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，不少属于光伏、锂电、电力、储能等板块，创业板权重股宁德时代更是大涨14%。

　　超跌反弹逻辑之外，不少投资人认可该板块具备的第二重逻辑——AI的尽头是能源。

　　有媒体报道称，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”并非黄仁勋的原话。

　　▌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，所以我们不用无止境地配置计算机和数据中心，因此也不需要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基础设施时，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，你还必须假设，计算机的速度会越来越快。因此，你所需要的总量就不会这么多了。否则，如果你只是假设计算机的速度永远不会变快，你可能会得出一个结论——我们需要14个不同的行星、3个不同星系、4个太阳为这一切提供燃料。”

　　“但是很明显的是计算机架构不断进步。在过去的十年里，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，无论你认为推动世界的需求是什么，你都必须考虑到，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。事实上，你已经使这项技术大众化了。”

　　作为当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，也更容易引导投资者的情绪。

　　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，当今科技圈的两位大佬，OpenAI创始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的技术取决于能源突破，更有利于气候变化的能源，尤其是核聚变或更便宜的太阳能以及储能，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预期。

　　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，在此过程中消耗超过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，也就是说，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一直在试图计算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，同时也带来碳排放问题。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产生的间接排放，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）》，目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目前的水平不变，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？

　　当下的重点在于开源，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以及技术突破，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，以及硬件优化均会让AI功耗在一定程度上降低，已经有一些解决大模型高能耗问题的思路，主要包括：

　　1. 算法和模型优化

　　通过算法优化，如权重剪枝、量化等技术，以及模型压缩技术，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训练过程来优化计算资源的方法。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，或者通过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。比如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。