AI 一次回答到底耗多少电？为什么没有固定答案

先别急着问“每次回答几度电”

“问 AI 一个问题要耗多少电？”看起来像是在寻找一个固定数字，实际上更像是在问“开车一公里要耗多少油”。车型、路况、载重和驾驶方式不同，答案就会不同；AI 也一样。一次简单的文字问答、一次图片生成、一次长篇推理，调用的模型规模、计算步骤和输出长度都可能完全不同。

因此，能耗科普的第一原则不是给出一个漂亮的小数，而是先把任务说清楚。国际能源署在《Energy and AI》中把数据中心、网络基础设施和 AI 计算放在同一条能源链上讨论；它在后续的关键问题说明中也提醒，简单文字查询的单位能耗近年来持续下降，但视频、复杂推理和代理式任务可能需要更多计算。所谓“AI 的能耗”并不是一个统一的产品参数。

电到底花在哪里

一次云端 AI 请求，背后至少有几类开销。第一类是模型计算：服务器上的加速器要完成矩阵运算，输入越长、输出越多、推理步骤越复杂，通常需要处理的计算量越大。第二类是数据搬运：模型参数、上下文和生成结果要在显存、内存与网络设备之间流动。第三类是基础设施：服务器供电、散热、制冷和电源转换也需要能量。

这意味着“模型参数少”不一定等于“每次请求都更省电”。一个小模型如果被大量调用，累计用电也可能很可观；一个大模型如果服务端采用批处理、缓存或更高效的硬件，单位请求的效率又可能改善。真正影响结果的，是任务复杂度、硬件利用率和服务规模的组合。

为什么不同任务差别很大

可以把常见请求粗略分成几层。短文本分类或一句话改写，通常只需要有限的输入和输出；长文总结需要读取更多上下文；图片和视频任务要处理像素与时间帧；复杂推理或代理任务还可能连续调用模型、搜索资料、运行工具并反复检查结果。后两类任务的计算链更长，不能用简单文字问答的数字去代表。

本地运行和云端运行也不是同一个问题。手机上的小模型可能减少网络传输、降低等待时间，并把计算放在用户设备上；云端服务则可以使用更强的硬件和更高的利用率。对个人来说，看不到某次请求的电表读数很正常，因为能源消耗发生在共享的数据中心基础设施中，通常只能通过统计和模型估算来理解。

更有用的比较方式

与其问“AI 每次回答耗多少电”，不如问四个问题：这是什么任务？输入和输出有多长？服务是否需要多轮推理或调用工具？这次请求是偶尔使用，还是被大规模重复调用？这四个问题比一个脱离上下文的平均值更能解释差异。

用户也不需要因为能耗话题就放弃 AI。更合理的做法是按任务选择工具：简单任务不必反复提交超长上下文，生成图片或视频前先把需求描述清楚，能一次完成就不要无目的地重复生成。对企业和平台而言，更重要的是提升模型和硬件效率、利用可再生能源，并公开可解释的测算边界。

一句话总结：AI 的能耗不是一个固定单价，而是任务复杂度、计算效率与使用规模共同决定的系统性结果。

来源：国际能源署《Energy and AI》、IEA：关于能源与 AI 的关键问题