黄仁勋：“AI的尽头是光伏和储能”并非黄仁勋的原话
2024-03-12 14:03:25 来源: 财经新闻网
财经新闻网消息：
今日A股新能源板块大涨，中证新能源指数上涨5.7%，中证新能源电池指数上涨8.4%。 涨停个股中，不少属于光伏、锂电池、电力、储能等板块。 创业板权重股宁德时代大涨14%。
除了超跌反弹的逻辑外，很多投资者还认识到该板块的第二个逻辑——AI的终结是能源。
有媒体报道，黄仁勋在公开演讲中明确表示：“AI的终结是光伏和储能！我们不能只考虑计算能力。如果只考虑计算机，我们需要燃烧14个能源地球。”
据澎湃新闻最新报道，澄清“AI的终结是光伏和储能”并非黄仁勋原话。
▌真假“名言”
据报道，黄仁勋确实在2024年2月12日的“世界政府峰会”上提到，人工智能和计算能力需要巨大的能源，但总体意思是，由于计算机性能的快速增长并变得更加高效，我们不必永无休止。 计算机和数据中心进行了相应配置，因此不需要同比消耗那么多能源。 也就是说，我们的产品计算能力提高了100万倍，相当于节省了更多的能源。
原话是——
“当我们更换通用计算的基础设施时，请记住，架构的性能将不断提高。你不能只考虑购买更多计算机，你还必须假设计算机会变得越来越快。所以，你所需要的总量不会那么多。否则，如果你只是假设计算机永远不会变得更快，你可能会得出这样的结论：我们需要 14 个不同的行星，3 个不同的星系，4 个太阳来为这一切提供燃料。
“但显而易见的是，计算机架构在不断进步。我们在过去十年中做出的最大贡献之一就是将计算和人工智能改进了一百万倍。因此，无论你认为推动世界发展的需求是什么，你必须考虑到它的增长速度会快一百万倍并且变得更加高效。”
“当某件事物好上一百万倍，并且在成本、空间或能源方面花费并不多一百万倍时。事实上，你已经实现了技术的民主化。”
作为当今科技圈的领军人物，“黄仁勋喊口号”显然具有很大的号召力，也更容易引导投资者的情绪。
能源对于人工智能有多重要？
从事实来看，人工智能的发展确实依赖于能源创新。 当今科技圈的两位大佬，创始人奥特曼和马斯克，此前都曾给出过明确的观点。
前者认为，未来的AI技术取决于能源突破。 更有利于气候变化的能源，尤其是核聚变或者更便宜的太阳能和储能，才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。 他不仅自己出钱，还喜欢亲自参与并担任相关公司的董事会成员。
后者认为，虽然AI技术有望引领未来最大的技术革命，但2025年也可能面临因能源瓶颈而带来的发展挑战。
▌一点也不环保的AI
不可否认，未来的人工智能需要在能源上有所突破，因为人工智能所消耗的电力将远远超出人们的预期。
据《纽约客》杂志报道，据国外研究机构报告，每天响应约2亿个请求，过程中消耗超过50万千瓦时的电量（美国商业用电量约为每千瓦时 0.147 美元）。 一天费用为 73,500 美元）。 每个美国家庭的平均用电量仅为29千瓦时，这意味着每天的用电量相当于17000个美国家庭的用电量。
该数据是荷兰国家银行数据科学家 Alex de Vries 根据 、 和其他公司的公开数据估算得出的。 他还预测，到2027年，整个人工智能产业将消耗85至134太瓦时（1太瓦时=10亿千瓦时）的电力。
由于计算设备的散热要求，AI的耗水量也惊人。 加州大学河滨分校研究员任少雷一直在尝试计算此类生成式人工智能产品对环境的影响。 任少雷的团队估计，每次提出5到50个提示或问题，就会消耗500毫升的水。 这款聊天机器人拥有超过 1 亿活跃用户，目前大型科技公司都在竞相加速类似产品的开发。
不仅如此，算力的大规模部署和应用不仅消耗大量资源，还带来碳排放问题。 以数据中心碳排放为例。 数据中心碳排放主要来自IT设备、空调系统、电力系统、照明系统等用电产生的间接排放。根据环规院发布的《中国区域电网二氧化碳排放因子》 《生态环境部研究报告(2023)》显示，目前我国各省平均电网排放因子约为0.61千克/千瓦时。如果2025年和2030年各省平均电网排放因子保持不变按照目前水平，2025年和2030年我国数据中心间接碳排放量将分别达到2.1亿吨和3.5亿吨。
▌如何解决？
随着人工智能的进步和模型规模的增大，如何解决随之而来的高能耗问题？
当前的重点是开源。 风能、光伏等可再生新能源被视为数据中心的重要能源池。 核能尤其被寄予厚望。 核聚变因其几乎无限的燃料供应、环境友好、高能量密度和高安全性，被视为解决能源危机和气候变化问题的关键技术。 在多国和民间企业的积极参与和技术突破下，全球核聚变商业化进程正在加速推进。 如果成功商业化，将为人类提供几乎无限的清洁能源。
在节流方面，由于模型本身的算法和架构，以及硬件优化，会在一定程度上降低AI功耗，目前已经有一些解决大型模型能耗高问题的思路，主要包括:
1. 算法和模型优化
通过算法优化，如权值剪枝、量化等技术，以及模型压缩技术，在保持或接近原有性能的同时降低模型的复杂度。 近年来提出的一些轻量级模型（例如）是针对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，例如开发的GPU T4和A100，以及开发的TPU（Unit）。 这些硬件专为人工智能任务而设计，能够以更低的能耗提供更高的计算效率。
3. 培训和计算能力
训练技术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使用多台计算机来分担大规模计算的负载。 此外，将AI计算任务从云端转移到边缘设备可以减少数据传输所需的能源，并利用边缘设备的低功耗优势。
4、提高数据中心能源效率
通过优化数据中心设计和管理来提高电力使用效率。 例如，采用更高效的冷却系统，或者利用AI技术动态调整数据中心的运行状态，以降低能耗。
其中，针对第四点，国内各大厂商都已经拿出了解决方案。 比如，腾讯的能源业务成为独立的一级部门。 数据中心部门还成立了专门的绿色能源团队，应用自然冷却、液冷、三联产、余热回收等新兴节能技术，提高冷却效率，降低数据中心能耗。 华为、京东、亚马逊等也纷纷进军智慧能源领域。
免责声明 ① 本网所刊登文章均来自网络转载;文章观点不代表本网立场,其真实性由作者或稿源方负责 ② 如果您对稿件和图片等有版权及其他争议,请及时与我们联系,我们将核实情况后进行相关删除 ③ 联系邮箱:215858170@qq.com
