訓練一個 AI 模型到底要花多少電和水？從物理學看 Google 的 2050 億

一句話結論： Google 一年花 2050 億美元訓練 AI，但這些錢到底買到了什麼？從 GPU 耗電量到資料中心用水量，本文用物理學角度拆解 AI 訓練的「真實成本」。

當 Google 宣布全年資本支出上看 2050 億美元時，大部分人關注的是金錢成本。但從物理學的角度來看，AI 訓練的真正成本不是金錢——而是能源和資源。

訓練一個大型語言模型到底需要多少電？多少水？產生的碳排放有多少？這篇文章用物理學的視角，為你拆解 AI 的「隱形成本」。

訓練一個 AI 模型需要多少電？

要回答這個問題，我們先看一個具體的例子。訓練 GPT-4 等級的模型，大約需要 2 萬到 5 萬顆 NVIDIA H100 GPU 連續運行 90 到 100 天。

每顆 H100 GPU 的熱設計功耗（TDP）是 700 瓦。假設 3 萬顆 GPU 同時運行：

```

30,000 GPU × 700 W × 24 小時 × 90 天

= 30,000 × 0.7 kW × 2,160 小時

= 45,360,000 千瓦時（kWh）

```

換算成更容易理解的數字：約 4500 萬度電。這大約是 1.5 萬個台灣家庭一年的用電量。而這只是「一次訓練」的成本——實際開發過程中可能要訓練幾十次甚至上百次。

資料中心的水冷需求

GPU 運轉產生大量熱，需要冷卻系統來降溫。大型資料中心通常使用水冷系統或蒸發冷卻技術。

根據研究，訓練一個大型語言模型大約需要蒸發 70 萬公升的淡水——相當於一個小型水庫的蓄水量。這些水在冷卻過程中蒸發，不會回到水源系統中。

Google 2050 億元的資本支出中，約 40% 用於資料中心建設，其中包括冷卻系統的投資。這說明資源成本已經成為 AI 基礎設施的核心考量。

碳排放的取捨

即使使用 100% 再生能源，資料中心的建設本身也產生大量碳排放——水泥、鋼材、晶片製造。台積電生產最先進晶片的過程，本身就是能源密集度最高的工業製程之一。

不過，這裡有一個重要的觀點需要平衡：AI 也在幫助解決能源問題。Google DeepMind 已經用 AI 優化資料中心的冷卻系統，節省了 40% 的冷卻能耗。AI 也被用於核融合研究、氣候模型、新材料開發——這些都可能從根本上解決能源問題。

2050 億的物理學分配

回到 Google 的 2050 億資本支出。這筆錢的物理學分配大概是：

約 60%（1230 億）：購買 GPU 和伺服器——這些硬體本身需要大量的稀土、矽、銅等原物料，以及複雜的製造流程
約 40%（820 億）：資料中心建設——土地、建築、冷卻系統、電力基礎設施
研發成本：測試和訓練階段消耗的電力和水資源

AI 的「能源回報率」

現在有一個新興的概念叫做「能源回報率」（EROI, Energy Return on Investment），用來評估 AI 花費的能源是否能透過 AI 節省更多的能源。

初步研究顯示，AI 在以下領域的能源回報是正面的：

優化數據中心冷卻：節省 40% 冷卻能耗
智慧電網管理：提升再生能源使用效率 10-20%
交通路線優化：減少燃油消耗 5-15%
建築能源管理：節省暖通空調能耗 20-30%

但 AI 訓練本身的能源消耗增長速度，是否超過了它節省能源的速度？這個問題還沒有明確答案。

常見問題 (FAQ)

Q: 訓練一個 AI 模型到底用多少電？

A: 以 GPT-4 等級的模型為例，一次訓練約耗電 4500 萬度，相當於 1.5 萬個家庭一年的用電量。

Q: AI 訓練會消耗大量水資源嗎？

A: 是的。大型資料中心的蒸發冷卻系統在訓練過程中會消耗大量淡水——每次訓練約 70 萬公升。

Q: Google 2050 億的分配比例是？

A: 約 60% 用於伺服器/GPU，40% 用於資料中心建設（包括冷卻、電力等基礎設施）。

Q: AI 對環境到底是好是壞？

A: 短期內 AI 訓練消耗大量能源和水資源，但 AI 也被用於優化能源系統、氣候研究和材料開發——長期的環境影響取決於能源回報率。

Q: 有沒有更環保的 AI 訓練方法？

A: 蒸餾、量化、稀疏化等技術可以降低模型大小和訓練能耗。此外，使用 100% 再生能源的資料中心也能顯著降低碳足跡。

Q: AI 的能源消耗會持續增長嗎？

A: 短期內會，因為模型規模仍在快速增長。但硬體效率（如更節能的 GPU）和演算法進步可能在中長期減緩增長速度。

Jianm's Blog

搜尋此網誌