綠色算力新浪潮：全球數據中心能耗保衛戰與「每Token耗能」深度剖析
圖靈學院編輯部
2026-6-15
前言
隨著生成式人工智慧（Generative AI）爆發式成長，數據中心已從過去的「數位蓄水池」演變成如今的「吞電巨獸」。根據國際能源署（IEA）預估，全球數據中心的耗電量將在2030年翻倍，達到近945 terawatt-hours（TWh），這幾乎等同於日本一整年的全國用電量。面對AI算力需求呈幾何級數增長，如何降低數據中心能耗（Power Usage Effectiveness, PUE），已成為科技巨頭、能源專家與各國政府的頭號難題。從微軟早期的海底測試，到近年中國在上海落成的全球首座「海風直連」水下數據中心，一場圍繞綠色算力的「能耗保衛戰」正在全球打響。
一、 海洋冷卻的商業化里程碑：上海臨港水下數據中心
傳統陸地數據中心為了維持伺服器正常運作，其冷卻系統（如空調、冷卻塔）通常需要消耗總電量的25%至40%，並蒸發大量的淡水資源。為了解決這一痛點，將伺服器沉入海底、利用天然海水散熱的「水下數據中心」應運而生。
1. 「算電一體」的創新模式
上海臨港外海約10公里處、沉入水下約10公尺的「臨港海底數據中心示範項目」，是全球首個真正實現「海上風電直連」的水下數據中心。其設計總容量達24兆瓦（MW），內部容納數千臺伺服器。與以往水下數據中心不同的是，該項目直接採用鄰近的海上風電場供電，實現了綠電與算力的無縫對接，其綠電供給率超過95%。
2. 能效與資源的雙重優化
- 超高節能效率：臨港海域海底深處的年平均水溫約15°C，海水成為最天然的巨型散熱器。數據顯示，該系統相較於同等規模的陸上數據中心，整體節省用電量達22.8%。
- 零淡水消耗：傳統陸上數據中心每天需消耗數十萬至數百萬加侖的淡水。水下數據中心採用「海水自然冷卻」，完全無需消耗珍貴的陸地淡水。
- 極高的土地節約：對於土地寸土寸金的沿海經濟發達城市，水下部署成功減少了九成以上的陸地土地佔用。
二、 雙管齊下：全球數據中心降低能耗的主流做法
除了走向海洋，全球數據中心在降低能耗方面，主要圍繞「硬體冷卻革新」與「能源結構轉型」兩大維度展開：
三、 微觀視角：解構大模型「每一Token的能耗」
過去我們常用 PUE 來衡量數據中心的整體能源效率，但在 AI 時代，算力消耗的最小計費單位是 Token（文字片段或刻度）。當我們向 ChatGPT 提問、或讓 DeepSeek 生成代碼時，背後究竟消耗了多少電？
1. 推理階段（Inference）的能耗分化
大模型在完成訓練後，用戶每次調用（即推理階段）所產生的能耗正主導著數據中心的能源版圖。根據 IEEE Spectrum 及多項獨立能源研究顯示：
- 基礎生成式查詢（如 ChatGPT 基礎提問）：每一次查詢大約消耗 0.34 瓦時（Wh） 到 2.9 瓦時（Wh） 的電量。這大約是標準 Google 網頁搜尋（約 0.3 瓦時）的 10 倍。
- 長文本與複雜推理模型（如 OpenAI o3 / DeepSeek-R1）：由於引入了「思考鏈（Chain of Thought）」機制，伺服器在輸出最終 Token 前需要進行大量的內部自我詰問。每一次推理查詢的能耗可飆升至 7 瓦時至 40 瓦時，相較於基礎模型，暴增了 20 至 100 倍。
- 多模態生成（圖片與影片）：圖像生成的能耗比純文字高出 20-40 倍；而生成一段短影片的能耗，更是純文字查詢的 1,000 至 3,000 倍。
2. 每 Token 能耗的數學與架構關係
從微觀來看，大模型生成一個 Token 的能耗 Etoken（以瓦時或焦耳計），主要由以下公式和因素決定：
（其中 Pserver 為伺服器晶片在運算時的即時功率，Tthroughput 為每秒生成的 Token 數量。）
為了降低每一個 Token 的物理能耗代價，晶片商與模型架構師正在進行以下技術變革：
1. 混合專家模型（MoE, Mixture of Experts）：如 GPT-4 或 DeepSeek 架構，在生成特定 Token 時，只啟動模型中 5% 至 10% 的參數網路。這使得每 Token 的計算量直線下降，帶來 3 到 5 倍的能源節省。
2. 硬體能源效率比（FLOPS/Watt）：NVIDIA（輝達）等晶片巨頭在新一代 AI 架構中，極力提升每瓦功率能處理的浮點運算次數。新晶片在生成相同 Token 時，能耗顯著低於前代產品。
四、 三大 AI 巨頭的節能策略與技術路徑比較
巨頭們的節能手段主要分為三大核心層面：綠電採購架構（能源端）、晶片與硬體優化（算力端）、以及模型架構演算法（軟體端）。
1. Google：AI 智慧冷卻與專用晶片（TPU）的先驅
Google 很早就意識到數據中心的耗能問題，並率先將深度學習引入基礎設施的維護中。
- 24/7 全天候無碳能源（CFE）：Google 不僅滿足於年度碳中和，更追求「每時每刻」都使用綠電。他們利用 AI 預測各地區電網的風力與太陽能發電量，動態將運算任務調配到當時綠電最充足的數據中心（時空負載轉移）。
- TPU 架構的能源優勢：Google 自研的張量處理器（TPU，如最新一代 TPU v6/Trillium）專為神經網路優化。相較於通用型晶片，TPU 在執行 AI 訓練與推理時，每瓦特能效（Performance per Watt）提升了數倍。
- DeepMind AI 節能控制：Google 將 DeepMind 的 AI 演算法導入數據中心的冷卻系統。AI 透過數千個感測器數據，每五分鐘自動調整冰水主機、風扇與泵浦，成功降低了 40% 的冷卻能耗。
2. Microsoft：核能轉型與前瞻冷卻技術的實踐者
身為 OpenAI 最強大的後盾，微軟（Microsoft）在數據中心基礎設施的投資上最為激進。
- 核能復興與 PPA（購電協議）：為了解決 AI 數據中心 24 小時不間斷的龐大電力需求，微軟於 2024 年底與星座能源（Constellation Energy）簽署協議，推動三哩島核電廠復役。這象徵著微軟正式將「零碳核能」視為基載電力的核心。
- 浸沒式液冷（Immersion Cooling）：微軟是首家在生產環境中引入「雙相浸沒式液冷」的雲端巨頭。他們將伺服器直接浸泡在特殊的氟化液中，液體沸騰帶走熱量變成蒸氣，再冷凝回流。這種技術徹底揚棄了空調，讓冷卻能耗接近於零。
- 早期水下探索（Project Natick）：上海臨港的水下數據中心，某種程度上延伸了微軟早年「Natick 計劃」的概念。微軟證實水下數據中心的伺服器故障率僅為陸上的八分之一，為後續的水下商業化開闢了道路。
3. OpenAI：演算法極致精簡與 MoE 架構的推動者
作為純粹的模型開發商，OpenAI 無法直接建造核電廠，但他們從軟體與模型架構端，對降低「每 Token 能耗」做出了決定性的貢獻。
- 混合專家模型（MoE）的普及：從 GPT-4 開始，OpenAI 廣泛採用 MoE 架構。雖然模型總參數高達數兆，但當使用者輸入一個 Token 時，系統只會啟動其中一小部分「專家網路」（例如 1.8 兆參數中僅啟動 2800 億）。這使得每產生一個 Token 的實際計算量（FLOPs）和電耗下降了 70% 以上。
- 模型蒸餾（Distillation）與量化：OpenAI 透過將大模型的知識「蒸餾」到較小的模型（如 GPT-4o mini），在保持極高智能的同時，讓推理階段的能耗呈斷崖式下跌，這極大地降低了數據中心在應對海量日常查詢時的電力負荷。
五、 巨頭節能做法綜合對比表
綜合來看，這三家生成式 AI 先驅在解決能耗問題上各具特色，互為補足：
結論：軟硬一體化的綠色算力未來
從上海臨港的「海風直連水下數據中心」，到微軟的「核能數據中心」，再到 OpenAI 的「MoE 演算法減肥」，產業界已經達成共識：單靠任何一種方法，都無法阻止 AI 成為能源黑洞。
未來的綠色算力將走向「軟硬一體化」的全面協同。一側是像微軟、Google 這樣運用海洋、核能與液冷將數據中心的 PUE 逼近 1.0 的極限；另一側則是像 OpenAI 一樣，在演算法端不斷壓榨每一個 Token 的計算效率。只有當綠色基礎設施遇上高效率的模型架構，生成式 AI 才能真正擺脫「吞電巨獸」的惡名，成為永續發展的數位生產力。
參考資料來源
