《人工智能(AI)“变革”能源:数据需求的尽头是新能源》

  • 来源专题:能源情报网监测服务平台
  • 编译者: 郭楷模
  • 发布时间:2025-04-28
  • 根据国际能源署(IEA)的一份报告,人工智能(AI)将在未来十年内“变革”能源行业。国际能源署表示,由人工智能驱动的数据中心带来的电力需求激增,以及同时利用人工智能优化和减少能源部门的排放,可能会成为全球能源领域下一个十年的显著特征。然而,这种影响的程度和形式仍存在很大的不确定性。

    报告称,到2030年,全球数据中心的电力需求将“翻一番以上”,达到每年945TWh以上。这将受到“人工智能优化数据中心”需求的推动,同期需求将增加四倍以上。AI数据中心越来越多地使用高效服务器,这导致更高的功率密度和更高的需求。

    IEA表示,其预测的一个“关键输入”是对这些服务器“近期”出货量的预测,以衡量数据中心需求的增长。

    国际能源署表示,“多样化的能源”将满足这一需求,尽管可再生能源和天然气由于其成本竞争力和在“关键市场”的可用性而可能会引领这一需求。

    “人工智能是当今能源领域最大的事件之一,但直到现在,政策制定者和市场都缺乏全面了解其广泛影响的工具,”国际能源署执行董事法提赫·比罗尔(Fatih Birol)说。

    美国和中国

    “未来五年,全球数据中心的电力需求预计将增长一倍以上,到2030年,其耗电量将与当今日本全国的耗电量相当。一些国家受到的影响将尤为显著。“比罗尔说。

    报告称,到2030 年,美国和中国将占全球数据中心需求增长的近80%,分别增长130%和170%。美国和中国的大型科技和数据云公司聚集在一起,可再生能源开发商和数据中心运营商之间已经达成了大量交易。拥有Facebook、WhatsApp和 Instagram的公司Meta已在美国签署了数百兆瓦的太阳能光伏购电协议,亚马逊和谷歌也执行了类似的策略,为不断增长的数据中心业务提供动力。

    人工智能也开始在供应和基础设施方面崭露头角,越来越多地用于优化和电网服务。今年早些时候,PV Tech Premium发布的一份报告称,中国国有能源企业正在“争相”将DeepSeek 人工智能平台整合到其运营中,而美国政府此前也曾拨款寻求基于人工智能的解决方案来应对该国电网互联的挑战。

    欧洲和日本的数据中心需求也将显著增长,新加坡和马来西亚的需求也将逐渐显现。

    需求和效率

    数据中心的需求将给全球电网带来更大压力,但这种压力的程度尚不确定。国际能源署在其基准情景中预测,到2030年,人工智能数据中心仍仅占全球用电量的3%。不过,这一比例可能会有高达45%的变化——到2035年,这一比例可能会上升至全球电力需求的约4.4%,这取决于未来十年的金融和技术趋势。

    然而,人工智能生成带来的风险和需求可能会通过利用人工智能的能力来抵消。

    国际能源署表示,能源基础设施的数字化程度提高以及人工智能的广泛应用增加了遭受网络安全攻击的风险。同时,人工智能也是“能源企业防范此类攻击的关键工具”。

    对于排放而言也是如此。人工智能数据中心需求的增加会推高总体排放量,但报告称,“在整体能源领域中,这一增长幅度很小,而且如果人工智能技术得到广泛应用,其带来的排放量减少可能足以抵消这一增长”。人工智能还有助于加快太阳能光伏和储能技术的创新。

    “随着人工智能的兴起,能源行业处于我们这个时代最重要的技术革命的前沿,”Birol说。“人工智能是一种工具,可能是一种非常强大的工具,但如何使用它取决于我们——我们的社会、政府和企业。”

  • 原文来源:https://www.nengyuanjie.net/article/113576.html
相关报告
  • 《AI技术成为能源转型好帮手》

    • 来源专题:能源情报网监测服务平台
    • 编译者:郭楷模
    • 发布时间:2024-10-28
    • 当前,AI(人工智能)技术在助力能源转型中应用愈加广泛。前不久,国能日新科技股份有限公司发布了其自研的新能源大模型“旷冥”,该模型能够帮助提高新能源发电效率、应对极端天气。中国华电、玖天气象、华为等企业共同发布“基于AI大模型技术新能源气象功率预测解决方案”,通过对新能源功率预测实现“智算”,提升预测准确度、降低电站运营成本。业内人士认为,随着AI技术深入应用,其在推动能源加快转型方面的潜力将被不断激发。 提高管理效率 河北省张家口市地处华北平原与内蒙古高原连接区域,是华北地区风能和太阳能资源最丰富的地区之一。大唐索拉风电场智慧场站就坐落于此。这座智慧场站采用智慧化管控系统进行管理,值班员可以通过一体化平台看到风电场升压站全貌以及对应的设备监控点位,对设备状态、人员行为、安防环境等进行全方位监测。 风电和光伏项目的新能源场站,大多位置偏远且分布零散。场站内设备种类繁多,占地面积广阔,也增加了管理的复杂性。在传统的管理模式下,场站运维人员需要进行现场的设备控制和巡检,耗费大量人力、物力和财力,成为新能源企业发展的一大阻碍。而AI技术的引入,则能够降低管理成本,显著提升场站管理效率。 “AI可以帮助实现新能源发电设备智能控制、图像智能识别、负荷精准预测,大大降低了人工成本。”据大唐国际生产部新能源处相关负责人介绍,AI技术能对场站的风电机组、光伏逆变器等发电设备实现智慧控制,并通过自学习从风和光等自然资源中获取更高发电效率。此外,AI技术还革新了传统的人工巡检方式,通过集成AI识别算法的摄像头,实现对光伏组件和风机叶片的高精度自动化巡检。 AI技术不仅可以实现对能源供应过程的实时监控,还能通过分析实时数据,及时发现潜在的问题并进行优化调整。 “除了在场站端的应用,AI还能应用于集控端的发电和检修策略优化上。”大唐国际生产部新能源处相关负责人告诉笔者,AI大模型可以分析设备运行及历史故障产生的海量数据,为管理者提前预警潜在风险。“例如,企业研发的故障模型可以提前发现设备劣化的征兆,并根据设备寿命规律合理优化检修策略。通过实施更加精准的维护计划,不仅显著延长了设备的使用寿命,还大幅度降低了停电的风险,实现了运维管理的全面优化。” AI技术还逐步深入并渗透至新能源企业管理的各个层面与细节中。 据金风科技人工智能应用研究院院长宋建军介绍,金风科技在无人化电站建设、物资调拨和翻译等工作中已开始使用AI技术。目前,企业开发的行业翻译大模型可以帮助实现高精度的行业术语翻译,支持风电行业的国际化需求。“未来,企业将在多模态大模型、视觉分析、运筹学等技术方向长期投入,让AI技术全面助力新能源的技术创新和运营管理。” “AI技术对于新能源领域来说是颠覆性的,提升了行业整体运行效率。”中国人民大学应用经济学院教授陈占明认为,AI不仅能让企业优化管理决策,还能帮助企业降本增效,未来将成为越来越多新能源企业的选择。 优化能源调度 AI技术不仅能提升企业的管理效率,还能优化企业和用户之间的能源调度。 今年夏天,在南方电网云南大理供电局“源网荷储充”智能调控平台的自动调控下,云南大理天峰山风电场快速高效地将来自大理的新能源输送到云南各地及粤港澳大湾区,为千家万户带来丝丝清凉。 据相关工作人员介绍,AI智能调控模式能够高效辅助调控员进行决策、方式转供,实时进行潮流断面的动态控制、风险自动识别、辅助电力系统快速响应各种异常情况,大幅降低调度员频繁操作的风险,从而有效支撑新能源年度电量占比60%以上地区电网的安全稳定运行。 除了避免误操作、误调度,AI也能参与制定更优化的调度计划。 新能源发电具有较强的间歇性与波动性,“高温无风”“晚峰无光”等现象影响着发电质量,也给电网调度带来挑战。AI技术可以帮助整合多维数据、预测新能源电力波动,使供需更加匹配。据宋建军介绍,金风科技正在利用AI大模型技术升级现有的负荷预测系统,以期对历史发电数据、实时气象数据、电网负荷等多源异构数据分析和计算,帮助电网制定更加优化的调度计划,减少能源浪费。 极端天气是新能源发电面临的又一难点,直接影响发电稳定性。AI的分析算法可以捕捉大气实时情况、精准预测气象,提高新能源电力输出效率。例如,国能日新研发的“旷冥”大模型在预测大风、台风等极端天气事件方面表现出色,命中率有所提升,这能进一步帮助制定电网调度计划和策略,确保电力供需平衡。 AI从海量数据中进行模式识别和流程优化的能力,使其成为推动新兴能源调度模式发展的重要技术选择。 在2024国际数字能源展上,广东省深圳市发布虚拟电厂调控管理云平台3.0。该平台已接入充电桩、楼宇空调、光伏等9类共计5.5万个可调负荷资源,总容量逾310万千瓦。据工作人员介绍,凭借先进的通信采集技术,平台的数据处理能力已从上线之初的十万级跃升至百万级,整体感知时效进入毫秒级。作为一种新兴能源调度模式,虚拟电厂将闲散在终端用户的电力负荷资源聚合起来并加以优化控制,目前正在国内探索落地。AI的应用将加快分布式可再生设备的普及和使用,更好地支撑能源转型。 催生更多创新 未来,新能源应用场景的多样化将使新能源产业对AI的需求进一步增强,推动更多基于AI的创新应用落地。 例如AI可以帮助开发新能源发电和存储的高性能、低成本材料,助力能源转型。此外,自动化、智能化机器以及AI技术还可以用于海上可再生能源电站等建设场景,提供绿色、清洁的能源。 随着新能源企业逐渐向以“AI算法”为核心的管理模式变革,AI可以助力更多新产品和新模式的创新。业内人士表示,一方面,AI可以实现更高效的能源储存与管理,形成像智能风机、无人电站、新能源大数据平台等创新产品;另一方面,AI也可以辅助设计更优化的资源布局和配置,催生虚拟电厂、碳交易、备件平台交易等新模式。 目前,AI的应用更多集中在企业方面。未来,AI的潜力将进一步释放,更多地惠及用户群体。 “在能源消费领域,AI可以根据家庭用能的历史数据归纳用户的消费行为,帮助用户在各种供电方式之间择优进行切换,为用户做好微观层面的能源管理。”除了为用户提供个性化的能源消费建议,陈占明认为,AI在新能源产品和服务的销售方面也有应用空间。“通过分析人们的用能模式,构建精准的用户画像,从而降低能源消耗并提升用户参与度和满意度。” 尽管应用前景广阔,当前,AI赋能新能源领域发展还存有一些挑战与困难。 厦门大学中国能源政策研究院教授林伯强认为,AI性能的不确定性、数据孤岛与高质量数据不足、滥用与社会风险、先进算力不足以及AI自身的能源消耗等问题,都会给AI在新能源领域的应用带来挑战。对此,需要采取多维度的应对策略,包括推动数据标准化与共建共享、完善AI研发应用相关法律法规、保障数据安全和伦理规范、加大技术研发投入、优化算法模型以降低算力需求,并探索利用可再生能源支持AI基础设施的运营模式等。 陈占明认为,基于大语言模型的AI主要侧重于在既有的知识框架内处理与预测信息,而更具革新性的AI技术则有望对能源转型产生更大的影响。
  • 《洞见 | 算力的尽头是能源:科技巨头如何应对能源瓶颈》

    • 来源专题:光电情报网信息监测服务平台
    • 编译者:胡思思
    • 发布时间:2025-02-14
    • 在享受智能手机的便捷、人工智能的高效、云计算的强大时,我们很少停下来思考:这些日益普及的技术,背后究竟依赖着多少能源?从智能手机的快速运算,到云端服务器的海量数据处理,再到智能家居的自我学习,背后都有一个共同的隐形力量 —— 算力。 然而,算力并非无止境,这股力量的尽头,正是能源的极限。算力的增长和普及离不开能源的强力支撑,其尽头在于能源。能源的获取、利用效率、分配和可持续性,将决定算力未来发展的边界。 算力与能源,仿佛是两根交织的命脉,缺一不可。每一次技术的突破,都会伴随着对计算能力的更高需求,而这一切的背后,离不开对电力的依赖。最近,在白宫举行的一次会议上,OpenAI 首席执行官山姆?奥特曼(Sam Altman)提出,随着 AI 技术的飞速发展,能源需求急剧增加,这已成为不可忽视的现实。在与全球 AI 行业巨头们汇聚一堂时,奥特曼毫不掩饰地发出了迫切呼吁:"我们需要更多能源,而且要快。" 这一呼声,标志着在数字时代,算力与能源的关系已进入前所未有的紧张态势。在这一背景下,远景科技集团董事长张雷在 “2024 央视财经跨年演讲” 中指出:“今天,当我们进入人工智能时代,发现原来能量可以制造智力,只有超级的能量和算力,才能创造超级的智力,人工智能的尽头居然是能源。” 算力为何与能源密不可分? 算力是计算设备执行指令、处理数据的能力,而这些设备的运行需要依赖能源,尤其是电力。随着人工智能的迅猛发展,算力需求正以更高的速度上升,导致能源压力日益增大。从芯片运算到设备散热,从硬件制造到冷却系统维护,算力的每一步都消耗着大量能源。据 Synthesia 称,英伟达的 AI 服务器每年至少需要 85.4 太瓦时的电力,这一耗电量相当于荷兰一年的用电量。 以人工智能领域的语言模型为例,训练一个大型生成式模型,通常需要数千张高性能 GPU 或 TPU 并行工作数周,消耗的电力足以支撑一个中型城市运转数月。根据美国电力研究院(Electric Power Research Institute,简称 EPRI)的数据,每项 ChatGPT 请求消耗的能源是标准(非 AI)谷歌搜索请求的 10 倍。该组织预测,到 2030 年,数据中心耗电量占美国全部发电量的比例将高达 9.1%,而目前这一比例为 4%。 在这种背景下,尽管某些技术进步似乎可以缓解算力需求的快速增长。例如,官方披露的 DeepSeek V3 模型在 14.8T 高质量 token 数据上进行预训练时,所使用的算力仅为同类模型 Llama 3 的 1/11。这个数据给许多人带来了希望,似乎意味着未来的大型 AI 模型不再需要如此庞大的计算资源,从而可以缓解能源压力。但从产业发展的长期趋势来看,这种乐观预期或许过于简单。 AI 模型的商业化进程,很可能出现 “前沿与追随” 并存的双轨格局。前沿模型依赖先进推理架构和算法,用于解决复杂问题并获得丰厚的商业回报,这类模型对算力的需求极大;而追随模型则以低成本进入中低端市场,在规模化应用时仍需大量算力来保证应用效率。 无论是前沿模型还是追随模型,二者的共同特点是对算力的需求不断增长。尽管单个模型可通过算法优化或硬件效率提升降低训练能耗,但总体来看,算力需求与能源消耗却呈现出指数级的增长态势。因此,尽管技术创新短期内会带来一些节能效应,但随着 AI 技术应用的普及和深化,算力需求将不可避免地继续攀升,能源瓶颈也将愈加凸显。 为此,在白宫会议后,奥特曼与 AI 行业的领军人物共同提出了名为《基础设施关乎前途命运》(Infrastructure Is Destiny)的提案,呼吁美国政府在多个州建设若干个装机容量为 5 吉瓦的大型发电站,以应对日益增长的 AI 能源需求。每座 5 吉瓦的发电站成本高达 1000 亿美元,专为 OpenAI 及其他 AI 前沿公司提供电力支持。这一提案反映了数字社会中算力与能源之间日益加剧的冲突。当前,全球 5 - 7 家科技巨头大量使用算力资源,训练和运行新一代 AI 模型,对这种规模的发电站需求十分迫切。5 吉瓦的容量只是对未来算力需求的初步估算,随着技术发展,这一需求还可能进一步上升。 能源的边界:摩尔定律的悖论 摩尔定律曾是半导体行业发展的核心法则:芯片的计算能力每 18 个月翻一番,且单位功耗保持不变。这个定律促进了芯片性能的提升,也在一定程度上带动了算力的扩展。然而,随着芯片工艺逐渐逼近物理极限,摩尔定律的 “魔力” 开始衰退,单位算力的功耗并未显著下降。换句话说,算力的增长速度,已经超越了单纯依赖芯片工艺进步的阶段,更多依赖于硬件数量的增加和计算资源的集中,而这直接导致了能源消耗的加剧。我们不得不面对一个日益严峻的问题:能源供应是否能跟得上这一增长的算力需求? 全球数据中心的能源消耗正处于快速增长之中。根据国际能源署(IEA)的预测,到 2026 年,全球数据中心和 AI 行业的电力需求将翻倍。美国的情况尤为严峻,美国能源部估计,到 2027 年,50% 的新数据中心将面临电力不足的问题。预计到 2030 年,仅美国的数据中心电力需求将达到 35 吉瓦,几乎是 2022 年需求的两倍。而这仅仅是 AI 与大数据等高算力需求的初步反映。随着生成式 AI 和机器学习等技术的深入发展,算力需求将继续攀升。这种增长趋势,正迫使全球科技公司在算力需求和能源供应之间,做出艰难的抉择。 除了电力能源之外,数据中心还消耗大量的水资源。总部位于香港的智库 “中国水风险” 指出,目前中国内地 430 万个数据中心机柜的耗水量约为 13 亿立方米,约为天津全市居民用水量的 1.9 倍;到 2030 年可能会增加到 1130 万个机柜,耗水量超过 30 亿立方米。报告亦指出,随着聊天机器人的兴起,相较传统搜索,聊天机器人可能导致用水量激增 20 倍。 能源的来源:科技巨头如何应对能源危机 面对日益严峻的能源瓶颈,全球科技巨头纷纷提出解决方案,力图在算力需求与能源供给之间找到平衡点。无论是核能、可再生能源,还是边缘计算、冷却技术等一系列创新方案,都在寻找突破口,试图为未来算力的可持续增长铺路。 1.核能:稳定但不完美的选择 核能不仅能够提供高效且稳定的电力供应,还具备低碳的优势,因此成为许多科技公司解决能源瓶颈的关键选择。亚马逊、谷歌和微软等公司,都在积极探索将核能作为支撑数据中心算力的稳定电力来源。 例如,亚马逊已经在宾夕法尼亚州建设了一个靠近核电站的数据中心,以便直接利用核电的稳定供应。与此同时,亚马逊宣布将投资超过 5 亿美元开发小型模块化核反应堆(SMR),以满足其云计算服务扩展到生成性 AI 时对清洁能源的巨大需求,并作为实现净零碳排放的一部分。亚马逊网络服务(AWS)已与弗吉尼亚州公用事业公司 Dominion Energy 达成协议,探索在现有的 North Anna 核电站附近开发 SMR。SMR 具有更小的占地面积、更快的建设时间,能够更快地接入电网。亚马逊还与 Energy Northwest 达成协议,资助在华盛顿州开发四个 SMR,这些反应堆将直接向电网供电,帮助满足亚马逊运营的能源需求。 微软(Microsoft Corp.)更是与核能初创公司合作,开发小型模块化反应堆(SMR),以提供更灵活的核能解决方案。最近,微软达成协议,计划在2028年重启已经退役的三哩岛核电站(Three Mile Island),并购买该站的全部电力供应。 尽管核能具有低碳、稳定的优势,但它也面临着巨大的挑战。首先是高昂的建设和维护成本,其次是核废料的处理和管理问题。此外,公众对核能安全存在担忧,当地居民可能会抵制(英文中有 NIMBY 这个说法,即 Not In My Backyard,一项有意义的公共工程人人都希望建设,但不希望建在自己社区附近)。再考虑到漫长的许可和建设过程,核电作为一种解决方案只能发挥有限作用。 2.可再生能源:绿色能源的追寻 除了核能,越来越多的科技公司开始转向可再生能源,如风能、太阳能等,以应对日益增长的能源需求。苹果公司通过大规模投资太阳能和风能,已经实现了其数据中心 100% 依赖可再生能源的目标。Meta 也在北欧建设了多个绿色数据中心,利用当地丰富的水力和风力资源,为其全球业务提供清洁能源。 最近,谷歌宣布与美国能源公司 Intersect Power 和投资公司 TPG Rise Climate 携手,共同投资 200 亿美元,在美国打造多个由可再生能源供电的工业园区,旨在为数据中心供应清洁能源,减少碳排放。首个园区预计将于 2026 年部分投入运营,2027 年全面竣工。如果成功,这将极大地改变数据中心的建设和运营方式。谷歌及其竞争对手一直在努力为能源密集型 AI 数据中心寻找清洁能源来源。然而,美国的电力供应仍主要依赖化石燃料,新数据中心接入电网会导致更多的污染。通过这一新的合作伙伴关系,谷歌可以直接连接到太阳能、风能和电池等可再生能源,绕过传统电网,从而降低碳排放。 谷歌全球数据中心能源主管 Amanda Peterson Corio 在一份新闻稿中表示:“AI 的规模为我们提供了彻底重新思考数据中心开发的机会。为了实现 AI 的潜力,必须以新的清洁能源来源来满足不断增长的电力需求。” 然而,可再生能源也并非没有缺陷。风能和太阳能的间歇性特质,使得它们无法保证全天候稳定供应。而这一问题,直接影响了数据中心的能源保障。如何解决可再生能源的波动性,以及如何高效储存和调度这些能源,依旧是摆在科技公司面前的一大挑战。 3.中国的 “东数西算”:资源优化的探索 在中国,随着数字经济的崛起,算力需求的爆炸性增长同样带来了巨大的能源与环境压力。为此,中国提出了 “东数西算” 战略,旨在通过将数据中心从东部能源密集地区迁移至西部,以此缓解东部能源供应紧张的困境。西部地区水利和风能资源丰富,使得这一战略在一定程度上为解决能源供应问题提供了可行的路径。 然而,这一战略并非没有挑战。西部地区水资源紧张,且大量的数据中心需要消耗巨量水资源进行冷却。同时,尽管中国在推广清洁能源方面取得了一定进展,但许多数据中心仍然依赖于燃煤电力,这使得碳排放问题依然严峻。 技术突破:未来算力能源的希望与可能 技术创新或许能够为破解算力与能源之间的矛盾提供新的希望。边缘计算、量子计算、冷却技术等前沿技术,正在为数据中心的能源消耗提供创新解决方案。边缘计算通过将计算任务分布到靠近用户的终端设备或本地节点,减少了对集中式数据中心的依赖。这不仅降低了能耗,还能提升数据处理效率。随着 5G 和物联网(IoT)的普及,边缘计算可能成为未来算力发展的一大趋势。 冷却技术的进步也不容忽视。随着计算密集型任务的增多,数据中心的冷却技术成为了减少能耗的关键。传统的空调和风冷系统不仅效率低下,而且耗能巨大。例如,利用寒冷地区的自然气候,数据中心可以显著减少对传统冷却设备的依赖,同时降低能耗和运营成本。近年来,液冷技术和浸没式冷却技术的出现,为数据中心提供了更为高效的解决方案。 另一种可能性是量子计算。量子计算利用量子力学的原理,能够在某些特定任务中以极低的能耗完成传统计算机难以企及的运算。虽然量子计算目前仍处于实验阶段,但一旦技术突破并进入实际应用,它有可能大幅度减少算力对能源的需求,为解决能源瓶颈提供革命性解决方案。 算力的未来:能源限制中的平衡艺术 算力的尽头是能源,这不仅是一种物理限制,更是一种哲学反思。算力的增长是否应当无止境?我们是否能够在能源的边界内找到技术发展的最佳路径? 在可预见的未来,算力的增长将更多地依赖能源的创新性供给和更高效的资源利用。无论是核能、可再生能源,还是边缘计算、量子计算,这些技术都需要在能源、环境和社会责任之间找到平衡。科技发展的意义不在于无限制地追求算力的堆积,而在于如何让这些算力更高效地服务于人类社会。