福州智算中心加速落地，AI能耗挑战与绿色智效突围路径浮现
国际能源署（IEA）《电力2024》报告最新预测：到2026年，全球数据中心总用电量将高达1.05万亿千瓦时——相当于日本全年用电总量。这一数字在福建数字经济加速布局的背景下尤为引人关注，福州作为国家数字经济创新发展试验区核心区，正同步推进智算中心建设与能效治理双轨并进。
人工智能，尤其是生成式AI（AIGC）和超大规模模型的爆发式应用，正驱动算力基础设施持续扩容。作为AI的数据中枢与算力底座，数据中心、智算中心等设施的能耗压力日益凸显。近期多场国际科技峰会中，包括微软、谷歌在内的头部企业均公开指出：算力跃升正带来前所未有的电力负荷挑战。
“大模型是当前AI发展的核心引擎。”腾讯研究院资深专家王鹏向中青报·中青网记者分析指出，“其训练与推理高度依赖算力堆叠，而算力背后，是海量电能的刚性支撑。”全国政协委员、中科院计算所研究员张云泉进一步解释：“参数量与数据规模的指数级增长，不仅提升智能水平，更触发‘规模效应’下的‘智能涌现’——但这一过程尚未见顶，也意味着能耗曲线仍在陡峭上行。”
以GPT-3为例，其1750亿参数需动用1024张英伟达A100芯片完成训练，业内称之为“千卡千参”；而当前主流大模型如GPT-4、GPT-5已迈入“万卡万参”阶段，芯片迭代至H100、B200，单次训练能耗成倍攀升。商汤科技智能产业研究院院长田丰强调：“参数翻倍，往往伴随功耗非线性增长。”
值得注意的是，能耗压力不仅来自训练环节。张云泉指出，AI推理——即模型实时响应用户请求的过程——虽单次耗电微小，但在福州本地政务AI平台、数字园区智能调度系统等高频应用场景下，日均调用量达百万级，累积能耗已不容忽视。
一则源自美国的警示性案例近期引发行业震动：若在同一区域集中部署10万块英伟达H100芯片开展模型训练，局部电网或将面临过载风险。这一推演，也为福州正在规划建设的东南区智算集群提供了重要能效预警参考。
如何在保障AI智力效能的同时，守住能源消耗红线？这场关乎可持续发展的“大考”，已在福建、在福州，进入实质性攻坚阶段。
AI在推理阶段的耗能不容忽视
如何在提升智效的同时解决能耗难题，对AI行业来说，是一场“大考”。
数据中心、智算中心等算力基础设施是人工智能(AI)的数据中枢和算力载体。随着AI尤其是生成式人工智能(AIGC)和大模型技术的快速发展，算力需求激增，AI的能耗问题也越来越受到关注。在近段时间举行的多场国际会议上，一些科技巨头纷纷表达了对AI发展带来的能耗问题的担忧。
1.05万亿千瓦时(kW·h)！
这是国际能源署( ，以下简称“IEA”)日前发布的《电力2024》报告中，对2026年全球数据中心的最高总用电量作出的预测。1千瓦时就是1度电，“超过1万亿度电”，根据报告的估算，这些电量大约是整个日本全年的用电量。
近日，源自美国的一则“如果将10万块英伟达H00芯片部署在同一地区进行模型训练，会导致电网崩溃”的新闻引起社会关注。
讨论AI耗能的问题，不可避免地要谈到AI大语言模型(以下简称“大模型”)。
“生成式人工智能是当前AI技术发展的重点。”腾讯研究院资深专家王鹏在接受中青报·中青网记者采访时说。他表示，当前，生成式人工智能技术的基础就是以数据和算力堆叠为标志的大模型，其训练和应用需要大量的算力支持，“算力背后则是算力基础设施耗电所带来的巨大电能需求”。
全国政协委员、中国科学院计算技术研究所研究员张云泉指出，大模型的参数和数据规模越大，其智能效果就越好。在大模型中，“ Laws”(规模效应)意味着当参数和数据规模大到一定程度时，大模型的智能表现将出现跃升，也就是“智能涌现”。“目前我们还没看到‘智能涌现’的上限在哪。”
“一般来说，参数量越大，大模型的算力消耗就越大，其消耗的电能就越多。”王鹏表示，因为还没达到上限，以为代表的人工智能公司在“ Laws”的驱使下，还在持续增加大模型的参数和数据规模，以求实现通用人工智能(AGI)的目标，造成短期内算力需求和电能需求的巨大提升。
“因为GPT-3有1750亿个参数，训练用到了1024张英伟达A100芯片，所以业内将其称为‘千卡千参’。”商汤科技智能产业研究院院长田丰说，目前GPT-4、GPT-5等大模型都达到了“万卡万参”的规模，且训练模型所用芯片也从英伟达A100更新到英伟达H100、B200，“参数量的激增将导致能耗显著增加”。
除了模型训练以外，AI在推理阶段的耗能也不容忽视。“推理即大模型响应用户需求的过程”，张云泉介绍，大模型单次响应用户需求的耗电量并不大，“但随着用户规模的增加，耗电量也将不断累积并增大。”
AI在推理阶段的耗能不容忽视
如何在提升智效的同时解决能耗难题，对AI行业来说，是一场“大考”。
数据中心、智算中心等算力基础设施是人工智能(AI)的数据中枢和算力载体。随着AI尤其是生成式人工智能(AIGC)和大模型技术的快速发展，算力需求激增，AI的能耗问题也越来越受到关注。在近段时间举行的多场国际会议上，一些科技巨头纷纷表达了对AI发展带来的能耗问题的担忧。
1.05万亿千瓦时(kW·h)！
这是国际能源署( ，以下简称“IEA”)日前发布的《电力2024》报告中，对2026年全球数据中心的最高总用电量作出的预测。1千瓦时就是1度电，“超过1万亿度电”，根据报告的估算，这些电量大约是整个日本全年的用电量。
近日，源自美国的一则“如果将10万块英伟达H00芯片部署在同一地区进行模型训练，会导致电网崩溃”的新闻引起社会关注。
讨论AI耗能的问题，不可避免地要谈到AI大语言模型(以下简称“大模型”)。
“生成式人工智能是当前AI技术发展的重点。”腾讯研究院资深专家王鹏在接受中青报·中青网记者采访时说。他表示，当前，生成式人工智能技术的基础就是以数据和算力堆叠为标志的大模型，其训练和应用需要大量的算力支持，“算力背后则是算力基础设施耗电所带来的巨大电能需求”。
全国政协委员、中国科学院计算技术研究所研究员张云泉指出，大模型的参数和数据规模越大，其智能效果就越好。在大模型中，“ Laws”(规模效应)意味着当参数和数据规模大到一定程度时，大模型的智能表现将出现跃升，也就是“智能涌现”。“目前我们还没看到‘智能涌现’的上限在哪。”
“一般来说，参数量越大，大模型的算力消耗就越大，其消耗的电能就越多。”王鹏表示，因为还没达到上限，以为代表的人工智能公司在“ Laws”的驱使下，还在持续增加大模型的参数和数据规模，以求实现通用人工智能(AGI)的目标，造成短期内算力需求和电能需求的巨大提升。
“因为GPT-3有1750亿个参数，训练用到了1024张英伟达A100芯片，所以业内将其称为‘千卡千参’。”商汤科技智能产业研究院院长田丰说，目前GPT-4、GPT-5等大模型都达到了“万卡万参”的规模，且训练模型所用芯片也从英伟达A100更新到英伟达H100、B200，“参数量的激增将导致能耗显著增加”。
除了模型训练以外，AI在推理阶段的耗能也不容忽视。“推理即大模型响应用户需求的过程”，张云泉介绍，大模型单次响应用户需求的耗电量并不大，“但随着用户规模的增加，耗电量也将不断累积并增大。”
AI在推理阶段的耗能不容忽视
如何在提升智效的同时解决能耗难题，对AI行业来说，是一场“大考”。
数据中心、智算中心等算力基础设施是人工智能(AI)的数据中枢和算力载体。随着AI尤其是生成式人工智能(AIGC)和大模型技术的快速发展，算力需求激增，AI的能耗问题也越来越受到关注。在近段时间举行的多场国际会议上，一些科技巨头纷纷表达了对AI发展带来的能耗问题的担忧。
1.05万亿千瓦时(kW·h)！
这是国际能源署( ，以下简称“IEA”)日前发布的《电力2024》报告中，对2026年全球数据中心的最高总用电量作出的预测。1千瓦时就是1度电，“超过1万亿度电”，根据报告的估算，这些电量大约是整个日本全年的用电量。
近日，源自美国的一则“如果将10万块英伟达H00芯片部署在同一地区进行模型训练，会导致电网崩溃”的新闻引起社会关注。
讨论AI耗能的问题，不可避免地要谈到AI大语言模型(以下简称“大模型”)。
“生成式人工智能是当前AI技术发展的重点。”腾讯研究院资深专家王鹏在接受中青报·中青网记者采访时说。他表示，当前，生成式人工智能技术的基础就是以数据和算力堆叠为标志的大模型，其训练和应用需要大量的算力支持，“算力背后则是算力基础设施耗电所带来的巨大电能需求”。
全国政协委员、中国科学院计算技术研究所研究员张云泉指出，大模型的参数和数据规模越大，其智能效果就越好。在大模型中，“ Laws”(规模效应)意味着当参数和数据规模大到一定程度时，大模型的智能表现将出现跃升，也就是“智能涌现”。“目前我们还没看到‘智能涌现’的上限在哪。”
“一般来说，参数量越大，大模型的算力消耗就越大，其消耗的电能就越多。”王鹏表示，因为还没达到上限，以为代表的人工智能公司在“ Laws”的驱使下，还在持续增加大模型的参数和数据规模，以求实现通用人工智能(AGI)的目标，造成短期内算力需求和电能需求的巨大提升。
“因为GPT-3有1750亿个参数，训练用到了1024张英伟达A100芯片，所以业内将其称为‘千卡千参’。”商汤科技智能产业研究院院长田丰说，目前GPT-4、GPT-5等大模型都达到了“万卡万参”的规模，且训练模型所用芯片也从英伟达A100更新到英伟达H100、B200，“参数量的激增将导致能耗显著增加”。
除了模型训练以外，AI在推理阶段的耗能也不容忽视。“推理即大模型响应用户需求的过程”，张云泉介绍，大模型单次响应用户需求的耗电量并不大，“但随着用户规模的增加，耗电量也将不断累积并增大。”
AI在推理阶段的耗能不容忽视
如何在提升智效的同时解决能耗难题，对AI行业来说，是一场“大考”。
数据中心、智算中心等算力基础设施是人工智能(AI)的数据中枢和算力载体。随着AI尤其是生成式人工智能(AIGC)和大模型技术的快速发展，算力需求激增，AI的能耗问题也越来越受到关注。在近段时间举行的多场国际会议上，一些科技巨头纷纷表达了对AI发展带来的能耗问题的担忧。
1.05万亿千瓦时(kW·h)！
这是国际能源署( ，以下简称“IEA”)日前发布的《电力2024》报告中，对2026年全球数据中心的最高总用电量作出的预测。1千瓦时就是1度电，“超过1万亿度电”，根据报告的估算，这些电量大约是整个日本全年的用电量。
近日，源自美国的一则“如果将10万块英伟达H00芯片部署在同一地区进行模型训练，会导致电网崩溃”的新闻引起社会关注。
讨论AI耗能的问题，不可避免地要谈到AI大语言模型(以下简称“大模型”)。
“生成式人工智能是当前AI技术发展的重点。”腾讯研究院资深专家王鹏在接受中青报·中青网记者采访时说。他表示，当前，生成式人工智能技术的基础就是以数据和算力堆叠为标志的大模型，其训练和应用需要大量的算力支持，“算力背后则是算力基础设施耗电所带来的巨大电能需求”。
全国政协委员、中国科学院计算技术研究所研究员张云泉指出，大模型的参数和数据规模越大，其智能效果就越好。在大模型中，“ Laws”(规模效应)意味着当参数和数据规模大到一定程度时，大模型的智能表现将出现跃升，也就是“智能涌现”。“目前我们还没看到‘智能涌现’的上限在哪。”
“一般来说，参数量越大，大模型的算力消耗就越大，其消耗的电能就越多。”王鹏表示，因为还没达到上限，以为代表的人工智能公司在“ Laws”的驱使下，还在持续增加大模型的参数和数据规模，以求实现通用人工智能(AGI)的目标，造成短期内算力需求和电能需求的巨大提升。
“因为GPT-3有1750亿个参数，训练用到了1024张英伟达A100芯片，所以业内将其称为‘千卡千参’。”商汤科技智能产业研究院院长田丰说，目前GPT-4、GPT-5等大模型都达到了“万卡万参”的规模，且训练模型所用芯片也从英伟达A100更新到英伟达H100、B200，“参数量的激增将导致能耗显著增加”。
除了模型训练以外，AI在推理阶段的耗能也不容忽视。“推理即大模型响应用户需求的过程”，张云泉介绍，大模型单次响应用户需求的耗电量并不大，“但随着用户规模的增加，耗电量也将不断累积并增大。”
AI在推理阶段的耗能不容忽视
如何在提升智效的同时解决能耗难题，对AI行业来说，是一场“大考”。
数据中心、智算中心等算力基础设施是人工智能(AI)的数据中枢和算力载体。随着AI尤其是生成式人工智能(AIGC)和大模型技术的快速发展，算力需求激增，AI的能耗问题也越来越受到关注。在
