到2023年底，對生成式人工智能將需要多少能源的任何預測都是不準確的。例如，頭條新聞傾向于猜測“人工智能需要5倍、10倍、30倍的電力”和“足夠運行10萬戶家庭的電力”等。與此同時，數據中心新聞等專業出版物的報道稱，每機架的功率密度將上升到50kW或100kW。

為什么生成式人工智能如此需要資源？正在采取哪些措施來計算其潛在的能源成本和碳足跡？分析師們已經對特定工作負載場景進行了自己的預測，但由于處于模型構建前沿的云超大規模廠商幾乎沒有公開的數據，因此目前幾乎沒有確鑿的數據可供參考。

經過分析，人工智能模型從訓練到推理的碳成本已經產生了一些發人深省的數字。根據《哈佛商業評論》的一份報告，研究人員認為，訓練“單一大語言深度學習模型”，如OpenAI的GPT-4或谷歌的PaLM，估計會消耗約300噸二氧化碳。

其他研究人員計算出，使用一種名為“神經架構搜索”的技術，訓練一個中型生成人工智能模型所消耗的電力和能源相當于626,000噸二氧化碳排放量。

那么，到底是什么讓人工智能如此耗電呢？

是數據集，也就是數據量嗎？使用了多少個參數？變壓器模型？編碼、解碼和微調？處理時間？答案當然是上述所有因素的結合。

人們常說Gen AI大型語言模型(LLM)和自然語言處理(NLP)需要大量的訓練數據。然而，從傳統數據存儲的角度來看，實際情況并非如此。

ChatGPT-3是在45TB的Commoncrawl（爬蟲網站）明文上進行訓練的，然后過濾到570GB的文本數據。作為對開源AI數據的貢獻，它免費托管在AWS上。

但存儲量、從網絡、維基百科和其他地方抓取的數十億網頁或數據令牌，然后進行編碼、解碼和微調以訓練ChatGPT和其他模型，應該不會對數據中心產生重大影響。

同樣，訓練文本到語音、文本到圖像或文本到視頻模型所需的TB或PB數據，應該不會給數據中心的電源和冷卻系統帶來特別的壓力，這些數據中心是為托管存儲和處理數百或數千pb級數據的IT設備而構建的。

文本到圖像模型的一個例子是LAION（大規模人工智能開放網絡），一個擁有數十億圖像的德國人工智能模型。其中一款名為LAION 400m的模型擁有10TB的網絡數據集。另一個是LAION 5B，它有58.5億個經過剪輯過濾的文本圖像對。

訓練數據量保持可控規模的一個原因是，大多數人工智能模型構建者使用預訓練模型(ptm)，而不是從頭開始訓練的搜索模型。我們所熟悉的兩個ptm示例是來自變壓器(BERT)的雙向編碼器表示和生成預訓練變壓器(GPT)系列，如ChatGPT。

人工智能參數和變壓器

數據中心運營商感興趣的人工智能訓練的另一個衡量標準是參數。

生成式AI模型在訓練期間使用AI參數。參數數量越多，對預期結果的預測就越準確。ChatGPT-3是基于1750億個參數構建的。

但對于AI來說，參數的數量已經在快速上升。中國LLM第一個版本WUDao使用了1.75萬億個參數。WUDao作為一個大型語言模型，還提供文本到圖像和文本到視頻的服務。預計數字將繼續增長。

由于沒有可用的硬數據，可以合理地推測運行具有1.7萬億個參數的模型所需的計算能力將非常大。隨著我們進入更多的人工智能視頻生成領域，模型中使用的數據量和參數數量將會激增。

Transformer是一種神經網絡架構，旨在解決序列轉導或神經機器翻譯問題。這意味著將輸入序列轉換為輸出序列的任何任務。

Transformer層依賴于循環，因此當輸入數據移入一個Transformer層時，數據將循環回到其上一層并傳出到下一層。這些層改進了接下來發生的事情的預測輸出。它有助于提高語音識別、文本到語音轉換等。

多少電量才足夠？

標準普爾全球發布的一份題為《人工智能的力量:人工智能對電力需求的瘋狂預測讓行業處于緊張狀態》的報告引用了幾個消息來源:“關于美國的電力需求，很難量化像ChatGPT這樣的東西需要多少需求，就宏觀數據而言，到2030年，人工智能將占全球電力需求的3-4%。谷歌表示，目前人工智能占其電力使用量的10-15%，即每年2.3TWh。”

據估計，在每次網絡搜索中使用ChatGPT等生成式人工智能，將需要超過50萬臺Nvidia A100 HGX服務器，總計410萬個圖形處理單元或GPU。如果每臺服務器的電力需求為6.5kW，則日耗電量為80GWh，年耗電量為29.2TWh。

瑞典研究所RI.SE提供了用于訓練AI模型的實際功率的計算結果。它說：“訓練像GPT-4這樣的超大型語言模型，有1.7萬億個參數，使用13萬億個標記(單詞片段)，是一項艱巨的任務。OpenAI透露，他們花費了1億美元，耗時100天，使用了25,000個Nvidia

A100 GPU。每個配備這些GPU的服務器大約使用6.5kW，因此訓練期間估計消耗50GWh的能源。”

這一點很重要，因為人工智能使用的能源正迅速成為公眾討論的話題。目前還沒有公布關于人工智能行業總足跡的估計，人工智能領域的爆炸式增長如此之快，幾乎不可能獲得準確的數字。

當我們等待機器學習和人工智能過去和現有的電力使用數據出現時，很明顯，一旦模型投入生產和使用，我們將處于exabyte（艾字節）和exaflops（計算機每秒可以至少進行10^18或百億億次浮點運算。）的計算規模。對于數據中心的電源和冷卻來說，這才是真正有趣和更具挑戰性的事情。