本日报作者不通中文。这些译文由人工智能自动生成，作者本人无法亲自核对其语言准确性和文化适切性。我们以谦逊和真诚的态度发布此版本，希望与中文读者建立连接。若发现翻译错误、表达不当或文化误读之处，恳请告知 — 我们将虚心接受并改进。
L'auteur du Journal d'un Progressiste ne parle pas chinois ; ces traductions sont produites par intelligence artificielle et n'ont pas été vérifiées par lui. Cette version est publiée dans un esprit d'échange et d'humilité — vos retours sur les erreurs éventuelles ou les contresens culturels sont les bienvenus.
— 《进步者日报》编辑部 / La rédaction
近年来，推理（inference）在大型AI模型全生命周期能耗中的占比大幅上升，已超过训练阶段。换句话说，运行AI所消耗的能源，现在比构建AI更多。而这一逆转，恰恰发生在单次请求能耗持续下降的同期。
这个矛盾不是技术故障，而是AI能源争论的核心。它解释了为何两个阵营拿着同一组数据，得出截然相反的结论。乐观者指出，每项任务的能效每年至少提升一个数量级。批评者则援引国际能源署（IEA）的数据：2025年，全体数据中心能耗增长约17%，专注AI的数据中心增长约50%。双方都没有说错——他们度量的是两件不同的事。
核心要点
- 根据IEA数据，AI相关总能耗每年持续增长，尽管单任务能效每年至少提升一个数量级。
- 前沿模型全生命周期中，推理阶段的能耗占比已占多数，近年来明显超过训练阶段，且仍在快速增长。
- IEA指出，”推理类”请求的单次能耗可达普通文本生成任务的数百乃至数千倍，这使其成为潜在的治理切入点。
- 反弹效应超过效率收益，原因在于部署速度快于优化速度。这一现象早在19世纪斯坦利·杰文斯（Stanley Jevons）研究煤炭消耗时就有记录。
- 单次请求能效与总能耗之间的概念混淆，令监管者难以选择正确指标。
效率提升为何没有压低总账单
技术能耗史上，类似悖论屡见不鲜。瓦特蒸汽机比纽科门蒸汽机每马力耗煤更少，结果是装机量大幅增加，煤炭总消耗反而爆涨。斯坦利·杰文斯在1865年记录了这一机制。160年后，同样的逻辑作用于数据中心。
IEA在2025年4月发布的《能源与人工智能》报告中对此有详细记录。AI模型的单任务能效提升速度，估计每年至少达到一个数量级。一个今天执行图像分类任务的模型，与两年前同类模型相比，在结果相当的情况下能耗减少了10到100倍。Google DeepMind、Anthropic和OpenAI的团队定期发布基准测试，印证这一趋势。
但使用量的增速超过了效率的提升。每一次效率进步都让AI的部署成本降低，随之吸引新的用途、新的用户、新的应用场景，总能耗随之膨胀。这正是杰文斯悖论：让一种资源变得更高效，反而因为使用量激增而推高总消耗。IEA以15%的年增长率作为数据中心至2030年的基准情景，按此计算，行业总能耗将在约五年内翻倍。
悄然发生的逆转：推理能耗超过训练
2023年以前，AI能源争论的焦点集中在模型训练上。GPT-3、Llama、Gemini——每一个新的前沿模型都要调动数千块GPU运行数周，消耗大量能源，足以登上新闻头条。训练是可见的阶段，耗资巨大，边界清晰。
推理则被视为廉价环节。调用一个已训练好的模型，消耗似乎微不足道。
这个判断已经过时。在前沿模型的全生命周期能耗中，推理阶段的占比已占大多数，这一转变仅在短短数年内完成。逻辑并不复杂：一个模型只训练一次，却要在数月乃至数年间响应数十亿次请求。随着部署规模扩大，推理阶段的能耗终将压倒训练阶段。
这一转变有直接的现实意义：优化训练，如今只是AI碳账单中的次要变量。真正重要的是每一次请求、每一次API调用、每一次交互。而在这个层面上，请求的类型至关重要。
推理类请求改变了能耗量级
不同AI模型的能耗差异显著。”翻译这句话”或”总结这段文字”这类标准请求，模型只需运行几毫秒。而”推理类”（reasoning）请求则不同——它要求模型拆解复杂问题、验证推理步骤、探索多种假设，可能持续数秒乃至数分钟，调用的计算资源完全不在同一量级。
IEA在2026年4月发布的《能源与AI关键问题》报告中给出了具体数字：推理类和智能体类任务的单次能耗，可达简单文本生成任务的数百乃至数千倍。OpenAI o1、Google Gemini Thinking、Anthropic最新版Claude，都以扩展推理能力为核心卖点。而这些模型，恰恰也是在专业和科研场景中增长最快的产品。
2025年斯坦福AI指数报告证实了这一趋势：大型企业和研究机构正大规模转向推理类模型，用于法律分析、金融建模、分子发现、代码生成等复杂任务。最有用的应用，往往也是最耗能的应用。
治理的切入点由此清晰。与难以单独监管而不影响整体运营的整座数据中心相比，请求类型是一个可操作的调节变量。区分推理类与标准类请求的政策，提供的是一个精确、可量化、可校准的工具。目前欧洲及其他地区的监管文本中尚未出现这一区分，但技术参数已然具备。
指标混淆令监管失效
这是核心的政策难题：两年来，公共讨论在两套互不相交的叙事之间摇摆。AI的支持者援引效率曲线；批评者援引总能耗预测。双方数据都站得住脚，但度量的是两个独立维度。
混淆并非无关紧要，它直接导致监管瘫痪。一个无法区分单次请求能效与总能耗的决策者，既无法选择正确的指标，也无法制定有效的政策。应当对模型设定效率标准？对数据中心设定能耗上限？按请求类型设立标签制度？要求按用途申报碳排放？这些方案都存在，但各自作用于不同的变量。
欧盟凭借《人工智能法案》及《数据法》能源条款的磋商，开始提出相关问题，但尚未给出精确答案。美国监管机构在大型科技企业的压力下保持观望。中国数据中心的电力消耗在全国总量中占比持续上升，中国推行的是以数据中心为单位的效率计划，但并未区分请求类型。
碳排放强度问题进一步增加了复杂性。海上风电和可再生能源在扩张，但速度尚不足以抵消数据中心需求的增长。IEA数据显示，2024年全球数据中心电力需求超过400太瓦时。到2030年，中位预测区间为700至1000太瓦时，具体数值取决于AI的部署速度。两种情景之间的差距，主要取决于未来三年内采取的治理政策。
行业内部的应对行动
认为行业对此置若罔闻，并不符合事实。多个方向的行动正在推进。
Google已公开其分类型能耗数据，并承诺到2030年实现全天候无碳能源供应——不再是年度总量上的抵消，而是在每个地区实现消费与清洁电力生产的逐小时匹配。这是技术上的重大挑战。微软与Constellation Energy签署了核能采购协议，具体措施包括重启三里岛核电站，以满足数据中心稳定、持续的电力需求。亚马逊云服务（AWS）出于同样理由，正在投资小型模块化核反应堆。
在模型层面，法国Mistral AI和中国DeepSeek的团队证明，轻量化架构同样可以构建出竞争力强、能耗较低的模型。DeepSeek-R1于2025年初发布，以远低于美国主流模型的算力，达到接近的性能水平，在业界引发广泛关注。这表明能效的提升空间尚未触顶。
IEA和多个学术机构，包括卡内基梅隆大学Emma Strubell团队，正在研究标准化的模型能耗测量方法。没有统一的度量，监管就无从落地。数据基础设施是一切严肃政策框架的前提。
AI也可能加速它正在复杂化的能源转型
将AI单纯定性为能源问题，并不全面。它同时也是一种潜在工具，可以部分解决它自身造成的问题。
Google DeepMind开发的电网优化模型，使数据中心自身的能源管理效率提升了10%至15%。GraphCast等新一代气象预测模型，改善了间歇性可再生能源并网的稳定性。材料发现工具正在加速新一代电池和太阳能电池板的研究进程。
这些应用是真实且可量化的。它们不能自动抵消AI的能源消耗，目前也没有可靠的综合净效益数据。但它们表明，AI与能源转型之间的关系，比单纯的耗能方程复杂得多。AI技能的普及在能源和工程领域的推进，也在加速这些工具在具有乘数效应的场景中的应用。
核心悬而未决的问题，是时间节点。AI的气候效益大多是未来十到二十年的潜力，而能源成本是当下正在增长的现实。如果数据中心在未来五年内仍依赖天然气或煤炭供电，等待可再生能源和核电产能到位，那么这一阶段的中间账单是负数。电力行业的脱碳速度并非固定常量，它取决于各国的能源政策——而部分国家的政策，与AI制造的需求增长轨迹之间，仍存在明显错位。
监管者现在可以做什么
本文指出的问题，没有一个是无解的。约束是真实的，但并非不可逾越。
第一个抓手是统一度量标准。没有按请求类型申报能耗的通用标准，各企业发布的数据就无从比较。IEA、IEEE和欧洲标准化机构都已提出各自框架，将它们整合为统一格式是协调工作，不是技术突破。
第二个抓手是按用途强制披露。要求大型AI服务提供商按类别——标准请求与推理类请求——披露API能耗，就可以让企业客户自主管理自身的能耗足迹。这与供应链碳排放报告的逻辑相同，只是延伸到了算力消耗领域。
第三个抓手是价格信号的校准。目前，推理类请求的用户定价部分反映了算力成本，但未涵盖完整的能源成本和碳排放强度。参照碳税在其他行业的做法，将这些外部性纳入定价，将促使资源在值得使用扩展推理的场景与不值得的场景之间更合理地分配。
这些措施不会拖慢AI的发展，只会引导它的方向。IEA对单次请求能效与总能耗的区分，不只是概念上的厘清。没有这张地图，所有政策都是盲目的。
资料来源
- IEA — Energy and AI（2025年4月）：https://www.iea.org/reports/energy-and-ai/executive-summary
- IEA — Key Questions on Energy and AI（2026年4月）：https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
- Stanford University — AI Index Report 2025：https://aiindex.stanford.edu/report/
- Stanford HAI — AI Index 2025：https://hai.stanford.edu/ai-index/2025-ai-index-report
- Stanley Jevons，The Coal Question（1865）——历史文献，公共领域
- 维基百科——杰文斯悖论：https://en.wikipedia.org/wiki/Jevons_paradox
- White & Case — Energy Efficiency Requirements under the EU AI Act：https://www.whitecase.com/insight-alert/energy-efficiency-requirements-under-eu-ai-act
- Luccioni et al.（2025）— Jevons Paradox and AI — ACM FAccT：https://arxiv.org/abs/2501.16548