AI 的能源账单：训练一次模型够一个城市用一年、$440 亿投资涌入、核能成为新基建 — 算力背后的环境代价

Stanford HAI 2026 年 AI Index 报告用一组数字泼了盆冷水AI 模型正在取得突破性的科学和推理成果但环境代价高到令人不安。报告披露一个前沿大模型的单次训练能耗相当于一个小型城市一天的全部用电量。而 2024-2026 年间全球 AI 数据中心的电力需求增长了 300%以上。但这组数字的另一面是$440 亿正在涌入 AI 能源领域。核裂变初创公司、地热钻探企业、光伏储能项目——全都在围绕 AI 数据中心重新规划投资节奏。AI 没有「能源危机」AI 有「能源切换」。训练一次模型到底用多少电Stanford HAI 报告的关键数据点训练能耗爆炸式增长2024-2026年间前沿模型训练的计算量每 12 个月增长约 4-5 倍对应的电力消耗也在同比例膨胀推理能耗增速更快一个模型训练只做一次但推理要做无数次。GPT-5.5 级别的模型每天服务数亿次请求推理总能耗已超过训练能耗碳排放的地理差异巨大同一模型在依赖煤电的数据中心训练 vs 在依赖水电/核能的地方训练碳排放可以差 10 倍以上这意味着「这个模型多大」不再只是技术问题也是环境问题。$440 亿的去向AI 正在改造能源行业全球能源投资正在被 AI 需求重塑。几个具体动作核能复兴多家 AI 公司和云厂商签约了被重新启用的核电站。原本计划退役的核反应堆因为 AI 数据中心的需求被延期运行甚至升级扩容地热爆发钻探技术突破让深层地热在更多地区变得经济可行。Google 和 Microsoft 已签下长期地热购电协议专供 AI 训练集群光伏储能AI 数据中心的 24x7 零碳目标驱动着下一代储能技术铁-空气电池、液态空气储能的加速商用这不是巧合。AI 行业的电力需求增长曲线太陡传统电网扩容完全跟不上。倒逼出一个结果AI 公司正在变成能源公司。推理效率提升 vs 使用量反弹一个常见的乐观论点是「硬件效率在提升单位计算量的能耗在下降所以总体能耗不会涨。」但这忽略了经济学中最经典的现象——Jevons 悖论当一种资源的使用效率提高时它的总消耗量反而会增长因为效率提升降低了使用成本刺激了更多需求。NVIDIA Rubin 平台的推理 Token 成本降 10 倍——这不是在减少能耗而是在让更多开发者用得起 AI 推理。效率提升 10 倍使用量可能增长 100 倍。总量还是涨的。对开发者的意义能效正在成为模型选型的新维度。以后选模型不仅要看准确率和速度还要看「每百万 Token 的碳排放量」——这和自动驾驶选车要算每公里碳排放一样别在不需要的时候用大模型。一个 27B MoE 能在本地跑的推理就别调用 400B 大模型的 API。省的不只是钱也是碳关注绿色数据中心的布局。如果你在训练的模型将来要在某个数据中心长期运行推理那个数据中心的能源构成会直接影响你的碳足迹报告结尾Stanford HAI 2026 报告把 AI 能源问题推到了台前。但它揭示的不是「AI 要完」——而是「AI 在被迫加速能源革命。」$440 亿涌入清洁能源退役的核电站被重新启用地热和光伏签下史上最大的购电协议——这些事情的共同驱动力是 AI 的算力饥渴。AI 的能源账单确实让人不安。但支付这张账单的方式可能是 2026 年最被低估的技术投资主题。