綠色算力

“AI的盡頭是電力？”正當AI大模型的發展如火如荼之際，不少行業里的當紅玩家們發出了這一靈魂叩問。

AI重塑萬千產業，大模型狂飆突進，為各行各業注入新動能，但也帶來了新挑戰——對算力和能源（電力）的消耗呈爆發式增長，要如何滿足？服務器功耗飆升到“冒煙”，芯片燙手，電費驚人，算力每前進一步，散熱成本則高達三倍，這些實際的問題已經不容忽視。

AI這個“電老虎”更讓不少科技巨頭因此發出缺電警告。馬斯克曾指出，人工智能的快速發展和自動駕駛汽車的開發進展可能導致電力短缺。Meta CEO扎克伯格也直接表達過，“對于建造AI數據中心而言，電力問題是影響下一步發展的瓶頸”。

亞馬遜網絡服務工程副總裁比爾·瓦斯曾透露，全球每3天就會增加一個新的數據中心。而全球數據中心的指數級增長究竟需要多少電力？

荷蘭國家銀行數據科學家亞歷克斯·德弗里斯在一篇論文中估計，到2027年，AI的用電量可能占全球總用電量的0.5%。據他推算，如果谷歌將生成式AI技術整合到每次搜索中，每年將消耗約290億千瓦時的電量，這相當于肯尼亞等三國年用電量總和。

這不免引發廣泛的擔憂——推動AI發展所需的數據中心對電力的巨大需求，這可能會給電網帶來壓力，并阻礙向清潔能源的過渡。另一個嚴峻的現實是，從算力、電力到熱管理，AI模型的物理足跡正在激增。這種影響引發了人們有關能源和水資源消耗、電子廢棄物（如電池和舊服務器），以及硬件制造對稀土元素等不可再生資源的依賴的擔憂。

可持續人工智能可以實現嗎？如何發展綠色算力并且進一步加速綠色能源結構的轉變，已經成為下一步產業發展的關鍵。正如OpenAI CEO薩姆·奧爾特曼（Sam Altman）近日指出的，“未來十年，誰掌握智能和能源，誰就贏”。

“人工智能發展很快，但電網發展很慢。”

如何填補電力鴻溝？

與AI大模型的迅速發展同步發生的事情是，AI每天都在吞噬大量的算力和電能。

OpenAI的ChatGPT每天消耗超過50萬千瓦時的電力，以響應2億個用戶的請求，而美國一個家庭平均每天的用電量約為29千瓦時。OpenAI預測，到2030年美國將需要約50吉瓦（GW）的新增電力產能，以支持AI行業的迅猛發展。

其實數據中心的能耗在AI大模型時代以前一直相當穩定，因為互聯網使用水平的提高被能源效率的提高所抵消。但這種情況正在迅速改變——人工智能查詢的能耗大約是現有搜索引擎的10倍。另據高盛報告，2022年算力數據中心在美國電力需求占的比例僅為3%，但是到2030年將增加到8%，電力需求年復合增長率為2.4%。相比之下，過去20年數據中心發電量年復合增率不到0.5%。該報告還預計，到2030年AI數據中心的電力需求將增長160%。

與人工智能發展的迅猛形成鮮明對比的是，電網的發展很慢。英飛凌在近期的一場AI創新技術論壇上就指出，AI算力的爆發式增長對電力基礎設施提出了前所未有的挑戰——AI數據中心的功耗每6個月翻一番（如NVIDIA GB200集群功耗可達120kW/機柜），而傳統電網的升級周期長達10年以上。

“電力鴻溝”由此形成，并引發科技巨頭們的缺電擔憂。谷歌前 CEO埃里克·施密特（Eric Schmidt）更是在美國國會能源與商業委員會的聽證會上警告“未來AI將消耗全球99%的電力”。在他看來，AI大模型未來發展面臨的瓶頸不是算法本身，而是物理限制，比如電力資源。

因為從長遠來看，按照目前AI每6個月翻一番的計算增長速度，是不可持續的。能源已經成為全球AI競爭的關鍵要素。

阿里研究院指出，目前全球計算范式正在發生新一輪重大變革，即從CPU主導的計算體系，向GPU主導的AI計算體系遷移，AI基礎設施成為參與全球AI競爭、贏得AI戰略主動的關鍵。從全球看，智算集群規模正從萬卡級邁向百萬卡級，因為超大規模集群是訓練國際先進基礎模型的必備設施。而建設超大規模智算集群，是一個復雜的系統性工程，不是萬卡設備的簡單堆砌和連接，而是需要芯片、服務器、網絡設備、調度軟件、模型等的緊密配合，以及對存儲、GPU、基礎算子底層代碼、網絡通訊原語等進行系統性優化。除了技術上的極高要求外，智算集群建設也面臨物理條件的限制，其中主要的瓶頸就是能源。

AI數據中心里的電源革命

信通院《中國綠色算力發展研究報告》指出，未來AI算力集群功耗普遍超過20kW/柜，而機柜功率超過15kW后，目前數據中心主流風冷制冷技術也將面臨瓶頸。因此，在此背景下就必須要求算力基礎設施通過算法與框架優化、高能效硬件升級、可再生能源利用以及熱回收系統、液冷技術等節能措施的實施，破除人工智能發展所帶來的算力和能源瓶頸。

如何在高性能計算需求持續增長的同時，有效控制并降低能源消耗，成為AI數據中心建設與升級的關鍵命題。這也是近期半導體、電子科技大廠們發力的一大重點。

在一座AI數據中心里，從電源供應的角度來看，大致是這樣一個過程：一排排獨立的AI服務器機柜，要將輸入進來的電壓較高的電流逐步轉換成電壓非常低的電流，而后直接輸送給GPU（圖形處理器）和CPU（中央處理器）。在這個過程中會有三到四個步驟的電源轉換，每一步的轉換都伴隨著電源的損耗。因而，極大限度地減少每一個步驟的電源損耗是提升數據中心供電效能的一大方向。

近期，安森美就針對AI算力激增帶來的功耗問題，正式發布了《AI數據中心系統方案指南》（AI Data Center System Solution Guide），旨在系統性地助力工程師應對設計難題。該指南超越了單一產品介紹，構建了一個覆蓋“從電網接入到核心芯片供電”（Grid-to-Chip）的全鏈路一站式供應體系。內容詳盡解析了包括SiC及硅基功率器件、高性能柵極驅動器、數字/模擬控制器、多相穩壓器、負載點（PoL）降壓轉換器以及關鍵保護電路等在內的完整電源方案鏈。指南不僅提供核心器件的規格參數和選型指導，更通過豐富的典型應用場景剖析和實際系統設計案例，深入闡述了如何優化系統架構、提升功率密度與轉換效率，為客戶提供從器件選型評估到系統集成的全方位工程支持。

電源技術的創新對于實現可持續未來至關重要，其中持續提升電源功率密度滿足AI數據中心對電能需求的指數級增長的一大關鍵。

專注于智能電源與智能感知技術的安森美，近年來也一直在寬禁帶半導體領域深耕布局。憑借先進的SiC功率器件（如MOSFET、二極管）、高集成度的智能功率級模塊（IPM）等核心產品組合，公司成功開發出面向AI數據中心應用的高功率密度、高能效電源解決方案。這些方案能顯著減少能源轉換環節的損耗，提升整體電源系統效率。

去年，安森美推出了其新一代碳化硅技術平臺EliteSiC M3e MOSFET，并計劃將在2030年前推出多代新產品。EliteSiC M3e MOSFET可以更低的千瓦成本實現下一代電氣系統的性能和可靠性。由于能夠在更高的開關頻率和電壓下運行，該平臺可有效降低電源轉換損耗，可以有效促進數據中心向更高效、更高功率轉變，以滿足可持續人工智能引擎指數級增長的能源需求。此外，電動汽車動力系統、直流快速充電樁、太陽能逆變器和儲能方案等廣泛的汽車和工業應用也將由此受益。

除了芯片技術本身之外，英飛凌的相關技術人員指出，還需要考慮AI服務器外圍的電感，以及如何縮短供電模塊與作業模塊（核心模塊）的距離等問題也同樣重要。可以說，從電源輸入到電源的消耗，整個鏈路的長短，包括電路設計等每個環節都是非常關鍵的，都有可能幫助節約電能。

構筑綠色算力體系

亞洲樣本有望引領全球

除了在電源技術上探索可持續智能之外，發展綠色算力一項成為更長期的系統工程，各國都在積極探索推動算力基礎設施向綠色、低碳、可持續的方向轉型。

中國信通院開放數據中心委員會聯合國內多家IT、CT領域單位發布的《綠色算力技術白皮書（2023年）》中指出，綠色算力是一個綜合性的概念，涉及算力的生產、供給、服務等全過程的綠色低碳。具體來說，綠色算力即算力的綠色低碳追求，可通過融合推進算力生產、算力運營、算力管理、算力應用等層次的綠色化來實現。作為一個系統性工程，綠色算力貫穿芯片、服務器、系統集、云服務、電力系統、儲能等多個主體環節。

發展綠色算力，不僅是各國提升人工智能和算力基礎設施國際競爭力的必然要求，也是加快能源結構轉變和促進算能協同發展的必然要求。從算力全生命周期來看，算力的碳足跡主要來源于三個方面，算力以能源使用為主體的能源間接溫室效應氣體（Greenhouse Gas，GHG）排放，覆蓋算力全生命周期資產投入及運營管理產生的間接碳排放，算力運行過程中擁有和控制的排放源產生的直接碳排放。而構筑綠色算力體系的三大支柱，包括降低數據中心能耗，可再生能源電力成為主要電力來源，以及智慧能源管理為數據中心綠色低碳發展提供有效助力三大方面。

其中“算力+能源”協同優化，是實現低碳轉型的重要方面。通過引入AI算法優化數據中心的運營維護，智能系統能夠實時監控數據中心的能源和資源使用情況，通過數據分析預測未來的使用趨勢，并自動調整設備運行狀態，以達到極佳的能源使用效率，可以大幅優化PUE（功率使用效率）、WUE（水使用效率）和CUE（碳使用效率）等指標。比如，微軟Azure數據中心通過負載平衡技術，使得負載從10%增加到40%時，功耗只增加1.7倍，有效降低了能耗。

此外，還需要解決相應的法規治理及監管措的完善速度，跟不上AI算力基礎設施的發展速度的問題。而這一點上，亞洲也完全可以引領并示范具有前瞻性的綜合AI生態系統應有的面貌，為全球探索可持續智能提供可值得借鑒的亞洲樣本。

放眼全球，亞太地區是全球數字經濟發展非常活躍的地區之一，也是全球數據中心產業發展新高地，是推動技術創新與智能化升級的重要力量。根據此前華為數據中心能源相關部門在華為亞太合作伙伴大會期間公布的一組數據：亞太數據中心市場規模增長迅速，印尼、馬來西亞、菲律賓等國2021—2026年的復合增長率均超過20%。

新加坡國立大學機械工程系主任、教授、能源研究所執行主任Lee Poh Seng與新加坡管理大學楊邦孝法學院法學教授、教職和科研事務副院長Heng Wang在近期發表的《綠色智能：為什么AI基礎設施和治理必須協同發展》一文中指出，當今的數字化揭示了三個重要的錯配現象：

其一是職能錯配，即AI基礎設施、環境可持續發展以及金融等領域之間存在“筒倉”效應；其二是空間錯配，指地方、國家和國際治理之間缺乏充分的協調；其三是時間錯配，即AI系統的快速部署周期與環境和社會復原力的長期需求之間存在沖突。

而應對這些錯配現象需要全局視野，讓基礎設施的發展與治理協同進步。文章指出，這一點對于亞太地區來說尤為重要，因為該區域受到城市密度、氣候脆弱性及數字化進程加速的交叉影響。

對此，新加坡的一些舉措，包括制定綠色數據中心路線圖，制定生成式人工智能治理框架模型，以及發布更廣泛的《2030年新加坡綠色計劃》，這些舉措展現了基礎設施與治理框架相協調以推動可持續數字生態系統發展的早期努力。可見，實現可持續AI需要政府、業界人士、學術機構和更廣泛的群體共同行動，以確保數字基礎設施的增長與環境和社會目標協調一致。

寫在文末

英偉達創始人黃仁勛表示，AI數據中心實際上是“AI工廠”，未來的數據中心不再是存儲與計算中心，而是生產Token（算力的單位）的工廠——輸入能源、輸出Token。

如果說，在上一輪互聯網時代的技術周期里，比拼的是“算力+連接”，那么這一輪的AI周期，比拼的則是“算力+供電”。可持續綠色智能如何構建？需要綠色算力和綠色能源量大技術底座的深層協同。