研究指出生成式 AI 所消耗的能源，到了2027 年用電量將超過某些國家一年耗電

總部位於紐約的人工智慧開發公司 Hugging Face 報告稱，其多語言文字生成人工智慧工具在訓練期間消耗了約 433 MWH，足以為 40 個普通美國家庭提供一年的電力。

生成式AI的運算需求

訓練大型語言模型（LLMs），比如OpenAI的ChatGPT，以及Google的同類產品Bard，意味著在大量資料中解析和運算聯繫，這就是這些模型往往是由擁有大量資源的公司開發的原因。這些模型需要大量的運算能力，目前只有大型科技公司才能訓練這些模型。

雖然OpenAI和Google都沒有說過他們各自產品的運算成本是多少，但研究人員的協力廠商分析估計，ChatGPT部分基於GPT-3的訓練消耗了1287兆瓦時，並導致了超過550噸的二氧化碳排放量。

而在最近的設計自動化大會（Design Automation Conference）上，AMD 首席技術官 Mark Papermaster 放出了一張幻燈片，上面展示了機器學習系統的能耗（圖 1）與全球發電情況的對比。 

▲ 機器學習的能耗。資料來源：AMD

加拿大資料中心公司QScale聯合創始人馬丁·布沙爾（Martin Bouchard）認為，如果在搜尋過程中加入生成式人工智慧，需要「每次搜尋至少增加4到5倍的運算量」。他指出，ChatGPT先前對2021年底之後的事情是不理解的，這在一定程度上減少了運算需求。但為了滿足搜尋引擎使用者日益增長的需求，這將不得不改變。

環境足跡和能源成本

為了減少「將人工智慧整合到搜尋中」的環境足跡和能源成本，可以將資料中心轉移到更清潔的能源上，以及重新設計神經網路以提高效率，減少所謂的「推理時間」（即演算法在新資料上工作所需的運算能力）。

谷歌發言人珍·派克（Jane Park）告訴《連線》雜誌，Google最初發表的Bard版本是由一個羽量級大型語言模型提供支援的。派克說：「我們還發表了一項研究，詳細介紹了最先進的語言模型的能源成本，包括早期和更大版本的LaMDA。我們的研究結果表明，將高效的模型、處理器和資料中心與清潔能源相結合，可以將[機器學習]系統的碳足跡減少1000倍。」

人工智慧的能源足跡並不會隨著訓練而結束。德弗里斯的分析表明，當該工具投入工作（根據提示生成資料）時，每次該工具生成文字或圖像後，它也會使用大量的計算能力，從而消耗大量的能源。例如，ChatGPT 每天的運行費用可能為 564 MWh。

Google已經將生成式人工智慧納入公司的電子郵件服務中，並正在測試利用人工智慧為其搜尋引擎提供動力。目前該公司每天處理多達 90 億次搜尋。根據資料，德弗里斯估計，如果Google每次搜尋都使用人工智慧，每年大約需要 29.2 TWh 的電力，相當於愛爾蘭一年的用電量。