軟銀計劃以AI供電為突破口，另辟蹊徑能否重新崛起？

作者：陳玲麗時間：2024-07-02 來源：電子產品世界

加入技術交流群
- 掃碼加入
  和技術大咖面對面交流
  海量資料庫查詢

孫正義在旗下電信子公司軟銀公司的股東大會上發(fā)表講話稱，目前軟銀旗下的全資子公司SB Energy已經在美國經營再生能源發(fā)電業(yè)務，并將繼續(xù)在海外物色投資標的，加強發(fā)電業(yè)務，為全球人工智能項目提供電力。

本文引用地址：http://m.butianyuan.cn/article/202407/460561.htm

Part.01 新一波進化的種子

去年9月14日，ARM以當年美股最大的IPO交易登陸納斯達克，最新數據顯示，ARM的市值已經達到約1664.28億美元（截至2025年7月1日），軟銀則持有ARM約90%左右的股份。同時，OpenAI打造的ChatGPT火遍全球，成為AI領域的現象級應用，引發(fā)了全球互聯網公司的AIGC“軍備競賽”，ARM也在加強AI芯片方向的布局，計劃在2025年推出首批產品，一旦建立批量生產體系，AI芯片業(yè)務可能會分拆出來置于軟銀旗下。

之前失敗的經歷讓孫正義急切地尋找一枚新的種子，“All in AI”的野心證明了人工智能就是這枚種子?，F在，孫正義找到了投資更明確的方向 —— AI供電業(yè)務。當前，生成式人工智能技術的基礎就是以數據和算力堆疊為標志的大模型，其訓練和應用需要大量的算力支持，算力背后則是算力基礎設施耗電所帶來的巨大電能需求。

AI究竟能消耗多少電量？如果更直觀地去看AI行業(yè)的能源需求，國際能源署今年初發(fā)布的報顯示，一次谷歌搜索平均耗電0.3瓦時，而ChatGPT響應一條請求平均耗電2.9瓦時。以谷歌每天處理90億次搜索計算，換算成ChatGPT處理這些請求，一年將需要多消耗100億千瓦時（1千瓦時相當于1度電）的額外電力。

埃隆·馬斯克表示電力缺口最早可能會在2025年發(fā)生，成為制約AI發(fā)展的主要因素；OpenAl的創(chuàng)始人山姆·奧特曼認為，未來AI技術的發(fā)展將高度依賴于能源，特別是光伏和儲能技術的進步；英偉達CEO黃仁勛也表示，人工智能的未來發(fā)展與狀態(tài)和儲能緊密相連，不應僅僅關注計算力，而是需要更全面地考慮能源消耗問題。

隨著生成式人工智能的廣泛應用，預計到2027年，整個人工智能行業(yè)每年將消耗85至134太瓦時（1太瓦時=10億千瓦時）的電力，這顯示了AI技術對電力資源的巨大需求。有業(yè)內人士表示，大模型訓練成本中60%都是電費。

Part.02 AI背后的電力革命

AI大模型對電力的消耗主要體現在模型訓練和推理環(huán)節(jié)：在訓練階段，首先需要收集和預處理大量的文本數據用作輸入數據，然后在適當的模型架構中初始化模型參數，處理輸入的數據，嘗試生成輸出，再根據輸出與預想之間的差異，反復調整參數，直到模型的性能不再顯著提高為止；而在推理階段中，則會先加載已經訓練好的模型參數，預處理需要推理的文本數據，再讓模型根據學習到的語言規(guī)律生成輸出。

無論是訓練還是推理階段，都是一連串信息重組過程，模型的參數量越大，需要處理的數據越多，所需的計算量也就越大，所消耗的能量也就越大，而ChatGPT這樣基于大語言模型的生成式人工智能需要大量的數據集。GPT-3模型擁有1750億參數，而據推測GPT-4擁有1.8萬億參數，是GPT-3的十倍。要訓練這種規(guī)模的模型，需要在大規(guī)模數據集上反復迭代，每一次迭代都需要計算和調整其中數十億、數百億乃至數千億個參數的值。

大模型的參數和數據規(guī)模越大，其智能效果就越好。在大模型中，“Scaling Laws”（規(guī)模效應）意味著當參數和數據規(guī)模大到一定程度時，大模型的智能表現將出現躍升，也就是“智能涌現”。以OpenAI為代表的人工智能公司在“Scaling Laws”的驅使下，還在持續(xù)增加大模型的參數和數據規(guī)模，以求實現通用人工智能（AGI）的目標，造成短期內算力需求和電能需求的巨大提升。

參數量的激增將導致能耗顯著增加，在OpenAI訓練大語言模型GPT-4時，完成一次訓練需要約三個月時間，使用大約25000塊英偉達A100 GPU。每塊A100 GPU都擁有540億個晶體管，功耗400瓦，每秒鐘可以進行19.5萬億次單精度浮點數的運算，僅僅是這些GPU一次訓練就用了2.4億度電。

除了模型訓練以外，AI在推理階段的耗能也不容忽視，推理即大模型響應用戶需求的過程，大模型單次響應用戶需求的耗電量并不大，但隨著用戶規(guī)模的增加，耗電量也將不斷累積并增大。在有限時空范圍內進行大模型訓練，會給局部電網帶來非常大的用電負荷，如果將10萬塊英偉達H00芯片部署在同一地區(qū)進行模型訓練，會導致電網崩潰。

Part.03 如何解決高耗能問題？

數據中心、智算中心等算力基礎設施是人工智能（AI）的數據中樞和算力載體，尤其是生成式人工智能（AIGC）和大模型技術的快速發(fā)展，算力需求激增，AI的能耗問題也越來越受到關注。不可否認，未來人工智能需要能源方面的突破，因為人工智能消耗的電力將遠遠超過人們的預期。隨著AI大模型的技術競爭進入縱深階段，行業(yè)開始將注意力轉向模型訓練所需的能源領域。

AI熱潮背后的電力短缺風險成為科技圈內熱議的焦點，在業(yè)內人士看來，這背后核心原因在于AI大模型訓練所消耗的電力主要集中在數據中心領域，而當前數據中心建設正面臨著供需錯配的結構性難題。而且AI模型的規(guī)模不斷擴大，電力成本也在不斷上升，一些數據中心運營商為了應對運行AI應用程序產生的額外成本，已經開始提高商業(yè)租賃價格。

于AI巨大的能源需求，當前不少科技巨頭均在“未雨綢繆”，為AI的長遠發(fā)展積蓄電力。當下的重點在于開源，風能、光伏等可再生新能源被視作數據中心重要的能量池，核能尤其被寄予厚望。

· 微軟與能源創(chuàng)業(yè)公司Helion Energy簽訂購電協(xié)議，宣布2028年將從Helion Energy構建的第一座核聚變發(fā)電廠購買電力。

· OpenAI也開始與Helion Energy接觸，計劃從它的核聚變電廠中采購大量電力用于支持其數據中心的運營。值得注意的是，奧特曼自身就向Helion Energy投資了3.75億美元，這也是他有史以來最大的一筆個人出資。

· 亞馬遜云服務公司（AWS）收購美國賓夕法尼亞州一座數據中心園區(qū)，據了解，該園區(qū)就是從鄰近的核電站獲取電力。

由于幾乎無限的燃料供應、環(huán)境友好、能量密度高、安全性高，核聚變被視為解決能源危機和氣候變化問題的關鍵技術。得益于多個國家和私營企業(yè)的積極參與以及技術突破，全球核聚變商業(yè)化的進展正在加速。此外，數據中心還可以通過智能算法來優(yōu)化能源使用效率，實現AI與電網的協(xié)同發(fā)展。

面對未來可能發(fā)生AI“缺電”的情況，需要尋找合適的解法，讓有限的電力能源可以容納更大的算力規(guī)模。從需求角度看，優(yōu)化模型本身的算法和架構、硬件優(yōu)化、提升芯片效率和算力效率等，被認為是降低AI能耗的有效途徑，是接下來的重點研發(fā)方向。

算法和模型優(yōu)化：通過算法優(yōu)化，如剪枝（pruning）、量化（quantization）、蒸餾（distillation）等技術，以及模型壓縮技術，減少模型的復雜度，同時保持或接近原有的性能。近年來提出的一些輕量級模型（如MobileNet）就是為了低功耗場景而設計的。

硬件優(yōu)化：開發(fā)和使用更高效的AI專用硬件，如英偉達開發(fā)的GPU T4和A100，谷歌開發(fā)的TPU（Tensor Processing Unit），這些硬件專為AI任務設計，能夠在更低的能耗下提供更高的計算效率。

調整訓練和計算技巧：訓練技巧是一種通過調整神經網絡的訓練過程來優(yōu)化計算資源的方法，例如，分布式訓練技術可以利用多臺計算機分擔大規(guī)模計算的負荷；另外，將AI計算任務從云端轉移到邊緣設備，這樣可以減少數據傳輸所需的能量，并利用邊緣設備的低功耗特性。

提高數據中心的能效：通過優(yōu)化數據中心的設計和管理，提高電源使用效率，例如，使用更高效的冷卻系統(tǒng)或者通過AI技術動態(tài)調整數據中心的運行狀態(tài)以降低能耗。

Part.04 AI不僅費電，還費水

AI公司通常依賴數據中心來提供必要的計算資源，這些數據中心不僅需要電力來運行服務器，還需要大量的電力來維持冷卻系統(tǒng)，以防止設備過熱。除了耗電，算力設備的冷卻需求讓AI的耗水量也讓人瞠目結舌 —— 服務器消耗的電能絕大部分轉化成了熱能，最后通過水冷系統(tǒng)釋放出來，費電的背后還費水。

谷歌發(fā)布的2023年環(huán)境報告顯示，公司前一年的用水量同比顯著增加了20%，達到56億加侖（21198305立方米），而其中絕大部分都被用于為該公司的數據中心散熱。而這并不是個例，估算訓練GPT-3所需的清水量相當于填滿一個核反應堆的冷卻塔所需的水量。ChatGPT（在GPT-3推出之后）每與用戶交流25到50個問題，就得“喝下”一瓶500毫升的水來降溫。