在2025年的Token2049大会上,Akash网络创始人Greg Osuri提出了一个令人警醒的观点:人工智能训练正逼近一个能源极限,若继续以当前集中式数据中心的大规模发展路径前行,未来可能需要像核电厂那样的能源投入,甚至可能触发区域性或全球性的能源危机。这个论断并非危言耸听,而是基于当前算力需求指数级增长与现实电网承载能力之间的紧张关系。Bloomberg的报道已指出,AI数据中心正在推动部分地区电价暴涨,部分接入大量数据中心的地区,近五年批发电价上涨了267%。在这种背景下,理解问题的根源并寻找可行的解决路径,显得尤为重要。 Greg Osuri的核心担忧集中在两个方面:一是AI训练对电网的即时拉动效应,导致家庭与工业用电成本上升,并对本地空气与健康产生负面影响;二是集中式、大规模数据中心在短时间内需要持续大量化石燃料发电,进而增加温室气体排放。他在采访中直言不讳地指出,数据枢纽附近集中的化石燃料发电与冷却设施,正在对周边社区的健康产生危害,他甚至用了"AI正在杀人"这样的强烈表达来强调事态的严重性。
面对这样的警示,Osuri提出了去中心化训练作为可行路径之一。去中心化训练的核心思路是将大规模模型的训练任务从集中在少数超级数据中心的模式,转向分散在全球范围内的异构算力网络。这些算力可以包括高端企业级GPU,也可以是游戏显卡甚至家用电脑的闲置算力。类似于比特币挖矿早期的参与机制,普通用户通过贡献闲置算力参与训练,并以代币或其他形式获得回报,从而把AI发展的红利更广泛地分享给公众,同时减轻单点能耗压力。 去中心化训练的优势不仅在于能更灵活地调配地理位置与时间,从而更好地匹配可再生能源的输出波动,还在于可以通过工作负载分散减少单一地点过载导致的供电问题。分布式网络可以在电力供应富余的地区自动调度更多训练任务,或在尖峰时段降低本地计算负载,从而实现与电网更友好的协同运作。
然而,去中心化并非灵丹妙药,它面临明显的技术与激励挑战。技术上,跨异构设备进行大规模模型训练需要突破通信延迟、同步机制、模型并行与数据并行的协调问题。目前业界已有公司展示了分布式训练的若干关键技术,但尚未见到将所有环节真正整合并在生产环境中大规模运行的成熟方案。激励机制是另一大难题:为什么用户愿意贡献自己计算资源?他们能获取怎样的价值回报?如何保证提供算力者的隐私与安全,以及模型训练结果的完整性与可验证性?这些问题都需要通过经济学、加密学与系统工程的结合来设计解决方案。 除了去中心化,减缓AI训练能耗的路径还包括算法层面的优化与硬件层面的高效升级。算法方面,模型压缩、权重剪枝、低比特量化、知识蒸馏与稀疏化技术都能在不显著损失模型性能的前提下降低训练与推理的计算负担。
更进一步,研究者正探索更高效的训练范式,例如自适应子网训练、局部更新策略与更好的优化器设计,这些都能显著降低训练时所需的浮点运算量。 硬件方面,专用AI芯片与更高效的冷却与供电设计可以提升单位能耗下的算力产出。当前旗舰级GPU或TPU在能效比上已经比数年前有了巨大改善,但当模型规模以月为单位翻倍增长时,单靠迭代硬件难以长久解决问题。与此同时,数据中心的能耗不仅来自计算本身,还包括制冷、网络交换与存储系统。改进数据中心的PUE(能源使用效率)、采用液冷技术、优化服务器密度与布局也能够带来可观的节能空间。 能源端的改革同样关键。
将AI训练负载与可再生能源发电的时间窗口动态匹配是降低碳足迹的重要策略。太阳能、风能与储能系统的结合,可以在阳光与风力充足时承接更多训练任务。另一个长期选项是将核能纳入能源结构,正如Osuri所言,未来的算力需求可能需要高密度、持续供电的能源部署,核电以其稳定输出的特性成为一个不可忽视的候选。然而核能的建设周期、成本、社会接受度与废料处理问题也不容忽视,因此更务实的路径是通过混合能源、微电网与需求侧管理来平衡短期与中期的电力压力。 政策与监管层面也需要尽快跟进。透明的能源与碳排放披露标准可以为市场参与者与用户提供决策依据。
对大型数据中心的用电行为进行宏观规划,合理配置电网接入点,避免过度集中在本就电力紧张的地区,可以降低对居民生活的外部性影响。对于从事大规模模型训练的企业,设立碳定价或用电峰谷价差机制,可以在市场层面引导训练任务在低碳时段与低成本电力供给时执行,从而实现经济信号与环境目标的双重导向。 此外,应大力支持研发更高效的训练架构与开源工具,推动联邦学习、分层训练与可验证计算等技术的标准化。联邦学习可以在保护数据隐私的前提下,把训练过程分散到数据产生地,从而减少数据传输带来的能源开销。分层训练架构可以先在边缘设备完成轻量级训练,再将中间表征上传至中心节点完成更深层次训练,这样的协同方式能减少大型模型在中心化数据中心的训练负担。 激励机制的设计同样需要创新。
不仅仅是简单的代币奖励,还可以考虑按贡献量结算电力补贴、税收减免或绿色证书激励。政府可以与企业合作设立绿色算力证书市场,鼓励算力供应者按照可再生能源的供电时间表提供训练任务,消费者则可以购买低碳算力服务以减少自身碳足迹。这样的市场化机制既能吸引私人资本参与分布式算力建设,也能通过价格信号逐步优化计算资源的地理与时间分配。 社会层面的考量也不容忽视。AI产业的快速扩张若长期集中在少数低成本地区,容易带来环境不公平与健康差距。大企业在选址数据中心时,应承担更大的环境与社会责任,评估对周边社区的长期影响并采取减缓措施。
社区参与型决策可以提升透明度,降低冲突风险,并促进更均衡的区域发展。 总体来看,Greg Osuri的警示具有前瞻性与警示意义,它提醒我们AI发展并非只关乎算法精度与商业应用,更关系到能源结构、环境正义与未来社会的可持续性。去中心化训练提供了一个值得深入的技术路线与经济模型,但要真正落地,需要跨学科协作,包括系统架构师、能源工程师、经济学家、政策制定者与社区代表共同参与设计与试验。 面对快速演进的AI算力需求,企业与研究机构应优先建立能源与碳排放监测体系,对训练与推理任务的能耗进行精细化管理。行业协会与监管机构应推动能效榜单、碳会计标准与绿色算力认证体系,帮助市场识别高效低碳的算力提供商。教育层面也应加强对工程师的能效意识培养,把能源成本与环境影响作为模型设计与部署的基本考量之一。
未来的路径不会只有单一解法。核能、可再生能源、分布式训练、模型高效化、市场激励与政策监管将共同构成一个多元化的应对矩阵。短期内,通过算法优化与能耗调度即可显著抑制增长曲线的陡峭程度;中期内,推广分布式算力市场与绿色证书可以缓解电网压力并分散环境影响;长期来看,能源结构的根本转型与更智能的全球算力协调机制才是根本之道。 Greg Osuri的观点对行业是一记警钟,也是一种激励。它提示我们,AI的未来不仅要跑得更快,还要跑得更稳、更公平、更加环保。现在正是全行业与社会共同思考与行动的关键时刻,唯有在技术、市场与政策三条轨道上并行发力,才能避免算力繁荣成为资源紧张与环境危机的导火索,并让AI真正成为推动可持续发展的力量。
。
