今日A股 新能源 板块锣鼓喧天，中证 新能源 指数上涨5.7%，国证 新能源 电池指数上涨8.4%。涨停个股中，很多属于光伏、锂电、电力、 储能 等板块，创业板权重股 宁德时代 更是大涨14%。

　　过度下跌反弹逻辑之外，很多投资人认可该板块具备的第贰重逻辑——AI的尽头是能源。

　　有媒体透露称，黄仁勋在一次公开演讲中指出明确表示：“AI的尽头是光伏和 储能 ！我们不能只想着算力，如果只考虑计算机，我们需要烧掉14个地球的能源。”

　　而据澎湃新闻最新报道澄清，“AI的尽头是光伏和 储能 ”其实不是黄仁勋的原话。

　　▌真假“名言”

　　报道称，黄仁勋在2024年2月12日的“世界政府峰会”上的确提到AI和算力所需能源巨大，但总体意思是由于计算机性能飞速增长，变得更加高效，因此我们不用无尽头地配置计算机和 数据中心 ，因此也不用同比消耗那么那么多的能源。即自己的产品把算力提高了100万倍，相当于更节省能源了。

　　其原话为——

　　“当我们替换通用计算的条件设施时，请记住架构的性能将不断提高。你不能只想着要购买更多的计算机，你还务必假设，计算机的速度会越来越快。因此，你所期望的总量就不会这么多了。不然，假如你只是假设计算机的速度永久不会变快，你可能会得出一个结论——我们需要14个不一样的行星、3个不同星系、4个太阳为这一切提供燃料。”

　　“可是很明显的是计算机架构不断进步。在过去的十年间，我们做出的最伟大贡献之一就是将计算和 人工智能 提高了一百万倍。因此，不管你认为推动世界的切实需求是啥，你都务必考量到，它还将以100万倍的速度增长，变得更快和更高效。”

　　“当某些东西提高了一百万倍，而它所消耗的成本、空间或能源并没有增长一百万倍。其实，你已经使这项技术普通化了。”

　　作为现今科技圈的领军人物，“黄仁勋喊口号”显然具有极大的号召力，也更容易引导投资人的情感。

　　能源之于AI，到底有多重要？

　　从事实来看，AI发展的确依赖于能源创新，现今科技圈的两位大佬，OpenAI开创人 阿尔特 曼和马斯克此前已给出明确观点。

　　前者认为未来AI的技术决定于能源突破，更有益于气候变化的能源，尤其是核聚变或更便宜的 太阳能 和 储能 ，是 人工智能 的发展方向。“这促使我们加大对核聚变技术的投资。”基于此， 阿尔特 曼一直热衷于投资核电公司，不仅自掏腰包，还偏爱亲力亲为、入驻相关公司董事会。

　　后者认为，虽然AI技术有望引领未来最大的科技革命，但同时也有可能因为2025年的能源瓶颈而面临发展挑战。

　　▌一点也不环保的AI

　　不可否认，未来 人工智能 需要能源方面的突破，因为 人工智能 消耗的电力将远远超过人们的期待。

　　据《纽约客》杂志报道，据国外研究机构的报告，ChatGPT每天要响应大约2亿个请求，在此进程中消耗超过50万度电力（美国商业用电一度约为0.147美元50万度电相当于一天花费7.35万美元）。而每一个美国家庭的平均用电量只有29度，说白了，ChatGPT每天用电量相当于1.7万个美国家庭的用电量。

　　这一数据是荷兰国家银行数据科学家亚历克斯德弗里斯（Alex de Vries）通过英伟达、OpenAI、谷歌等公开数据进行的估，他还预计，到2027年，整个 人工智能 行业每年将消耗85至134太瓦时（1太瓦时=10亿千瓦时）的电力。

　　由于算力设备的冷却需求，AI的耗水量也让人瞠目结舌。美国加州大学河滨分校的研究员任少雷始终在试图计算ChatGPT等生成式 人工智能 产品对环境的影响。任少雷的团队估计，每次你问ChatGPT 5到50个提示或问题时，它就会消耗500毫升的水。而这款聊天 机器人 有超过1亿的活跃用户，且当下大型科技公司均在争前恐后加快研发同类产品。

　　不止如此，算力的大规模部署和应用不仅消耗大量资源，同时也造成碳排放问题。以 数据中心 碳排放为例， 数据中心 碳排放主要来源于IT设备、空调系统、电源系统、照明系统等电力消费引发的间接排放，根据生态环境部环境规划院发布的《中国区域电网二氧化碳排放因子研究（2023）》，当前我国各省平均电网排放因子约0.61千克/千瓦时，若2025年、2030年各省平均电网排放因子保持当前的水平不变，则2025年、2030年我国 数据中心 间接碳排放量将分别达到2.1亿吨、3.5亿吨。

　　▌如何解决？

　　随着AI的进步、模型的增大，如何解决伴生而来的高耗能问题？

　　当下的关键在于开源， 风能 、光伏等可再生 新能源 被视作 数据中心 重要的能量池，核能尤其被寄予厚望。由于几乎无限的燃料供应、环境友好、能量密度高、安全性高，核聚变被视为解决能源危机和气候变化问题的关键技术。得益于多个国家和私营企业的积极参与和技术突破，全球核聚变商业化的进展正在加速。如果成功实现商业化，它将为人类提供几乎无限的清洁能源。

　　节流方面，由于模型本身的算法和架构，和硬件优化均会让AI功耗在一定水平上降低，已经有一些解决大模型高能耗问题的思路，主要包含：

　　1. 算法和模型优化

　　通过算法优化，如权重剪枝、量化等技术，和模型压缩技术，减少模型的复杂度，同时保持或接近原有的性能。近年来提出的一些轻量级模型（如MobileNet）就是为了低功耗场景而设计的。

　　2. 硬件优化

　　开发和使用更高效的AI专用硬件，如英伟达开发的GPU T4和A100，谷歌开发的TPU（Tensor Processing Unit），这些硬件专为AI任务设计，能够在更低的能耗下提供更高的计算效率。

　　3. 训练、计算技巧

　　训练技巧是一种通过调整神经网络的练习过程来优化计算资源的要领。例如，分布式训练技术可以利用多台计算机分担大规模计算的负荷。另外，将AI计算任务从云端转移到边缘设备，这样可以减少数据传输所需的能量，并利用边缘设备的低功耗特性。

　　4. 提高 数据中心 的能效

　　通过优化 数据中心 的设计和管理，提高电源使用效率。例如，使用更高效的冷却系统，或通过AI技术动态调整 数据中心 的运行状态以降低能耗。

　　其中，对于第四点，国内大厂纷纷给出解决方案。好比腾讯能源业务已独立成为一级部门，其 数据中心 部门还组建了专门绿色能源团队，应用自然冷却、液冷、三联供、余热回收等新兴节能技术，提高制冷效率以降低 数据中心 能耗。华为、京东、亚马逊等也纷纷入局智慧能源领域。