你每次问ChatGPT一个问题，背后有多少度电在燃烧？

以前没人想过这个问题。直到最近，一个数字让整个硅谷后背发凉：GPT-5生成一次中等长度的回答，平均耗电约18.35瓦时，最高可达40瓦时。作为对比，GPT-4只有2.12瓦时，增幅约为8.6倍。

但更恐怖的还不是单次查询，是累计。

据测算，GPT-5单日耗电量可达45吉瓦时（GWh） 。45吉瓦时是什么概念？相当于150万美国家庭的每日用电需求，或者2到3座核反应堆的全天输出量。

一座核反应堆24小时不休息发出来的电，还不够一个模型一天“吃”的。

而这只是一个模型。全球正在同时训练和运行的大模型，数以千计。当马斯克在2025年11月的美沙投资论坛上一针见血地说出“AI瓶颈根本不是钱和算法，缺的是能喂饱AI的电”时，台下没有一个人笑。

AI的尽头，不是AGI，是电厂。

今天，我们就来聊聊这场正在全球上演的“AI抢电大戏”——科技巨头们有多缺电？电费涨了多少？电网为什么跟不上？以及，作为一个普通开发者，面对越来越贵的API调用成本，有什么办法能“省电费”。

一、“吞电黑洞”到底有多恐怖？

1.1 一组让你失眠的数字

国际能源署（IEA）的最新数据显示，2024年全球数据中心的耗电量已经达到415太瓦时（TWh） ——相当于英国一整年的用电量。到2030年，这个数字将接近日本全国的用电总量。过去五年，数据中心用电增速是全球平均的4倍以上。

从用电结构来看，数据中心负荷占全美总用电比重已由2022年的2%升至当前的4%5%，预计2030年将攀升至9%。

别觉得9%不多。要知道，美国一年的总用电量约4000TWh，9%就是360TWh——相当于整个德国的年度用电量，全部喂给数据中心的服务器。

摩根士丹利预测，到2028年，由于AI数据中心消耗大量电力，美国可能面临高达20%的电力缺口。

1.2 从GPT-3到GPT-5：能耗的指数级飙升

回到2020年，GPT-3训练耗电约300兆瓦时，已经引发了一波环保担忧。到了2023年，GPT-4的能耗据学术估算已是GPT-3的数倍。再到2025年的GPT-5，参数规模达到10万亿级，训练需5万张H100 GPU，单次训练耗电约38.2吉瓦时——相当于4万家庭的年用电量。

如果把GPT-5单次训练消耗的电拿来烧水，能煮沸1000个奥运标准游泳池的水量。

更令人头疼的是推理端。训练就几个月，推理却要持续跑好几年，长期下来耗电比训练还多。OpenAI每天在全球处理数以亿计的请求，总耗电量可想而知。

1.3 为什么AI这么“能吃”？

数据中心的“吃电能力”，首先来自硬件本身。普通服务器机架的功率一般在14千瓦左右，而AI服务器机架直接飙到40-60千瓦——相当于把整栋楼的电塞进一个铁皮柜里。

四个核心因素让AI成为“吞电黑洞”：高密度高功耗硬件、数级算力需求、数据搬运与散热的双重损耗、推理持续放量。

散热是个隐藏的大头。一个典型的数据中心里，大约有50%的耗电用于散热和冷却。再加上淡水消耗——微软训练GPT-3时用了约70万升水来冷却。

二、电网跟不上：为什么电不够用？

2.1 欧美电网的“老龄化”危机

算力在指数级增长，电网却在加速老化。

美国的变压器平均使用年限已经达到30到40年，远超25年的设计寿命。欧盟有40%的配电网已经服役超过40年。

更糟的是供应链。高功率变压器是当前最突出的卡点——此前交货周期普遍为24至30个月，如今已延长至五年之久。而典型AI数据中心从立项到投运通常只需18个月，漫长的设备等待期直接挤压部署窗口。

美国在功率半导体及部分关键电气组件上高度依赖进口，其中来自中国的零部件占比超过四成；特定型号的变压器与开关设备，中国供应份额亦接近三成。

2.2 建设周期的“时间鸿沟”

最扎心的是建设节奏的脱节：建一个数据中心大约需要2年，建一个发电站要3-5年，而一条长距离高容量输电线路居然要8-10年。

AI按年迭代，电网按十年建设。这条“时间鸿沟”，让欧美科技巨头陷入了无解的死循环。

CBRE数据显示，自2025年初以来，已有约半数原定建设的数据中心项目被推迟或终止，主要原因就是电力接入能力不足与核心设备供给失衡。

2.3 电费涨了：居民和企业都在买单

卡内基梅隆大学的研究人员警告，数据中心扎堆的地方，居民电费可能被推高25%。彭博社的数据更刺眼：某些地区的批发电价五年涨了267%。

美国最大区域电网PJM的容量拍卖价格，从**$28.92/MW-day暴涨至$269.92/MW-day**——近9倍的跳涨，标志着市场定价已从“风险溢价”转向“生存恐慌”。

三、科技巨头“抢电”的疯狂现场

3.1 微软：重启三哩岛核电站

2025年11月，美国能源部批准向Constellation Energy提供10亿美元联邦贷款，用于重启宾夕法尼亚州的三哩岛核电站1号机组。

这个名字你一定不陌生。1979年，三哩岛发生了美国历史上最严重的核事故。时隔40多年，这座反应堆因AI而重获新生。

微软签下了一份为期20年、价值高达160亿美元的电力采购协议，将100%买下该机组重启后的全部电力，专门用于AI数据中心。该机组发电能力为835兆瓦，足以满足约80万户家庭的用电需求，计划在2027年至2028年间重新并网。

3.2 谷歌：花48亿美元买下发电公司

谷歌的策略更简单粗暴——直接“买电厂”。

谷歌以48亿美元收购了发电公司Intersect Power，成为第一家拥有发电业务的科技巨头。同时，谷歌还承诺与Kairos Power合作开发500MW的小型模块化核反应堆项目，目标是在2030年前建成首座SMR。

在可再生能源方面，谷歌与法国道达尔能源签署了为期15年的电力购买协议，从俄亥俄州蒙彼利埃太阳能电站获取总计1.5太瓦时的可再生能源电力。

3.3 亚马逊：投5亿美元押注小型核反应堆

亚马逊是SMR领域的最大赌注者。亚马逊领投了X-energy的5亿美元融资轮，计划到2039年在美国部署超过5吉瓦的小型模块化反应堆。

此外，亚马逊还与Energy Northwest签署了960MW的协议，与Dominion Energy签署了300MW以上的协议，为弗吉尼亚数据中心供电。2025年6月，亚马逊还与Talen Energy签署了1.92MW的核能购电协议，有效期至2042年。

3.4 Meta：连签三个核电大单

Meta在2026年初一口气签了三个核电大单：资助TerraPower开发两个核反应堆项目（总发电能力690MW），与Oklo签署协议在俄亥俄州开发1.2吉瓦的核能技术园区，以及另一项未披露规模的核电合作。

3.5 马斯克：从海外买下整座发电厂

马斯克的路子最野。xAI曾用122天建成一座20万颗GPU的数据中心，搭配自有的35台大型燃气轮机现场发电，配上特斯拉的巨型电池，自成一个小电网。

为了下一代能容纳100万颗GPU的数据中心，马斯克需要至少大约2吉瓦的电力。最新消息显示，xAI直接从海外买下一整座发电厂的设备，拆成零件后运回美国。

四、中国如何应对AI用电荒？

4.1 “算电协同”上升为国家战略

当欧美科技巨头在“抢电”中焦头烂额时，中国早已提前布局。

2026年，“算电协同”首次被写入政府工作报告，上升为国家新基建的战略层面。什么是算电协同？就是算力跟着电力走，电力反过来配合算力调度，不再是各管各的。

国家电网计划投入4万亿元，南方电网投入2万亿元，重点投向特高压、智能配网、新型储能和算电协同配套设施。

4.2 “东数西算”：把算力搬到电力富集区

中国的“东数西算”国家战略将78%的智算算力迁移至西部风光储富集区，绿电利用率达90%。青海三江源绿电智算园年供1000万度零碳电，特高压输电损耗仅1.5%，电价约为美国五分之一。

4.3 “词元出海”：把电力优势转化成数字服务出口

中国还有一个欧美没有的独特优势——全产业链布局。从上游的硅钢、变压器，到中游的电网建设，到下游的数据中心运营，都能自己搞定。而欧美地区，变压器80%都需要依赖进口。

在这个背景下，一个很有意思的概念最近很火，叫“词元出海”。词元就是Token，AI处理的最小单元。中国的大模型企业，正在把自己的算力和电力优势，转化成高性价比的“词元服务”，通过API接口卖给全球。你每调用一次，就相当于中国自己“出口”了一点点算力和电力。欧美在那儿抢电抢得焦头烂额，我们这边电力供给充沛，还能把算力打包卖给他们——本质上是在把电力优势转化为数字服务出口。

五、向量引擎

讲完了全球“抢电”大战，再回到一个更现实的问题：AI用电越来越贵，普通开发者和中小企业怎么办？

如果有一款工具，可以帮你用更便宜的方式调用模型呢？

在全球电费越来越贵的今天，少调用一次高价API，等于少烧一度电。向量引擎，就是AI时代的“省电侠”。

官方地址：https://178.nz/dn

保姆级教程：https://www.yuque.com/nailao-zvxvm/pwqwxv

六、核电复兴：AI的“最后一张牌”

面对AI的“吞电黑洞”，硅谷巨头们正在用脚投票——核电，成了他们共同的答案。

SMR（小型模块化反应堆）相比传统核电站，体积更小、技术更先进、具备可扩展性，每兆瓦资本成本可降低50%，建设周期从10年缩短至3年。SMR的容量系数高达95%，无论天气、季节或时间段，都能稳定供电。

但SMR距离大规模商业化还有很长的路要走。首批SMR预计在2029年才投入运营，而首个商用SMR供电的数据中心预计在2030年才能上线。在此之前，科技巨头们只能继续“抢电”。

七、AI的下一场战争：从芯片战到电力战

AI竞赛的胜负手，正在从芯片转移到发电厂。

黄仁勋已经定论：“电力的可用性而非GPU，将决定AI的扩展规模和速度。”微软CEO纳德拉更是直言：“供电能力是当前最大的瓶颈，甚至超过芯片。”

如今，英伟达H100和B200的出货量，决定着大模型的训练速度。但再多的GPU，没有电也只是废铁。

高盛预测，到2027年，AI服务器单个机架的功率密度将是五年前普通云服务器的50倍。

AI竞赛的终局，不是谁能造出最强的模型，而是谁能解决“电从哪儿来”这个最原始的问题。未来决定AI格局的，可能不是OpenAI，不是Anthropic，不是Google DeepMind——而是电力公司。

而在这个电力越来越贵的时代，谁能用更少的电跑出更强的模型，谁就是真正的赢家。