# AI 能耗统计数据（2026 年 11 月更新）

> 经原始来源核实的 AI 能耗统计数据：数据中心用电量、每次提示词能耗、图像、视频、模型训练、用水、碳排放和硬件趋势。

Source: https://greenai.guide/zh/文章/ai-能耗统计数据-2026-年-11-月更新/  
Updated: 2026-11-20

## 简而言之

本页汇集了关于 AI 用电、用水和碳排放最有用的 40 个数据，每一个都经原始来源核实并注明年份。简而言之：2024 年数据中心用电约 415 TWh（约占全球总用电量的 1.5%），国际能源署（IEA）预计到 2030 年将达到约 950 TWh；按服务商自己公布的数据，一次典型的文本提示词约耗电 0.24–0.34 Wh，而图像、视频、长输入和推理的能耗要高得多。

## 要点

- 据 IEA 统计，2024 年数据中心用电约 415 TWh，约占全球总量的 1.5%；2025 年为 485 TWh。
- IEA 预计到 2030 年数据中心用电约 950 TWh，约占全球电力需求的 3%；2025 年以 AI 为主的数据中心用电增长了 50%。
- 服务商公布的单次文本提示词能耗约为 0.24 Wh（Google，Gemini 文本提示词中位数）和 0.34 Wh（OpenAI，ChatGPT 平均每次查询）。
- 在 Hugging Face 2025 年的测试中，推理模型的平均能耗是标准模型的 30 倍。
- 训练 GPT-3 估计耗电 1,287 MWh，排放约 552 吨二氧化碳当量（CO₂e）。
- 2025 年，数据中心用电占爱尔兰计量电力的 23%。

本页汇集了人们最常查找的 AI 能耗统计数据，每个数据都经原始来源核实，并注明所适用的年份。您可以用它快速找到某个数字；在重要场合引用之前，请先查阅原始来源。

## AI 能耗的关键统计数据有哪些？ {#what-are-the-key-ai-energy-statistics}

**数据中心约占全球用电量的 1.5%，到 2030 年这一数字预计将大致翻一番，而 AI 是主要推动力。**一次典型的文本提示词只消耗不到 1 瓦时，而图像、视频、超长输入和推理的能耗要高得多。下面的表格分十组列出 40 个数据。凡是来源之间有分歧或数据本身是一个范围的，均给出范围。

## 数据中心用电 {#data-centre-electricity}

**据 IEA 统计，数据中心 2024 年用电约 415 TWh，2025 年为 485 TWh。**1 太瓦时（TWh）等于 10 亿千瓦时。

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 1 | 2024 年数据中心用电约 415 TWh，约占全球用电量的 1.5%。 | 国际能源署（IEA） | 2025 |
| 2 | 2025 年数据中心用电增长 17%，达到 485 TWh。 | IEA | 2026 |
| 3 | IEA 预计到 2030 年约为 950 TWh，约占全球电力需求的 3%。 | IEA | 2026 |
| 4 | 在 IEA 的各情景中，2035 年的预测值在 700 至 1,700 TWh 之间。 | IEA | 2025 |
| 5 | 自 2017 年以来，数据中心用电每年增长约 12%。 | IEA | 2025 |
| 6 | 到 2030 年，数据中心将贡献全球电力需求增长的约十分之一。 | IEA | 2025 |

## 需求集中在哪里 {#where-demand-is-concentrated}

**少数几个国家和地区承担了大部分负荷。**这对电网意味着什么，参见[AI 与数据中心电力需求](/zh/文章/ai-与数据中心电力需求/)。

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 7 | 到 2030 年，美国和中国合计占全球数据中心用电增长的近 80%。 | IEA | 2025 |
| 8 | 2023 年美国数据中心用电 176 TWh，约占美国用电量的 4.4%。 | 劳伦斯伯克利国家实验室（LBNL） | 2024 |
| 9 | 预计到 2028 年美国数据中心用电将达到 325–580 TWh，占美国用电量的 6.7–12%。 | LBNL | 2024 |
| 10 | 到 2030 年，数据中心将贡献美国电力需求增长的近一半。 | IEA | 2025 |
| 11 | 2025 年数据中心用电占爱尔兰计量电力的 23%，2015 年为 5%。 | 爱尔兰中央统计局 | 2026 |
| 12 | 2023 年数据中心用电占弗吉尼亚州用电量的近四分之一。 | 美国电力研究院（EPRI） | 2024 |

## AI 所占份额 {#ai-s-share}

**关于 AI 占数据中心用电的份额，没有确切的公开数字，但 AI 是增长最快的部分。**

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 13 | 2025 年以 AI 为主的数据中心用电增长了 50%。 | IEA | 2026 |
| 14 | 在 IEA 的基准情景中，主要用于 AI 的加速服务器用电预计每年增长 30%。 | IEA | 2025 |
| 15 | 一座典型的以 AI 为主的数据中心用电量相当于 10 万户家庭。 | IEA | 2025 |

## 每次提示词的能耗 {#energy-per-prompt}

**按服务商自己公布的数据，一次典型的文本提示词约耗电 0.24–0.34 Wh。**这些数据是自行报告的，方法各不相同，且只涵盖文本。参见[测量是瓶颈](/zh/文章/测量是绿色-ai-的瓶颈/)。

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 16 | 一次 Gemini 应用文本提示词（中位数）耗电 0.24 Wh，排放 0.03 克二氧化碳当量，耗水 0.26 毫升。 | Google（Elsworth 等） | 2025 |
| 17 | 如果只计算效率最高的数据中心里正在工作的 AI 芯片，同一提示词的能耗为 0.10 Wh。 | Google（Elsworth 等） | 2025 |
| 18 | 一次 ChatGPT 查询平均耗电约 0.34 Wh，耗水约 0.000085 加仑。 | Sam Altman，OpenAI | 2025 |
| 19 | 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。 | Epoch AI | 2025 |
| 20 | Mistral Large 2 生成一段 400 个 token 的回答，排放 1.14 克二氧化碳当量，耗水 45 毫升。 | Mistral AI | 2025 |
| 21 | 推理模型的平均能耗是标准模型的 30 倍；有一个模型在开启推理后能耗增加到 150–700 倍。 | Hugging Face AI Energy Score | 2025 |

## 图像和视频 {#images-and-video}

**生成图像和视频的能耗远高于文本任务。**

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 22 | 图像生成平均每 1,000 张耗电约 2.9 kWh，而文本分类每 1,000 次为 0.002 kWh。 | Luccioni、Jernite 和 Strubell | 2024 |
| 23 | 在测试中，效率最低的图像模型生成每张图片约消耗智能手机充一次电所需电量的一半。 | Luccioni、Jernite 和 Strubell | 2024 |
| 24 | 开源的文本生成视频模型生成每段短视频耗电从 0.14 Wh 到超过 415 Wh 不等，能耗随分辨率和时长呈二次方增长。 | Delavande、Pierrard 和 Luccioni | 2025 |

## 模型训练 {#training-runs}

**训练一个大模型可能耗电数吉瓦时，但最新模型的开发者大多不公开这一数据。**

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 25 | 训练 GPT-3 估计耗电 1,287 MWh，排放约 552 吨二氧化碳当量。 | Patterson 等，Google | 2021 |
| 26 | 训练 BLOOM 因用电排放约 24.7 吨二氧化碳当量；如计入硬件制造和闲置，则为 50.5 吨。 | Luccioni、Viguier 和 Ligozat | 2022 |
| 27 | 训练 Llama 3.1 系列模型用了 3,930 万 GPU 小时，排放 11,390 吨二氧化碳当量（基于所在地电网）。 | Meta | 2024 |
| 28 | 训练 Mistral Large 2 并使用 18 个月，共产生 2.04 万吨二氧化碳当量，耗水 281,000 立方米。 | Mistral AI | 2025 |

## 用水 {#water}

**AI 用水主要用于冷却数据中心，并间接用于发电。**参见[如何估算 AI 的水足迹](/zh/如何/如何估算-ai-的水足迹/)。

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 29 | 在 Microsoft 的美国数据中心训练 GPT-3，可能直接蒸发 70 万升淡水。 | Li、Yang、Islam 和 Ren | 2023（2025 年修订） |
| 30 | 2027 年全球 AI 需求可能带来 42 亿至 66 亿立方米的取水量。 | Li、Yang、Islam 和 Ren | 2023（2025 年修订） |
| 31 | 2025 年 Google 的数据中心和办公场所共耗水 410 亿升（109 亿加仑），并补充了约 78% 的淡水消耗量。 | Google | 2026 |

## 碳排放与企业排放 {#carbon-and-company-emissions}

**尽管大量采购清洁能源，最大 AI 服务商的排放量仍在上升。**

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 32 | 2025 年 Google 的目标口径排放量约为 1,450 万吨二氧化碳当量，比 2024 年高 18%，比 2019 年高 81%。 | Google | 2026 |
| 33 | Microsoft 2025 财年的总排放量约为 2,030 万吨二氧化碳当量，2020 年约为 1,290 万吨。 | Microsoft | 2026 |
| 34 | 2024 年至 2025 年，Amazon 的绝对排放量增长 16%，达到 8,085 万吨二氧化碳当量。 | Amazon | 2026 |
| 35 | 2020–2030 年间，生成式 AI 可能共产生 120 万至 500 万吨电子废弃物。 | Wang 等，Nature Computational Science | 2024 |

## 硬件与能效趋势 {#hardware-and-efficiency-trends}

**硬件和软件的能效正在大幅提高，但需求增长得更快。**

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 36 | 领先的机器学习硬件能效每年提高约 40%。 | Epoch AI | 2024 |
| 37 | 在 2026 年 11 月的 Green500 榜单上，能效最高的超级计算机是法国的 KAIROS，每瓦可达 73.28 GFLOPS（每秒十亿次浮点运算）。 | TOP500 | 2026 |
| 38 | 1946 年至 2009 年，每千瓦时可完成的计算量约每 1.57 年翻一番（“库米定律”）。 | Koomey 等 | 2011 |

## 服务商和研究人员报告的能效提升 {#efficiency-gains-reported-by-providers-and-researchers}

**报告的提升幅度很大，但大多是自行报告的，或是相对于自选的基准测得的。**

| # | 统计数据 | 来源 | 年份 |
|---|---|---|---|
| 39 | Google 报告称，在 12 个月内，其 Gemini 文本提示词（中位数）的能耗降至原来的三十三分之一，碳排放降至原来的四十四分之一。 | Google（Elsworth 等） | 2025 |
| 40 | 针对特定任务的小模型可将能耗最多降低 90%，缩短提示词和回答可降低 50% 以上。 | 联合国教科文组织和伦敦大学学院 | 2025 |

还有两个常被引用的数字。NVIDIA 在 2024 年表示，在大语言模型推理方面，其 Blackwell 平台的成本和能耗比上一代最多降低到二十五分之一；这是厂商针对特定工作负载的说法。另外，Google 研究人员在 2021 年估计，通过选择模型、数据中心和处理器，训练的碳足迹最多可降低约 100 至 1,000 倍。如何在实践中获得这样的提升，参见[节能 AI](/zh/文章/节能-ai-如何让-ai-少耗电/)。

## 公众态度 {#public-attitudes}

**人们对 AI 环境影响的担忧正在上升，至少在美国是这样。**其他地方的调查证据较少。

- 2026 年，53% 的美国人对 AI 的环境影响极其担心或非常担心，高于 2025 年的 41%（美联社－NORC 公共事务研究中心与芝加哥大学能源政策研究所）。
- 2025 年，72% 的美国人至少有些担心（同一民调机构）。
- 在英国，政府 2024 年的公众态度追踪调查发现，54% 的人期望 AI 有助于监测气候变化，并指出这种乐观并未伴随对 AI 负面环境影响的了解。

## 我们如何选取数据 {#how-we-choose-figures}

**我们只用原始来源，注明年份，并在数据有争议时优先给出范围。**

- **只用原始来源。**每个数据都在发布方自己的报告、论文或网页上核实，而不是依据新闻报道。找不到原始来源的数据不予收录。
- **按原文表述。**我们不会把数据取整成来源中没有的说法。凡是我们自己计算的，都会注明。
- **边界很重要。**每次提示词的数据会随计入的范围而变化：如果只计算正在工作的芯片，Google 自己的数据会从 0.24 Wh 降到 0.10 Wh。企业数据是自行报告的，未经独立审计。
- **有争议时给出范围。**各情景的预测不同，我们给出范围，而不是只挑一个数字。
- **标注较旧的数据。**一个被广泛引用的 2019 年估计，针对的是一次使用神经架构搜索的训练（约 626,000 磅二氧化碳当量），后来被 Google 研究人员认为高估了实际成本；我们没有把它列入表格。

要核实您在别处看到的数据，参见[如何核实关于 AI 能耗的说法](/zh/如何/如何核实关于-ai-能耗的说法/)。

## 最近核实时间 {#last-checked}

**本页所有数据最近一次核对来源的时间是 2026 年 11 月 20 日。**当 IEA、各国统计机构或主要服务商发布新数据时，我们会更新本页。如果您发现更新的数据或错误，请[联系我们](/zh/联系我们/)。

## 下一步怎么做 {#what-to-do-next}

- 引用 AI 能耗数据时，链接到本页或具体表格，并注明原始来源。
- 用[如何客观看待我的 AI 能耗](/zh/如何/我使用-ai-的能耗到底算多还是少/)把个人使用放到具体背景中。
- 用[如何测量 AI 的能耗和碳排放](/zh/良好实践/如何测量-ai-的能耗和碳排放/)测量您自己的 AI 能耗。
- 向供应商索要数据：参见[如何向 AI 公司索要能耗数据](/zh/如何/如何向-ai-公司索取能耗数据/)。
- 用[节能 AI](/zh/文章/节能-ai-如何让-ai-少耗电/)减少您自己的足迹。

## 常见问题

### AI 消耗多少能源？

AI 没有一个单一的数字。IEA 估计，2024 年所有数据中心用电约 415 TWh，约占全球电力的 1.5%；其中以 AI 为主的数据中心增长最快，2025 年其用电量增长了 50%。

### 一次 ChatGPT 查询消耗多少电？

OpenAI 首席执行官在 2025 年给出的数字是平均每次查询约 0.34 Wh；Epoch AI 独立估计，一次典型的 GPT-4o 查询约耗电 0.3 Wh。输入很长时能耗会急剧上升：Epoch AI 估计，输入为 100,000 个 token 时接近 40 Wh。

### 用 AI 生成一张图片需要多少能源？

在 Luccioni、Jernite 和 Strubell 2024 年的研究中，生成图像平均每 1,000 张约耗电 2.9 kWh，即每张约 2.9 Wh。效率最低的模型生成一张图片约消耗智能手机充一次电所需电量的一半。

### AI 用多少水？

Google 报告称，一次 Gemini 文本提示词（中位数）耗水 0.26 毫升；Mistral 报告称，Mistral Large 2 生成一段 400 个 token 的回答耗水 45 毫升。研究人员估计，2027 年全球 AI 需求可能带来 42 亿至 66 亿立方米的取水量。

### 训练 GPT-3 消耗了多少能源？

Google 研究人员在 2021 年发表的估计是：GPT-3 的训练耗电 1,287 MWh，排放约 552 吨二氧化碳当量。更新、更大的模型的训练能耗大多没有公开。

### 数据中心用电占总用电量的百分之几？

2024 年全球约为 1.5%（IEA），2023 年美国为 4.4%（劳伦斯伯克利国家实验室），2025 年爱尔兰为计量电力的 23%（爱尔兰中央统计局）。

### AI 的能效在提高吗？

就每项任务而言，是的。Google 报告称，其 Gemini 提示词（中位数）的能耗在一年内下降到原来的三十三分之一；Epoch AI 发现，领先的 AI 芯片能效每年提高约 40%。但由于需求增长更快，总用量仍在上升。

### 人们担心 AI 对环境的影响吗？

越来越担心，至少在美国是这样：美联社－NORC 公共事务研究中心与芝加哥大学的民调发现，2026 年有 53% 的美国人对 AI 的环境影响极其担心或非常担心，高于 2025 年的 41%。

## 来源

- [Energy and AI: executive summary](https://www.iea.org/reports/energy-and-ai/executive-summary), 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)
- [DOE releases new report evaluating increase in electricity demand from data centers (2024 United States Data Center Energy Usage Report, LBNL)](https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers), US Department of Energy and Lawrence Berkeley National Laboratory (2024)
- [Data centres metered electricity consumption 2025: key findings](https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2025/keyfindings/), Central Statistics Office, Ireland (2026)
- [Powering data centers: U.S. energy system and emissions impacts of growing loads](https://restservice.epri.com/publicdownload/000000003002031198/0/Product), Electric Power Research Institute (2024)
- [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)
- [Our contribution to a global environmental standard for AI](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai), Mistral AI (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Hugging Face (Luccioni and Gamazaychikov) (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell (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 (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al., Google (2021)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum (2019)
- [Estimating the carbon footprint of BLOOM, a 176B parameter language model](https://arxiv.org/abs/2211.02001), Luccioni, Viguier and Ligozat (2022)
- [Llama 3.1 model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (2024)
- [Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models](https://arxiv.org/abs/2304.03271), Li, Yang, Islam and Ren (2025)
- [Google 2026 environmental report](https://sustainability.google/google-2026-environmental-report/), Google (2026)
- [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)
- [2025 Amazon sustainability report](https://sustainability.aboutamazon.com/2025-amazon-sustainability-report.pdf), Amazon (2026)
- [E-waste challenges of generative artificial intelligence](https://doi.org/10.1038/s43588-024-00712-6), Wang, Zhang, Tzachor and Chen, Nature Computational Science (2024)
- [Leading ML hardware becomes 40% more energy-efficient each year](https://epoch.ai/data-insights/ml-hardware-energy-efficiency), Epoch AI (2024)
- [Implications of historical trends in the electrical efficiency of computing](https://doi.org/10.1109/MAHC.2010.28), Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- [Green500, November 2026](https://top500.org/lists/green500/2026/11/), TOP500 (2026)
- [NVIDIA Blackwell platform arrives to power a new era of computing](https://nvidianews.nvidia.com/news/nvidia-blackwell-platform-arrives-to-power-a-new-era-of-computing), NVIDIA (2024)
- [AI large language models: new report shows small changes can reduce energy use by 90%](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [2026 poll: Americans' views on the impact of AI and data centers](https://epic.uchicago.edu/insights/2026-poll-americans-views-on-the-impact-of-ai-and-data-centers/), Energy Policy Institute at the University of Chicago and AP-NORC (2026)
- [2025 poll: Americans' views on the environmental impact of AI](https://epic.uchicago.edu/insights/2025-poll-americans-views-on-the-environmental-impact-of-ai), Energy Policy Institute at the University of Chicago and AP-NORC (2025)
- [Public attitudes to data and AI: tracker survey (wave 4)](https://www.gov.uk/government/publications/public-attitudes-to-data-and-ai-tracker-survey-wave-4/public-attitudes-to-data-and-ai-tracker-survey-wave-4-report), Department for Science, Innovation and Technology (2024)
