克服能源障碍
1.000 TWh
到 2026 年，全球数据中心将突破 1,000 TWh 大关，人工智能将占其中的 30% 左右。
每个代币的效率提升
> 280 x
效率历来都在提高，但使用量的增长最终会吸收这些节省。
电价的潜在压力
+ 80 %
人工智能集群已经给多个市场的水、电网和发电能力带来了压力。
AISHA 的结论并不是人工智能会自行停止，而是需求、基础设施和成本的结合正在推动系统走向越来越不抽象的物理极限。
返回报告
可持续性
能源消耗和可持续性预测
随着需求的升级，增长、能源紧张和可持续性情景。
人工智能的三难困境：能源、地缘政治和盈利能力
AI的扩展不再仅仅在基准测试中发挥作用。本报告预测了三种力量如何碰撞：消费增长、基础设施的地缘政治脆弱性和部署的经济压力。
全球视野：数据中心和有形的等价物
2024 年，人工智能仍占该行业需求的一小部分。到2028年，在大规模采用的情况下，它已经可以在累计消费方面与整个国家竞争。
数据中心消费的演变
该条将人工智能引起的消耗与数据中心园区的其他消耗进行叠加。
杰文斯悖论：更高的效率，更多的总消耗
每个查询的效率从根本上提高，但更便宜的使用加速需求的速度比每次推理节省的速度快得多。
效率与需求
两条曲线不再一起移动：技术改进降低了每次咨询的成本，而使用量却在增加。
效率的胜利
- 在 12 个月内，Google 等领先者将每次查询的能耗从几瓦时降低到接近 0.24 瓦时。
- MoE 架构、量化和缓存使基础文本成本接近 0.10-0.15 Wh 左右。
- 物理限制开始变得重要：效率不断提高，但每一次额外的跳跃成本都会更高。
需求爆炸
- 人工智能在很短的时间内从数十亿次日常交互扩展到数百亿次。
- 深入的研究和代码代理通过长会话、工具调用和循环增加了每个任务的消耗。
- 边际成本的降低鼓励更多的使用、更多的自动化和对电力资源的更多依赖。
按模式预测
并非所有 AI 负载都是一样的。文本、推理、图像、代理和视频以截然不同的方式推动基础设施。
2026年AI消费预估分布
数量并不能说明全部情况：推理、代理和视频在每项任务上集中了更多的精力。
文本和聊天库
它继续集中数量，但边际成本很小。这是最优化的方式。
适应性推理
通过生成内部思维和长推理链，快速增加每个查询的消耗。
图像和渲染
每一代消耗的不仅仅是文本查询，并且如果重复直到正确，则扩展性很差。
代码代理
成本不再是一个答案，而是一个包含上下文、搜索和工具的完整会话。
生成视频
它是最具活力、最具侵略性的方式，也是最能引发商业高峰的方式。
水、排放和材料限制
人工智能真正的可持续性不仅仅取决于模型。它还取决于它的冷却方式、为其供电的电力组合以及它的部署位置。
用水量
它包括直接冷却和与发电相关的水。
人工智能造成的排放
电网的碳强度继续决定着部署之间的巨大差异。
提高效率并不能消除物理问题：如果增长是靠稀缺的水、柴油或当地天然气以及饱和的网络来支撑的，那么总的环境成本就会继续增长。
红色区域警报
- 在用水紧张和数据中心集中的地区，用水冲突日益增多。
- 由天然气或柴油支持的部署降低了“清洁”人工智能的说法，并将问题从可见的网格中移开。
- 即使模型效率提高，人工智能需求和未准备好的网络之间的紧张关系也会增加排放量。
电力市场：价格和地理
对 24/7 连续充电的需求迫使我们寻找廉价电力、移动集群并承担不断增加的容量溢价。
+ 833 %
PJM（美国东北部/弗吉尼亚州）
容量拍卖大幅上涨，对住宅的影响将延续到最终收据中。
+ 79 %
ERCOT（美国德克萨斯州）
来自人工智能集群和传输瓶颈的综合压力已经预示着批发的强劲增长。
廉价电力
地理移民
公司正在寻求水力发电、大规模太阳能和饱和度较低的地区来维持增长。
这种模式不断重演：人工智能不仅消耗能源，它还重新安排了最适合安装电力的地方、谁来支付费用以及哪些地区吸收了增长的后勤摩擦。