù)可以利用多臺計算機分擔大規模計算的負荷；另外，將AI計算任務(wù)從云端轉移到邊緣設備，這樣可以減少數據傳輸所需的能量，并利用邊緣設備的低功耗特性。

提高數據中心的能效：通過(guò)優(yōu)化數據中心的設計和管理，提高電源使用效率，例如，使用更高效的冷卻系統或者通過(guò)AI技術(shù)動(dòng)態(tài)調整數據中心的運行狀態(tài)以降低能耗。

Part.04 AI不僅費電，還費水

AI公司通常依賴(lài)數據中心來(lái)提供必要的計算資源，這些數據中心不僅需要電力來(lái)運行服務(wù)器，還需要大量的電力來(lái)維持冷卻系統，以防止設備過(guò)熱。除了耗電，算力設備的冷卻需求讓AI的耗水量也讓人瞠目結舌 —— 服務(wù)器消耗的電能絕大部分轉化成了熱能，最后通過(guò)水冷系統釋放出來(lái)，費電的背后還費水。

谷歌發(fā)布的2023年環(huán)境報告顯示，公司前一年的用水量同比顯著(zhù)增加了20%，達到56億加侖（21198305立方米），而其中絕大部分都被用于為該公司的數據中心散熱。而這并不是個(gè)例，估算訓練GPT-3所需的清水量相當于填滿(mǎn)一個(gè)核反應堆的冷卻塔所需的水量。ChatGPT（在GPT-3推出之后）每與用戶(hù)交流25到50個(gè)問(wèn)題，就得“喝下”一瓶500毫升的水來(lái)降溫。

當前數據中心耗水也成為制約數據中心快速發(fā)展的因素之一，很多企業(yè)嘗試用各種方法為數據中心散熱，例如，微軟曾嘗試部署海下數據中心，Facebook數據中心選址北極圈附近，阿里云千島湖數據中心使用深層湖水制冷。

在A(yíng)I快速進(jìn)步的道路上，對水資源的消耗也不斷加碼升級，要對AI進(jìn)行大量訓練也就意味著(zhù)需要更強的算力中心和與之匹配的散熱能力。實(shí)際上，AI本質(zhì)上是一種計算機技術(shù)和處理信息的技術(shù)，背后則需要大量GPU芯片，更底層則是大量電能、水力、風(fēng)能、資金等資源的支持。