人脑的能耗大约为20瓦特。世界上最快的超级计算机，位于深圳的LineShine，消耗4220万瓦特。这个差距已成为互联网关于人工智能能耗的热门论点，而大部分内容都是错误的。
这种比较本身是成立的。然而，社交媒体上流传的数字追溯到一篇单一的论文。最引人注目的那个数字已经被错误引用了三年。
人工智能能耗：20瓦特实际上能买到什么
20瓦特的数字基于数十年的代谢测量。大脑占身体重量的约2%，并且大约消耗20%的静息氧气。
神经元的数量比看起来要不稳定。广泛引用的860亿这个数字基于四个男性大脑，目前在《大脑》期刊中受到争议。
病毒式传播的帖子通常使用12瓦特而不是20瓦特。这个数字出现在2023年《人工智能前沿》的一篇论文中，完全没有任何引用。
同一篇论文产生了大家分享的数字。其作者估计，数字重建一个人脑将消耗27亿瓦特。
这个估计是通过将1000万个神经元的模拟外推到鼠标规模，然后乘以一千得出的。
论文还指出，该模拟的运行速度比生物慢约30000倍。社交帖子省略了这一细节。二手来源随后将这个数字归功于蓝脑计划，而该计划从未发布过这个数字。
可靠的数据确实存在于其他地方。Epoch AI 在2025年初估计一个典型的 ChatGPT 查询消耗 0.3 瓦时。Joule 上的一项同行评审研究后来得出了 0.31 的结果。
两个独立方法如此接近地达成一致是非常不寻常的。然而，这个数字随着工作负载的变化而急剧变化，产生更长答案的推理模型可能会花费几倍的成本。
生物学的不同之处，以及硅所复制的内容
皮层活动是稀疏的。平均发射率低于 1 Hz，能量随变化而变化，而不是时钟周期。
现代 AI 独立得出了相同的结论。Kimi K2 每个令牌激活 32.6 亿个其 1.04 万亿参数，接近 3.1%。
这个比例正在快速下降。Mixtral 在2023年使用了大约 28% 的参数，而 DeepSeek-V3 现在使用 5.5%。
生物学的计算精度也很低。神经元内部没有任何东西解析为 32 位。
芯片制造商遵循了相同的路径。DeepSeek 在八位精度下训练了一个 6710 亿参数的模型。NVIDIA 此后在四位精度下预训练了一个 120 亿参数的模型。
第三个区别是最大的，也是最少被复制的。大脑在同一物理位置存储记忆和计算。
数字机器将它们分开。斯坦福大学的马克·霍洛维茨展示了这种分裂的成本。从内存中获取操作数可能消耗的能量是算术本身的数百倍。
从未到达的脑形芯片
专门模仿神经元的硬件面临困难。没有神经形态或模拟系统在生产中训练或运行前沿模型。
英特尔的Hala Point在1,152个芯片上集成了11.5亿个人工神经元。它仍然是安装在桑迪亚国家实验室的研究原型。英特尔神经形态计算实验室主任迈克·戴维斯在2024年对《注册》表示：
“我们目前没有将任何LLM映射到Hala Point上。我们不知道该怎么做。”
商业前景仍然较为薄弱。BrainChip是该领域的旗舰上市公司。去年三月季度，它报告客户收入为70万美元，而运营支出为530万美元。
其他公司则完全停滞。Rain AI寻求1.5亿美元融资但未能成功，并在2025年探索出售。
该领域的研究人员描述了一个循环问题。田纳西大学诺克斯维尔分校的电气工程和计算机科学助理教授凯瑟琳·舒曼表示：
“硬件公司在等待一个杀手级应用的出现，但在没有硬件进行原型设计的情况下，很难理解如何构建这些应用。”
超过20名研究人员在2025年签署了一份在《自然》杂志上发表的共识论文。论文认为该领域仍然缺乏所需的生态系统。
生物学的原则胜出。为了体现这些原则而构建的硬件却没有。
每个人都在争夺相同的电子
效率现在变得重要，因为电力已成为限制因素。国际能源署预计到2025年全球数据中心的电力消耗将达到485太瓦时。
专注于人工智能的设施在那一年增长了50%。该机构预计到2030年它们将增长三倍。
现在，电网接入而不是芯片供应限制了建设。根据劳伦斯伯克利国家实验室的数据，从互联请求到商业运营的中位时间超过五年。
微软首席执行官萨提亚·纳德拉在11月表示，他的公司持有无法接入的处理器。短缺的是供电建筑，而不是硅。机构投资者对电网准备情况提出了类似的问题。
比特币矿工花了十年时间解决这个问题。他们拥有已通电的场地、签署的电力协议和新来者需要等待多年才能获得的互联权利。
结果使得挖矿变成了一项能源和基础设施业务。改造一个正在运行的场地的成本大约为每兆瓦300万到400万美元。根据VanEck的估计，新建场地的成本为每兆瓦1000万到1200万美元。
宣布的交易价值巨大。公共矿工签署的人工智能合同总价值超过700亿美元。
交付的容量讲述了一个更安静的故事。2026年第二季度的文件显示，整个行业实际通电的容量约为750兆瓦。
Core Scientific 约占这些兆瓦的 437。Galaxy 的 Helios 校区提供了 133；TeraWulf 102；IREN 50；Riot 25。Hut 8 已签约 949 兆瓦，但尚未启用。
这一转变代价高昂。矿商 MARA 和 CleanSpark 的季度合并亏损在 8 月达到了 8.51 亿美元。
大多数矿业能力将永远无法转换。7 月份呈现的初步剑桥调查数据显示，约 10% 的矿工已将电力分配给 AI。
障碍是物理性的。矿业可以容忍中断，而 AI 租户则要求稳定的电力、密集的冷却和远程站点很少具备的光纤。
尽管如此，发展方向是明确的。Core Scientific 现在有 83% 的收入来自共置，仅有 13% 来自矿业本身。
投资者已经将这一转变考虑在内。持有签署租约的矿工的交易倍数远高于其启用的电力。同时，下一个 AI 投资越来越像是电力而不是芯片。
为什么效率无法解决 AI 能源使用问题
过去，效率提升吸收了需求增长。全球数据中心计算能力在 2010 年至 2018 年间增长了 550%，而能源使用仅增长了约 6%。
然后这一模式被打破。美国数据中心的消费从 2014 年的 58 太瓦时上升到 2023 年的 176。
进化在一个硬性上限下进行了优化。一个消耗 200 瓦的头骨会杀死它的主人，因此效率成为唯一可用的答案。
人工智能从未面临过那个天花板。它面临的是资本天花板，而资本比电力更容易扩展。
这一点现在正在改变。开放的问题不再是生物是否更高效，而是当权力而非金钱决定建造什么时，人工智能将变成什么。
来源：BeInCrypto
