人工智能是否会减缓能源转型？

执行摘要：

• AI（人工智能）是一项极其耗能的技术。随着其在全球范围内的使用越来越广泛，能源消耗量也在飙升，对额外电力的需求也随之增加。
• 能源需求激增导致科技公司碳排放量增加，而科技公司是人工智能的重度用户。这是一个问题，因为许多科技公司在人工智能热潮开始之前就承诺实现净零碳排放目标。目前，许多公司正在通过购买碳补偿来解决这一困境。
• 生成式人工智能和大型语言模型是导致能源需求激增的主要原因，但其他新兴人工智能技术有可能通过提高能源效率来减少碳排放。
• 人工智能为投资者带来了广泛的机会和风险。公用事业公司、数据中心和软件公司是可能从该技术中获益最多的行业。

人工智能 (AI) 正在彻底改变全球经济，提高运营效率，实现流程自动化，分析和解释大量数据，现在甚至生成内容和图像。对某些人来说，人工智能可能看起来像是哈利波特电影中的某种东西——一种功能强大、几乎神奇的工具，具有无限的可能性。

然而，全球首席执行官们都在警告称，能源，而不是芯片，将成为这项技术发展的限制因素。随着电力需求激增，企业被迫面对可能诉诸不太可持续的能源来满足其迫切需求的现实。这引出了一个问题：企业近年来设定的净零目标现在是否有过时的风险？

尽管我们对人工智能的各种新奇用途感到惊叹，但投资者必须考虑一个实际问题：人工智能对电网和能源转型有何影响？相应的投资意义又是什么？本文旨在探讨这些关键主题。

第一部分：疫情前能源消耗与能源供应的当前趋势

为了更好地了解人工智能可能在多大程度上加剧能源短缺，首先有必要分析一下能源市场的现状。这样，我们就能知道电网目前面临的压力。

我们可以选择任意数量的指标来衡量当前电网的压力，但在本报告中，我们将重点关注三个关键指标：

• 相对于理论满容量的消耗
• 消费量与实际产量的关系
• 消费增长与产能增长的关系

首先，让我们来看看每个国家/地区的总用电量占理论满负荷容量的百分比。在这种情况下，我们认为理论满负荷容量是如果所有发电厂每天都满负荷运转，电网一年内可以生产的总电量。

从表面上看，这些计算可能表明电网拥有充足的过剩产能，没有一个国家/地区在一年中的消耗量超过理论总产能的 50%。然而，重要的是要记住，发电厂可能无法持续发电。根据美国能源部的数据，核电站 2021 年的平均容量系数为 93%，这意味着三年前它们可以可靠地生产出理论总产能的 93%。但太阳能只能生产 25%。这些动态表明，过剩产能可能没有人们想象的那么多。

我们还可以看看电力消耗与发电量的比率。在这里，美国是一个有趣的数据点：电力消耗实际上略高于电力生产，这意味着美国不得不部分依赖进口电力。虽然确实有提议（例如尚普兰哈德逊电力快线）在加拿大和美国之间建立更多的电网互连，但漫长而复杂的许可流程意味着可能需要一些时间才能实现更多此类互连。

与此同时，到 2023 年，欧洲和亚洲将消耗各自大洲生产的所有电力。因此，总体而言，按照这一指标，各地区的电网可能会有些紧张。

最后要考虑的指标是：过去 10 年能源消耗与能源容量的增长情况。如果能源消耗的增长速度低于能源容量的增长速度，那么随着时间的推移，这可能有助于缓解电网的压力，前提是新发电厂的平均容量系数与旧发电厂相似。

在美国、欧洲和亚洲，电力消耗的累计平均增长率略低于电力容量的累计平均增长率，这表明随着时间的推移，电力消耗可能出现短暂的缓解。但尽管如此，三项指标的综合表明，整体电网可能仍然有些脆弱。

第二部分：人工智能对能源消耗和碳排放的增量影响

随着人工智能日益融入我们的日常生活，其功能不断提升，能源消耗也出现了大幅增长。最近的一项研究发现，使用生成式人工智能生成一张图像所需的能量与充满一部智能手机所需的能量相当。1 此外，数据中心执行这些与人工智能相关的任务所消耗的电量是执行普通搜索的 10 倍。自 2010 年以来，开发机器学习模型所需的计算能力每五到六个月就会翻一番。2 这种动态对政策制定者和技术领导者都提出了重大挑战：平衡人工智能驱动增长的需求与减少排放和实现全球气候目标的迫切需要。

2022 年，国际能源署 (IEA) 估计，数据中心、加密货币和人工智能消耗了全球总电力需求的近 2%。3 图 2 显示了 IEA 对 2026 年的预测，预测这些技术的全球电力消耗将在 620 至 1,050 太瓦时 (TWh) 之间，高于 2022 年的 460 TWh。从这个角度来看，根据 IEA 的数据，这一增长大致相当于将至少一个瑞典或最多一个德国的全部电力消耗添加到电网中。

图 2：2019 年至 2026 年数据中心、人工智能和加密货币的全球电力需求

能源需求的上升导致了更高的排放量。与 2022 年的水平相比，到 2030 年，数据中心的电力需求增长预计将是数据中心相关二氧化碳排放量的两倍以上，可能占全球能源相关排放量的 0.6%。4 事实上，康奈尔大学最近进行的一项研究 5 估计，训练像 GPT-3 这样的大型语言模型 (LLM)（约有 1750 亿个参数）会排放约 552 公吨二氧化碳。这相当于一座燃煤发电厂连续工作约 10 个小时。6 训练 LLM 需要数千个 GPU 小时和系统性再训练才能保持相关性，这一事实进一步增加了能源消耗和排放。

这种趋势引发了人们对企业是否能够实现人工智能热潮之前设定的气候目标的担忧。例如，七大巨头 (Mag 7) 发现减少排放越来越困难。人工智能的能源密集型性质迫使他们探索替代能源，例如现场发电甚至核能，以维持运营而不进一步增加碳排放。谷歌最近的可持续发展报告显示，从 2019 年到 2023 年，他们的温室气体总排放量增加了 48%，仅在 2022 年至 2023 年期间，范围 27 排放量就增加了 37%。这是我们在其他科技公司中看到的趋势，即公司的碳足迹急剧增加，而不是相反。

随着环境影响日益突出，一些科技公司正试图通过抵消措施来实现净零排放承诺，例如投资清洁能源项目。之所以选择这种方法，是因为当前的可持续发展报告实践允许通过全球投资而不是仅仅通过直接减少排放来核算碳排放减少。例如，一家公司将其 100% 的电力消耗与可再生能源采购相匹配。这引起了媒体对这一问题的关注，一些人担心这些公司可能过于依赖创造性的会计来应对不断上升的碳排放，而不是通过技术和市场改进来应对问题。值得注意的是，这些抵消措施并不能消除公司的潜在排放，只要数据中心依赖化石燃料发电，这些排放就会继续增长。虽然抵消措施可以帮助平衡公司的碳账本，但使用它们最终只意味着随着公司排放量的增加，他们的投资也会随之增长——而不会减少公司的整体碳足迹。

其他人工智能公司选择在能源供应丰富的地区开展业务，例如冰岛，以期在不对运营进行重大改变的情况下减轻对环境的影响。8 然而，接入可再生能源密集型电网存在挑战。例如，美国超过一半的新增公用事业规模太阳能发电量仅计划在三个州：德克萨斯州 (35%)、加利福尼亚州 (10%) 和佛罗里达州 (6%)9，这突显出不在这些地区或附近的公司在寻求获取可再生能源时可能遇到困难。这一限制迫使公司要么搬迁业务（这是一个成本高昂且后勤复杂的过程），要么继续依赖化石燃料，这会破坏他们的可持续发展目标。

第三部分：抵消和效率

虽然人工智能日益增长的能源需求令人担忧，但该技术也为支持能源转型提供了潜力。媒体最近关于人工智能的讨论大多围绕生成式人工智能和大型语言模型展开，但人工智能是一个涵盖大量技术的宽泛术语，其中一些技术在减少能源使用方面非常有效。比尔·盖茨最近在伦敦接受采访时表示，人工智能可以推动整体能源消耗减少 6% 以上。10

波士顿咨询集团 (BCG) 最近的一份报告支持了这一观点，预测到 2030 年，人工智能可以帮助减少 5% 至 10% 的全球温室气体 (GHG) 排放量。人工智能优化运营的能力将是实现这一目标的关键，特别是在能源、交通和农业领域，这些领域是主要的排放源。例如，人工智能可以改善建筑物的能源使用，减少供应链中的浪费，并提高可再生能源的效率。11

人工智能还可以通过更好地预测能源供需情况，实现对能源存储资产的实时监控、预测分析和动态控制，从而增强电网管理。这有助于在最大限度地提高能源价值的同时，最大限度地减少排放，使其成为更具吸引力的选择。例如，机器学习模型可以提高可再生能源预测的准确性，帮助企业更好地将能源供应与需求结合起来。这还可以实现负荷转移，即能源使用时间与可再生能源峰值产量相匹配，从而降低成本并鼓励对可再生能源进行更多投资。12 人工智能还可以用来优化电池存储系统的使用，通过预测何时储存多余的可再生能源以及何时释放这些可再生能源，确保在没有阳光或没有风的时候也能持续供应能源。

此外，人工智能和深度学习技术已用于提高数据中心的能源效率。以谷歌为例，2016 年该公司表示，它正在利用技术将冷却数据中心所需的能源减少 40%，这意味着整体能源使用效率提高了 15%。这是一个例子，说明随着技术的不断发展，管理其对环境影响的策略也将不断发展。

最终，虽然某些类型的人工智能带来的能源需求不断增长带来了重大挑战，但其他人工智能应用也具有巨大的潜力，可以提高能源效率并支持向低碳经济转型。随着人工智能的不断发展，其在优化能源使用、改善可再生能源整合和提高数据中心效率方面的作用对于平衡其自身增长对环境的影响至关重要。通过利用人工智能的能力，有可能减轻其能源足迹并为更可持续的未来做出贡献。

第四部分：投资影响

在本文的前面部分，我们指出，即使在最近人工智能热潮兴起之前，世界许多地方的电网就已经承受了巨大的压力。随着电力密集型人工智能能力的快速发展，未来几年电网可能会承受更大的压力。虽然确实可以节省能源，但要量化更智能的电力消耗产生的确切效率却具有挑战性。

这些趋势具有若干重要的直接和间接影响。从直接方面来看，电力消耗增加可能大幅增加公用事业公司的收入，从而推动有时被投资者视为较为缓慢和稳定的行业。

除了公用事业公司之外，电力需求的增加也可能为建设发电所需基础设施的公司带来更多吸引力。例如，生产屋顶太阳能电池板或生产风力涡轮机轴的公司可能会看到业务增长。

此外，在电力消耗不断上升的背景下，能够创造提高能源效率解决方案的创新型公司也有望获得良好的发展机遇。从利用人工智能生成更智能的能源分配算法的软件公司，到能够创建物理基础设施以最大限度地减少能源损失的公司，各行各业都有可能从中受益。

当然，数据中心——一个已经经历显著繁荣的行业——可能会继续从人工智能的推出和能源消耗和生产模式的潜在变化中获益。

虽然其中一些公司将公开上市，但其他一些公司可能会得到风险投资公司或私募股权基金的支持——这是一个重要的提醒，表明私人市场对于合格投资者的力量。

归根结底，人工智能为投资者创造了机遇和挑战。有效驾驭机遇和挑战对于实现强劲的投资成果至关重要。

¹卡内基梅隆大学和 Hugging Face 2024 – https://arxiv.org/pdf/2311.16863

²国际能源署，2023 年 – https://www.iea.org/commentaries/why-ai-and-energy-are-the-new-power-couple

³国际能源署，2024 年 – https://iea.blob.core.windows.net/assets/18f3ed24-4b26-4c83-a3d2-8a1be51c8cc8/Electricity2024-Analysisandforecastto2026.pdf

¹⁰ Techspot，2024 年 – https://www.techspot.com/news/103617-bill-gates-dont-have-worry-about-ai-energy.html

¹¹ BCG，2023 年 – https://www.bcg.com/publications/2023/how-ai-can-speedup-climate-action#:~:text=1.,related%20adaptation%20and%20resilience%20initiatives。

¹²国际能源署，2023 年 – https://www.iea.org/commentaries/why-ai-and-energy-are-the-new-power-couple