# AI 耗电量有多大？

> AI 耗电量有多大？ChatGPT、Gemini、推理模型、图像、视频和编程智能体每次提示词的能耗，以及数据中心总用电量，均附来源。

Source: https://greenai.guide/zh/文章/ai-耗电量有多大/  
Updated: 2026-11-20

## 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？ {#how-much-energy-does-a-chatgpt-or-gemini-prompt-use}

**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 {#energy-per-task-the-figures-compared}

**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）](/zh/术语表/#token)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？ {#why-do-reasoning-models-images-and-agents-use-more}

**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？ {#how-much-energy-does-an-ai-coding-agent-use}

**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](/zh/文章/智能体-ai-与-token-浪费/)。

## 训练和推理，哪个成本更大？ {#is-training-or-inference-the-bigger-cost}

**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](/zh/术语表/#inference)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](/zh/文章/效率不等于充足-ai-中的反弹效应/)。

## 数据中心和 AI 总共用多少电？ {#how-much-electricity-do-data-centres-and-ai-use-in-total}

**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](/zh/文章/为什么绿色-ai-现在很重要/)。

## 为什么 AI 能耗数据差别这么大？ {#why-do-ai-energy-figures-vary-so-much}

**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](/zh/文章/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](/zh/如何/如何核实关于-ai-能耗的说法/)。

## AI 能耗与日常用电相比如何？ {#how-does-ai-energy-compare-with-everyday-things}

**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](/zh/如何/我使用-ai-的能耗到底算多还是少/)。

## 您可以怎样减少 AI 能耗？ {#what-can-you-do-to-cut-ai-energy-use}

**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。

- **先判断这项任务是否需要 AI：**参见[判断一项任务是否需要 AI](/zh/如何/如何判断一项任务是否真的需要用-ai/)。
- 日常问题**选用更小或更快的模型：**参见[选择更小的 AI 模型](/zh/如何/如何选择更小的-ai-模型/)和[选择合适的模型](/zh/良好实践/为任务选择合适的模型/)。
- 不需要时**关闭推理功能：**参见[只在需要时使用推理模式](/zh/如何/什么时候该用-ai-的-思考-或推理模式/)。
- **让对话保持简短**，换新话题时开启新对话：参见[让长时间的 AI 对话保持高效](/zh/如何/如何避免与-ai-的长对话浪费能源/)。
- **少生成图像和视频：**参见[减少 AI 图像和视频生成的影响](/zh/如何/如何减少-ai-生成图像和视频的环境影响/)。
- **给智能体设定限制：**参见[防止 AI 智能体浪费 token](/zh/如何/如何防止-ai-智能体浪费-token/)和[以更小的足迹使用 AI 编程助手](/zh/如何/如何使用-ai-编程助手而不留下太大的足迹/)。

对机构而言，起点是测量：参见[测量 AI 能耗](/zh/良好实践/如何测量-ai-的能耗和碳排放/)、[估算 AI API 调用的能耗](/zh/如何/如何估算-ai-api-调用的能耗/)和[高效使用 AI](/zh/良好实践/高效使用-ai-日常习惯/)。

## 下一步 {#what-to-do-next}

- 阅读[AI 的碳足迹是多少？](/zh/文章/ai-的碳足迹是多少/)，把能耗换算成排放。
- 阅读[AI 用多少水？](/zh/文章/ai-用多少水/)，了解用水方面的情况。
- 试试[减少使用 ChatGPT 的能耗](/zh/如何/如何减少我使用-chatgpt-的能耗/)，养成日常好习惯。
- 向您的 AI 服务提供商索取每项任务的能耗数据：参见[向 AI 公司索取能耗数据](/zh/如何/如何向-ai-公司索取能耗数据/)。
- 借助 [AI Energy Score](/zh/如何/如何看懂-ai-energy-score-评级/) 比较开放模型的实测能耗。

## 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

- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [How hungry is AI? Benchmarking energy, water and carbon footprint of LLM inference](https://arxiv.org/abs/2505.09598), Jegham et al. (arXiv 2505.09598, v6) (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Luccioni and Gamazaychikov, Hugging Face (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT 2024 (2024)
- [Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models](https://arxiv.org/abs/2509.19222), Delavande, Pierrard and Luccioni (arXiv 2509.19222) (2025)
- [The real energy use of agentic AI](https://www.theclimatebrink.com/p/the-real-energy-use-of-agentic-ai), Zeke Hausfather, The Climate Brink (2026)
- [Electricity use of AI coding agents](https://www.simonpcouch.com/blog/2026-01-20-cc-impact/), Simon P. Couch (2026)
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (arXiv 2104.10350) (2021)
- [Powering a Google search (Italian edition: Dare energia alle ricerche su Google)](https://blog.google/intl/it-it/notizie-aziendali/iniziative/dare-energia-alle-ricerche-su-google/), Google (2009)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (2024)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai), International Energy Agency (2025)
- [Key questions on energy and AI](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary), International Energy Agency (2026)
- [2024 United States Data Center Energy Usage Report](https://eta-publications.lbl.gov/publications/2024-lbnl-data-center-energy-usage-report), Lawrence Berkeley National Laboratory (2024)
- [2026 environmental data fact sheet](https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/2026-Microsoft-Environmental-Data-Fact-Sheet-PDF.pdf), Microsoft (2026)
- [Read our 11th annual Environmental Report](https://blog.google/company-news/outreach-and-initiatives/sustainability/2026-environmental-report/), Google (2026)
