greenai.guide

首页 › 文章 › AI 耗电量有多大?

文章

AI 耗电量有多大?

更新于 · 阅读约需 5 分钟

简而言之

根据服务提供商自己公布的数据和独立估算,向 ChatGPT 或 Gemini 等聊天机器人发送一条典型的简短文本提示词,大约耗电 0.2 至 0.4 瓦时,约相当于电视机运行几秒钟的用电量。对于长输入、推理模型、图像、视频和编程智能体,AI 能耗会急剧上升,每项任务的用电量可能高出几十倍乃至几千倍。从总量看,据国际能源署(IEA)估算,2025 年数据中心用电约 485 TWh,而 AI 是这一数字不断增长的主要原因。

要点

  • 谷歌报告称,2025 年 5 月 Gemini 文本提示词的中位能耗为 0.24 Wh;OpenAI 首席执行官给出的 ChatGPT 平均每次查询能耗约为 0.34 Wh。两者均为自行报告的数据。
  • Epoch AI 估算,一次典型的 GPT-4o 查询约耗电 0.3 Wh;输入为 10,000 个 token 时升至约 2.5 Wh,输入为 100,000 个 token 时接近 40 Wh。
  • Hugging Face 的 AI Energy Score 测试发现,推理模型的平均能耗是标准模型的 30 倍。
  • 在对开放模型的测试中,生成一张图像平均耗电约 2.9 Wh,生成一段 AI 短视频约耗电 90 Wh。
  • 一项针对重度使用 AI 编程智能体的分析估算,每输入一条提示词约耗电 150 Wh,约为一条中位聊天提示词的 600 倍。
  • IEA 估算,2025 年数据中心用电约 485 TWh,一年内增长 17%,并预计到 2030 年将达到约 950 TWh。

AI 耗电量有多大?向聊天机器人提一个简短的问题,耗电很少:不到 1 瓦时。处理长文档、使用推理模式、生成图像和视频、运行编程智能体,耗电则多得多。而在每天数十亿次请求的规模上,AI 能耗已经大到足以影响电力规划。本文汇集目前最好的公开数据,说明每个数据的出处,并解释它们为何不同。

一条 ChatGPT 或 Gemini 提示词耗电多少?

按目前最好的数据,向大型聊天机器人发送一条简短的文本提示词,大约耗电 0.2 至 0.4 瓦时(Wh)。1 瓦时是 1 瓦的设备运行 1 小时所用的电能。

被引用最多的数字来自服务提供商自己:

  • 谷歌在 2025 年报告称,Gemini 应用中位文本提示词耗电 0.24 Wh。其论文将此比作看不到九秒钟的电视。
  • OpenAI 首席执行官在 2025 年写道,ChatGPT 平均每次查询耗电约 0.34 Wh。没有公布计算方法。
  • 独立研究机构 Epoch AI 根据有关硬件和模型规模的公开信息,估算一次典型的 GPT-4o 查询约耗电 0.3 Wh。

这些数字相近,但并不能直接比较:中位数不是平均数,而且各自划定统计范围的方式不同。它们也都只涵盖简短的文本提示词。

每项任务的能耗:数据对比

每项 AI 任务的能耗相差一千多倍,从简短提示词的不到 1 瓦时,到一次智能体会话的数百瓦时。下表列出主要的已公布数据。自行报告的数据来自运营该服务的公司;估算和测量数据来自独立研究人员。

任务 能耗 来源和年份 类型
Gemini 中位文本提示词 0.24 Wh 谷歌,2025 年 自行报告,公布了方法
ChatGPT 平均每次查询 约 0.34 Wh OpenAI 首席执行官,2025 年 自行报告,未公布方法
典型的 GPT-4o 查询 约 0.3 Wh Epoch AI,2025 年 独立估算
GPT-4o,简短提示词(输入 100 个 token,输出 300 个) 0.42 Wh Jegham 等,2025 年 独立估算
GPT-4o 级别查询,输入 10,000 个 token 约 2.5 Wh Epoch AI,2025 年 独立估算
GPT-4o 级别查询,输入 100,000 个 token 接近 40 Wh Epoch AI,2025 年 独立估算
长提示词(输入 10,000,输出 1,500):Llama 3.1 8B 对比 DeepSeek-R1 约 0.44 Wh 对比约 29 Wh Jegham 等,2025 年 独立估算
推理模型对比标准模型 平均高 30 倍 Hugging Face AI Energy Score,2025 年 实测,开放模型
生成一张图像 约 2.9 Wh(每 1,000 张 2.9 kWh) Luccioni、Jernite 和 Strubell,2024 年 实测,开放模型
生成一段短视频 单个模型约 90 Wh;不同模型从 0.14 Wh 到 415 Wh 以上不等 Delavande、Pierrard 和 Luccioni,2025 年 实测,开放模型
编程智能体中位会话 约 41 Wh Couch,2026 年 独立估算
编程智能体,每条输入的提示词(重度使用) 约 150 Wh(范围 60–290 Wh) Hausfather,2026 年 独立估算

token(词元)是一段文本,大约相当于四分之三个英文单词。图像和视频的数据来自在研究硬件上运行的开放模型;商业服务的效率可能更高或更低,而且大多数并不公布数据。

为什么推理模型、图像和智能体更耗电?

因为它们每次请求要做的计算多得多。能耗随模型读取和写出的 token 数量增加而上升,也随模型规模增大而上升。

  • 推理模型在回答之前会写出很长的隐藏推理过程。Hugging Face 的 AI Energy Score 团队发现,同一个模型开启推理后的能耗是关闭时的 150 至 700 倍,写出的 token 多 300 至 800 倍。
  • 长输入必须被完整处理。Epoch AI 的估算显示,当输入增长到 100,000 个 token(相当于粘贴进一份很长的文档)时,能耗从约 0.3 Wh 升至接近 40 Wh。
  • 图像和视频要在大量像素上分很多步生成。Delavande、Pierrard 和 Luccioni 发现,视频能耗随分辨率和时长呈二次方增长,一段短视频的能耗大约是一条文本回答的 2,000 倍。
  • 智能体会一次又一次地调用模型,每次都要重新读取不断增长的上下文。Anthropic 报告称,其智能体使用的 token 通常约为一次聊天的四倍,多智能体系统约为十五倍。

AI 编程智能体耗电多少?

估算结果从一次典型会话的几十瓦时,到重度使用一天的超过 1 千瓦时不等。没有哪家 AI 公司公布其编程智能体的能耗数据,因此目前最好的数字是根据 token 数量做出的审慎独立估算。

Simon Couch 估算,一次中位 Claude Code 会话(24 次模型调用,约 590,000 个 token)约耗电 41 Wh。气候科学家 Zeke Hausfather 记录了自己八周的重度使用情况:1,138 条输入的提示词引发了 14,000 多次模型调用和 32 亿个 token,其中 96% 是对缓存上下文的重复读取。他估算总耗电约 170 kWh(范围 70–330 kWh),每条提示词约 150 Wh,中位会话约 0.6 kWh,他将其比作给手机充电约 50 次。参见智能体 AI 与 token 浪费。

训练和推理,哪个成本更大?

对于被广泛使用的模型,运行它(推理)的成本通常超过训练它的成本。训练是一笔很大的一次性成本;推理每次请求的成本很小,却要重复数十亿次。

已公布的训练数据显示了其规模:

  • GPT-3(2020 年):谷歌的 Patterson 及其同事估算,训练耗电 1,287 MWh。
  • Llama 3.1(2024 年):Meta 的模型卡报告,三种规模的模型在 H100 芯片上共用了 3930 万 GPU 小时,其中 3084 万用于最大的 4050 亿参数模型。

另一方面,Patterson 及其同事引用英伟达(NVIDIA)的估算称,机器学习工作负载的 80–90% 是推理,并引用亚马逊云科技(Amazon Web Services)的说法称,其云上 90% 的机器学习需求是推理。正因如此,每条提示词能耗的下降非常重要;但这本身也不够,因为使用量增长得更快。参见效率不等于充足。

数据中心和 AI 总共用多少电?

国际能源署(IEA)估算,2025 年数据中心用电约 485 TWh,并预计到 2030 年将达到约 950 TWh,约占全球用电量的 3%。1 太瓦时(TWh)等于 10 亿千瓦时。

  • IEA 估计 2024 年数据中心用电约 415 TWh,约占全球用电量的 1.5%。其 2026 年 4 月的更新报告称,2025 年为 485 TWh,一年内增长 17%,其中以 AI 为主的数据中心用电增长了 50%。
  • 它预计到 2030 年,美国和中国将占增长量的近 80%,而主要用于 AI 的加速服务器将贡献近一半的增量。
  • 在美国,劳伦斯伯克利国家实验室估算,2023 年数据中心用电约 178 TWh,占全国用电量的 4.4%,到 2028 年可能达到 6.7–12%。

目前没有单独针对 AI 的可靠全球数据,因为数据中心并不单独计量 AI 工作的用电。公司报告显示了这一趋势:微软的用电量从 2020 财年的约 10.8 TWh 增至 2025 财年的约 37.0 TWh;谷歌报告称,其 2025 年电力需求增长 37%,为历史最大增幅。参见为什么绿色 AI 现在很重要。

为什么 AI 能耗数据差别这么大?

因为不同研究统计的内容不同,使用的硬件、模型和任务也不同。四个因素可以解释大部分差异。

  1. 系统边界。谷歌自己的论文显示,只统计正在工作的 AI 芯片,中位提示词能耗为 0.10 Wh;加上主机处理器和内存、为应对需求而保持就绪的闲置算力以及数据中心冷却后,为 0.24 Wh,是前者的两倍多。参见测量是绿色 AI 的瓶颈。
  2. 硬件和利用率。较新的芯片每瓦能完成更多工作;繁忙的服务器能把固定开销分摊到比空闲服务器更多的请求上。
  3. 模型规模。在 Jegham 及其同事的估算中,一条长提示词在小型的 Llama 3.1 8B 模型上约耗电 0.44 Wh,在大型推理模型 DeepSeek-R1 上约耗电 29 Wh。
  4. token。更长的输入、更长的回答、隐藏的推理过程和重复的智能体步骤都会增加 token,能耗也随之上升。

还有两点需要注意。数据过时很快:谷歌报告称,一年内中位提示词的能耗下降到原来的 1/33。而且自行报告的数据无法独立核实。看到一个数字时,要问清测量的是什么、统计边界在哪里、是什么时候测的。参见如何核查有关 AI 能耗的说法。

AI 能耗与日常用电相比如何?

一条简短的文本提示词与大多数家庭用电相比很小;重度使用智能体或生成视频则不然。以下比较均出自各来源本身:

  • 谷歌把其 0.24 Wh 的 Gemini 中位提示词比作看不到九秒钟的电视。
  • Hausfather 把他重度使用中一次中位编程智能体会话(约 0.6 kWh)比作给手机充电约 50 次,把这种使用强度下平均一天的用电(约 3 kWh)比作运行两台以上的冰箱。
  • Couch 把他使用编程智能体的中位一天(约 1,300 Wh)比作每天多开一次洗碗机。
  • 谷歌在 2009 年表示,一次普通网页搜索约耗电 0.3 Wh,与如今简短文本提示词的量级相近。但这两组数据在时间和方法上相差很远。

重点不在于单次请求有多大,而在于习惯很重要:选择推理模型、粘贴长文档、批量生成图像或让智能体一直运行,每一种都可能使一项任务的能耗成倍增加。参见正确看待我的 AI 能耗。

您可以怎样减少 AI 能耗?

用能完成任务的最小工具,并少让它做事。最大的节省来自避免不必要的工作,而不是更换服务提供商。

对机构而言,起点是测量:参见测量 AI 能耗、估算 AI API 调用的能耗和高效使用 AI。

下一步

常见问题

一条 ChatGPT 提示词耗电多少?

OpenAI 首席执行官在 2025 年表示,ChatGPT 平均每次查询耗电约 0.34 瓦时;Epoch AI 独立估算,一次典型的 GPT-4o 查询约耗电 0.3 Wh。长输入、推理模式和图像生成的耗电量要大得多。

AI 每条提示词耗电多少?

对于简短的文本提示词,已公布的数据集中在 0.2 至 0.4 Wh 之间:谷歌报告的 Gemini 中位提示词能耗为 0.24 Wh。独立估算显示,大模型处理长提示词约耗电 29 Wh,而智能体编程会话可能耗电数百瓦时。

AI 比谷歌搜索更耗电吗?

按已公布的数据,简短文本提示词并不更耗电。谷歌在 2009 年表示,一次普通搜索约耗电 0.3 Wh;如今它报告的 Gemini 文本提示词中位能耗为 0.24 Wh。这两个数据相隔 16 年,测量方法也不同,因此只能作为粗略参考。长任务、推理、图像和智能体任务的耗电量要大得多。

AI 总共用多少电?

目前没有单独针对 AI 的可靠数据。国际能源署估算,2025 年所有数据中心用电约 485 TWh,一年内增长 17%,其中以 AI 为主的数据中心用电增长了 50%;预计到 2030 年总量将达到约 950 TWh,约占全球用电量的 3%。

训练 AI 和使用 AI,哪个更耗能?

训练一个大模型是一笔很大的一次性成本,例如估计 GPT-3 的训练耗电 1,287 MWh。但热门模型会被使用数十亿次,谷歌研究人员引用的行业估算认为,推理占机器学习工作负载的 80–90%。

为什么 AI 能耗估算的差别这么大?

因为它们统计的内容不同。把数据中心冷却、闲置服务器和主机计算机计算在内后,谷歌自己的数据从 0.10 Wh 增至 0.24 Wh,增加了一倍多。模型规模、硬件、提示词长度和生成的 token 数量也会改变结果。

AI 生成图像耗电多少?

在 Luccioni、Jernite 和 Strubell 对开放模型的测试中,生成图像平均每 1,000 张耗电约 2.9 kWh,即每张约 2.9 Wh,是对一段文本进行分类的一千多倍。

怎样减少使用 AI 的能耗?

简单任务用更小或更快的模型,让提示词和对话保持简短,不需要时关闭推理模式,少生成图像和视频。先问一问这项任务究竟是否需要 AI,节省的能源最多。

来源

  1. Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
  2. The gentle singularity, Sam Altman (OpenAI) (2025)
  3. How much energy does ChatGPT use?, Epoch AI (2025)
  4. How hungry is AI? Benchmarking energy, water and carbon footprint of LLM inference, Jegham et al. (arXiv 2505.09598, v6) (2025)
  5. AI Energy Score v2: refreshed leaderboard, now with reasoning, Luccioni and Gamazaychikov, Hugging Face (2025)
  6. Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell, ACM FAccT 2024 (2024)
  7. Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (arXiv 2509.19222) (2025)
  8. The real energy use of agentic AI, Zeke Hausfather, The Climate Brink (2026)
  9. Electricity use of AI coding agents, Simon P. Couch (2026)
  10. How we built our multi-agent research system, Anthropic (2025)
  11. Carbon emissions and large neural network training, Patterson et al. (arXiv 2104.10350) (2021)
  12. Powering a Google search (Italian edition: Dare energia alle ricerche su Google), Google (2009)
  13. Llama 3.1 8B model card, Meta (2024)
  14. Energy and AI, International Energy Agency (2025)
  15. Key questions on energy and AI, International Energy Agency (2026)
  16. 2024 United States Data Center Energy Usage Report, Lawrence Berkeley National Laboratory (2024)
  17. 2026 environmental data fact sheet, Microsoft (2026)
  18. Read our 11th annual Environmental Report, Google (2026)

加入我们

帮助减少 AI 对地球的影响

通过电子邮件获取新指南、资助征集和名录收录信息,大约每月一次。您也可以将您的产品、课程、博士岗位或研究添加到名录中。

不做跟踪。一键退订。 其他加入方式 · 隐私