在新一轮人工智能热潮中,模型规模和算力需求呈指数级增长,但背后的能源代价被广泛低估。阿卡什网络(Akash Network)创始人Greg Osuri在2025年Token2049会议期间接受Cointelegraph采访时直言,若不改变当前集中式训练模式,AI训练有可能推动一次全球能源危机。他指出,现有数据中心已经消耗数百兆瓦的化石燃料电力,部分地区的批发电价在过去五年上涨了267%,普通家庭电费也因此承压。更令人担忧的是,集中式数据中心周边的化石燃料使用集中导致的健康与环境影响,正开始在公共卫生层面显现。Osuri总结道,AI的扩张若继续沿用当前路径,后果将超出技术行业的范畴,成为社会性问题。 问题的核心在于规模化训练的算力集中与能源密集。
大型模型训练通常在少数超大规模数据中心完成,这些设施集中了成千上万块高性能GPU与专用加速器,同时需要强大的制冷、电力与网络支持。单次训练一个领先的基础模型,耗电量可以相当于数千户家庭一年的用电。随着模型参数从数十亿到数万亿,训练轮次和推理实时服务的需求也在攀升,导致数据中心的用电尖峰频率和持续时间增加。 集中式模式带来的直接后果包括电网负荷剧增、批发电价上扬、对化石燃料发电的依赖加重,以及局部空气质量与健康问题。更广泛的影响还涉及碳排放增长与气候目标偏离。面对这些挑战,Osuri提出了"去中心化训练"作为缓解路径:通过把训练任务分散到全球规模更广、类型更混合的GPU网络上,既能降低对单一地点电力的依赖,也能把闲置算力转化为可利用资源,形成一种兼具经济与环境效益的新范式。
去中心化训练并非空想。回顾比特币早期挖矿,普通用户通过提供算力获得奖励,形成了去中心化的算力市场。Osuri认为,若能为提供算力的个人或小型机房设计合理激励机制,家庭电脑、游戏显卡、边缘服务器乃至企业级闲置设备都能参与模型训练,从而稀释对超大规模数据中心的依赖。这样的网络不仅有望降低单次训练的能耗集中程度,还能把收益分散回社区,为普通民众在AI经济中创造新型收入来源。 然而,要把去中心化从概念变为现实,需要解决多层挑战。技术上,跨异构GPU、不同带宽与延迟条件下进行大规模同步训练,需要算法与软件栈的重大突破。
分布式训练对通信效率、容错能力与负载均衡提出高要求。部分公司已经开始展示分布式训练的若干组成部分,但要把所有要素整合并在生产环境中运行大模型,仍需时间。经济上,关键问题是如何设计激励与结算机制,让设备所有者愿意贡献算力并承担相应的能耗与风险。区块链与代币化激励是可能的路径,但需要在可扩展性、监管合规性与用户体验之间找到平衡。 在能源角度,去中心化并非万能解药。即便把训练负载分散到全球,也必须考虑电网的清洁度与时变性。
如果大量训练任务集中在某些使用化石燃料比例高的地区,碳强度并不会显著下降。因此,真正的可持续路径应是多措并举:提升模型与训练算法能效、优化硬件设计、采用可再生能源与高效冷却技术,以及通过智能调度把训练负载转移到低碳时段或低碳地区。 在模型与算法层面,有明确的减排空间。模型蒸馏、稀疏化、混合精度训练与低秩近似等技术,都能在不显著损失性能的前提下减少计算量。训练过程中的超参数优化、早停策略与自动微调也有助于避免不必要的计算浪费。与此同时,推理部署端的模型压缩与边缘化推理能减少在线服务的持续能耗。
业界必须把算法效率作为衡量进步的重要指标,而非仅以模型参数或基准得分来衡量成功。 硬件与数据中心设计同样关键。提高能源使用效率(PUE)、采用浸没式液冷、回收余热用于供暖或工业用途,都能显著降低总能耗。与当地电网签订长期可再生能源购电协议(PPA),或建设配套的风光储一体化系统,可以平衡训练负载与可再生发电的日夜与季节性波动。部分厂商正在探索把数据中心迁移到低碳电力较充裕的地区,或在海上与极地等地点建设以利用冷却与可再生资源优势的设施,但这些方案也带来传输延迟与地缘政治风险。 政策与监管层面需要提前介入,以避免能源市场扭曲与社会不公。
地方电价飙升会把额外成本转嫁给居民,造成能源贫困的扩大。政府可以通过差别化电价、优先可再生能源接入、碳边界调整等手段引导AI训练负载朝低碳、高效率方向迁移。对大规模数据中心的用地审批、电力配套与环境影响评估也应更加严格,同时鼓励分布式算力市场与社区算力项目的试点与规范化发展。 另一个被提及的极端方案是核能。在采访中,Osuri点出未来AI训练可能需要像核电站那样的能量输出水平。实际操作上,核能提供的基载电力确实能满足持续且大规模的算力需求,但核能扩张面临高昂成本、建设周期长、安全与废料处置问题,以及公众接受度的限制。
把核能作为AI能耗问题的一部分,需要在社会、经济与环境层面进行全面评估,并结合可再生能源与需求侧管理形成多元化能源供给体系。 在短中期内,更现实的路径是提升能效与推进分布式解决方案的试点。企业可优先在训练调度中加入碳感知机制,根据地区电网碳强度动态安排计算任务。云服务与AI平台提供商可以为开发者标注训练与推理的碳足迹,让决策者在开发与部署时权衡环境影响。学术界与工业界的合作也至关重要,共同设立衡量算力效率与碳排放的行业标准与透明披露机制,以便监管机构与公众监督。 社会层面的讨论不可忽视。
能源与环境问题具有人群分布不均的特点,数据中心与发电厂通常集中在低收入社区附近,导致健康风险和环境负担集中转嫁。这种环境不公与AI训练需求的扩大可能会加剧社会矛盾。设计公平的激励机制、把分散式算力收益带回社区、并在数据中心选址与排放管理中纳入社会影响评估,是确保AI发展兼顾社会正义的重要方面。 要实现去中心化训练的愿景,还需解决信任与安全问题。把训练任务分发到大量不受信任的设备上,如何保证模型安全、数据隐私与训练结果的完整性,是关键技术难题。联邦学习、同态加密与安全多方计算等技术能在一定程度上提供保护,但通常以更高的计算与通信开销为代价。
如何在能效、安全与隐私之间取舍,以及如何在去中心化网络上建立可靠的验证与奖励机制,是未来研究与工程的重点。 从经济角度看,分布式训练能把算力市场化,带来新的商业模式:按需租用家庭或边缘算力、按碳强度定价、以代币化激励参与者、或为社区建立算力合作社等。要让这些模式可持续,需要明确结算机制、降低参与门槛、并提供易用的工具链与监测手段。监管也应提供清晰框架,防止市场被投机或洗钱等行为利用。 面对潜在的能源危机风险,整个科技行业与政策制定者需尽快行动。产业界应把能耗与碳排放纳入核心KPI,研究机构加速高效算法与硬件的研发,电力部门与AI公司合作实施时变调度与灵活负荷管理,政府则通过补贴、监管与标准引导市场走向低碳可持续发展。
普通公众也应提高对AI能耗与环保影响的认识,支持透明披露与社区参与的项目。 Greg Osuri的警示并非危言耸听,而是对当前趋势的严肃提醒。AI带来的生产力与社会价值巨大,但若不重视背后的能源与环境代价,技术红利可能被能源危机与环境退化吞噬。分布式训练与去中心化算力市场提供了值得投入的路径,但要实现广泛落地,需要技术、经济、政策與社会多方协同。只有在能效、清洁能源与公平分配三者并重下,人工智能的发展才能既强劲又可持续,为未来社会带来真正的福祉而不是新的危机。 。
