人工智能的指数级发展与可再生能源系统的物理极限

《Energy Policy》：Exponential AI growth and the physical limits of renewable energy systems

　　穆罕默德·贾法尔·亨尼 | 卡迈尔·西·穆罕默德
沙特阿拉伯麦地那伊斯兰大学商学院经济系

**摘要**
人工智能正在经历快速扩张，其特征是模型规模、计算需求和能源消耗的指数级增长，其中人工智能的电力需求每年增加25-35%。可再生能源系统通常被认为可以为这种增长提供可持续的基础，但它们受到物理、材料和基础设施的限制。本研究通过系统级分析，比较了人工智能的能源需求与可再生能源的可扩展性，以评估这两者之间的兼容性。结果表明，尽管自2012年以来人工智能训练的计算量增加了几个数量级，但可再生能源的容量增长速度仅为每年10-20%。每年25-35%的效率提升可以减少每次操作的能源消耗，但由于规模效应，总能源消耗仍会上升。实际的可再生电力密度仅限于1-10 W/m2，而间歇性加上10-15%的储能损失限制了需要99.9%以上正常运行时间的人工智能工作负载的可靠供应。这些发现揭示了人工智能的指数级增长与有限的可再生能源系统之间的结构性不匹配，表明可持续的人工智能发展需要考虑能源意识的系统设计（例如，优化能效的架构和工作负载调度）、需求方面的限制（例如，限制模型规模和训练频率）以及与物理限制相一致的治理机制（例如，基于能源的信息标准和基础设施规划）。

**1. 引言**
人工智能正经历一个加速扩张的阶段，其模型规模、训练计算量、部署规模以及在经济和科学领域的整合都呈现出指数级增长（Xu等人，2021年；Haefner等人，2023年）。专用硬件的进步、大规模数据的可用性和算法优化使得人工智能系统的扩展速度超过了大多数其他技术基础设施（Shen等人，2024年；Ning等人，2024年）。因此，人工智能已成为当代数字系统的基础组成部分，影响着生产力、自动化、科学建模和决策过程（Aldoseri等人，2024年；Baduge等人，2022年）。然而，这种快速扩张伴随着电力需求的相应增加，主要集中在数据中心、高性能计算设施和连续高功率密度运行的大规模训练环境中（Latif等人，2025年；Richter等人，2022年）。

与此同时，可再生能源系统越来越被视为未来数字基础设施的可持续支柱（Miller等人，2025年；Shahzad和Jasińska，2024年）。太阳能和风能技术的成本下降，加上政策推动的脱碳努力，加强了人们对于可再生能源扩张能够满足不断增长的计算需求同时减少环境影响的预期（Luderer等人，2022年；Osman等人，2023年）。在这种观点下，人们常认为提高人工智能的能源效率和继续部署清洁能源就足以支持人工智能的持续扩展而不会遇到根本性限制（Wu等人，2024年；Dash，2025年）。然而，这些研究往往隐含了能源供应是可扩展且易于获取的假设，而对可再生能源系统的物理、基础设施和时间限制关注不足。因此，快速增长的人工智能需求与有限的能源供应之间的相互作用往往被忽视，尤其是在系统级可行性和长期可持续性方面。

然而，可再生能源系统与数字技术有本质的不同。虽然人工智能系统主要通过软件抽象和硬件复制进行扩展，但可再生能源的生成受到物理和材料限制（de Juan等人，2025年；Martin等人，2022年）。功率密度限制、土地可用性、关键材料供应链、转换效率、电网基础设施和时间变异性都决定了可再生能源的部署速度和范围（N?land等人，2022年；Tonelli等人，2023年）。与数字系统不同，能源基础设施无法在没有收益递减、空间限制和运营瓶颈的情况下实现指数级扩展（Antonini和Caldeira，2021年；Frysztacki等人，2021年）。现有关于人工智能可持续性和可再生能源整合的研究主要集中在组件级别的改进上，如提高硬件效率、优化算法或增强可再生能源部署策略。尽管这些贡献很有价值，但它们通常将能源供应和计算需求视为独立的领域，而没有充分考虑它们在规模上的耦合动态。特别是，对于人工智能工作负载的指数级增长如何与受基础设施限制的能源系统相互作用，或者可再生能源发电的时间变异性如何影响持续高密度计算操作的可行性，关注较少。这种文献上的 fragmentation 限制了评估当前人工智能发展轨迹是否与物理受限的能源系统兼容的能力。这些特性不仅对总能源生成有限制，也对能源密集型数字工作负载的可靠性和调度性有限制（Smith等人，2022年）。

这种对比加剧了人工智能增长的指数性质与可再生能源系统有限行为之间的紧张关系（Miller等人，2025年；Fan等人，2023年）。随着人工智能模型和部署的继续扩展，人们开始质疑即使在效率提升和可再生能源采纳方面持乐观假设的情况下，能源供应系统是否也能以类似的速度扩展（Masood等人，2025年）。这个问题不仅涉及总能源生产，还包括可变的可再生能源输出与人工智能基础设施的运营要求之间的系统级兼容性（Liu等人，2022年；Stecu?a等人，2023年）。这种时间兼容性挑战的关键区别在于人工智能工作负载的不同运营特性，特别是在训练和推理阶段之间。训练阶段通常涉及高度集中、大规模的计算工作负载，这些工作负载在有限的时间内执行，并且原则上可以在时间和地点上灵活安排。这种时间灵活性允许训练过程与可再生能源高可用期部分对齐。相比之下，推理阶段代表连续的、对延迟敏感的工作负载，必须实时运行以满足严格的可靠性要求，通常需要超过99.9%的正常运行时间。这些工作负载不易推迟或调整，因此需要稳定且持续可用的电力供应。这种区别对于理解人工智能能源需求与可再生能源供应之间的时间不匹配至关重要，因为它强调只有部分人工智能工作负载能够在时间上优化以匹配间歇性发电，而大部分工作负载本质上仍然是不可灵活的。

尽管对人工智能能源消耗和可再生能源部署的关注日益增加，但现有文献中对这些系统之间相互作用的探讨仍然不足。先前的研究通常分别讨论人工智能效率提升、数据中心能源使用或可再生能源整合，而没有系统地分析它们的耦合扩展动态和物理限制。特别是，对人工智能需求的指数级增长与可再生能源系统受基础设施限制的扩展之间的不匹配，以及间歇性供应与连续计算工作负载之间的时间和运营不兼容性关注不足。这一差距促使我们需要进行系统级分析，将计算扩展趋势与基于物理的能源系统限制结合起来。

受此启发，本研究从系统级角度探讨了人工智能能源需求与可再生能源供应之间的结构关系（Masood等人，2025年）。该分析不仅关注个别技术或短期优化策略，还将人工智能计算和能源使用的实证趋势与可再生能源系统固有的物理、运营和时间限制结合起来（Miller等人，2025年）。通过比较增长率、效率轨迹、功率密度和供需特征，本研究旨在确定当前关于可持续人工智能扩展的假设是否与物理现实一致（Fan等人，2023年；Liu等人，2022年）。

为了指导分析，本研究提出了以下研究问题：
(1) 在当前的发展轨迹下，人工智能能源需求的增长率与可再生能源系统的可扩展能力相比如何？
(2) 在考虑规模驱动的扩展时，人工智能系统的效率提升在多大程度上可以抵消总能源消耗？
(3) 可再生能源供应的时间特性在可靠性和连续性方面如何与人工智能工作负载的运营要求相一致？
(4) 当将指数级扩展的人工智能需求与物理受限的能源基础设施相结合时，会出现哪些系统级限制？

研究结果揭示了人工智能能源需求与可再生能源供应之间的持续分歧（Durmus Senyapar和Bayindir，2025年）。尽管效率提升减少了每次操作的能源消耗，但它们始终落后于总能源消耗的规模驱动增长（Wu等人，2024年）。受物理限制和基础设施扩展速率约束的可再生能源部署并没有表现出类似的指数行为（De等人，2021年）。此外，间歇性和储能损失降低了能够可靠支持连续人工智能工作负载的可再生能源比例，即使平均供应看起来足够（Conde等人，2025年；Gutierrez-Rojas等人，2023年）。这些发现挑战了仅靠可再生能源扩张就能解决大规模人工智能相关可持续性挑战的假设（Liu等人，2022年）。相反，它们表明长期可行性取决于通过能源意识的系统设计、需求方面的适应以及明确承认限制的治理机制来协调人工智能发展与物理能源限制（Raper等人，2022年）。通过将分析基于物理原理和系统级动态，本研究为可持续人工智能的更广泛讨论做出了贡献，并强调了需要以与现代社会的物质和能源基础兼容的方式重新定义人工智能发展的进步（Alvarez等人，2025年）。

本文的其余部分结构如下：第2节描述了用于评估人工智能能源需求与可再生能源系统限制之间关系的材料、数据来源和分析方法。第3节展示了结果，包括定量增长趋势、效率动态、可再生能源技术的物理限制和系统级综合。第4节讨论了这些发现对人工智能可扩展性、能源系统现实性和可持续性的影响。第5节总结了研究的主要贡献，并指出了未来研究的方向。

**2. 材料和方法**
本节描述了用于研究人工智能能源需求与可再生能源系统限制之间关系的数据来源、分析框架和方法论假设。这些方法旨在通过强调透明的标准化、基于物理的参数和可复制的扩展分析，实现跨异构领域的系统级比较。这种方法与之前关于能源需求和基础设施扩展的系统级分析一致，后者强调跨领域的标准化和基于物理的比较，以评估可持续性限制。

**2.1. 研究设计和范围**
本研究采用系统级分析框架来研究人工智能能源需求与可再生能源系统的物理限制之间的相互作用。分析是比较性和综合性的，结合了实证趋势数据、物理性能参数和前瞻性预测。研究范围是全球性的，关注数量级行为，而不是任何单一技术或地区的优化。系统级分析方法已在能源-技术交互研究中得到广泛应用，以捕捉在组件级别不可见的新兴限制，特别是在涉及基础设施扩展和资源限制的背景下。

**2.2. 数据来源和材料**
描述人工智能模型规模、训练计算量和能源消耗的数据来自同行评审的文献、发布的基准数据集以及主要超大规模数据中心运营商的技术报告。具体而言，人工智能相关数据来源于对人工智能扩展定律和训练计算趋势的公开分析（例如，OpenAI、Epoch AI和学术基准研究），以及来自Google、Microsoft和Meta等行业运营商的技术披露和可持续性报告。这些来源提供了模型参数数量、每次训练时的浮点运算次数（FLOPs）、硬件性能特征和报告或估计的能源消耗信息。人工智能相关数据的时间覆盖范围为2012-2024年，对应于大规模深度学习系统快速增长的时期。

可再生能源性能参数来自国际能源机构和同行评审的文献，包括国际能源署（IEA）、国际可再生能源机构（IRENA）和国家电网运营商的报告，以及关于可再生能源功率密度、容量因子和系统性能的已发表研究。这些数据包括安装容量增长率、太阳能和风能系统的特定技术容量因子、土地使用强度估计和能源存储往返效率。可再生能源数据的时间范围主要覆盖2010-2024年，反映了最近的部署趋势和技术成熟度。数据选择遵循了三个主要标准：
(i) 优先选择同行评审或广泛引用的来源以确保可靠性；
(ii) 包括具有透明方法和明确定义的指标的数据集；
(iii) 关注大规模、商业相关的系统，以避免推测性或实验性结果。在本研究中，当存在多个估算值时，采用了代表性的范围来反映系统间的不确定性和变异性。对于没有报告AI系统的直接能耗数据的情况，通过结合报告的计算需求（以FLOPs计）和当时的硬件效率指标（FLOPs每焦耳）来估算能耗。这些估算假设了现代加速器硬件的典型利用水平，旨在提供数量级上的一致性，而不是精确的系统特定值。所有数据在标准化和比较分析之前都统一到了相同的单位。使用异构数据源以及跨行业报告、基准测试数据集和同行评审研究的三角测量方法，遵循了大规模能源和计算分析中的既定实践，因为直接测量往往是不完全的或特定于系统的（Masanet等人，2020年）。

2.3. 标准化和缩放方法
为了能够在不同系统之间进行比较，所有能源和功率指标都相对于基准值进行了无量纲化处理。AI能源需求的轨迹在初始时间点（t=0）被标准化为单位1，即2012年，这代表了在大规模深度学习快速发展之前的早期阶段。后续值表示为相对增长因子。可再生能源的供应也进行了类似的标准化处理，以便独立于绝对规模直接比较增长率。在可视化和分析中应用了对数缩放方法，以强调指数增长与线性或逻辑增长之间的差异，并保持多数量级的可解释性。标准化和对数缩放是分析指数增长过程的标准技术，能够使具有不同绝对规模和单位的系统之间进行一致比较（Lima和Souza，2023年）。选择2012年作为基准，是因为它在文献中被广泛用作现代AI增长趋势开始的参考点，从而能够在研究中一致地比较指数增长轨迹。

2.4. 增长率估算
AI计算需求和可再生能源部署的年增长率是通过对对数转换后的时间序列数据使用指数或线性回归来估算的。AI需求是根据观察到的增长趋势使用指数增长函数建模的，而可再生能源部署则是使用线性或亚指数函数建模的，以反映基础设施限制下的扩展。通过拟合的增长率直接得出翻倍时间，以便于跨系统比较。使用指数和对数线性回归模型来估算增长率和翻倍时间，这与技术规模评估和能源系统分析中的既定方法是一致的（Prieto等人，2024年）。

2.5. 效率建模
AI系统的能量效率改进被建模为随时间减少每次操作所需的能量。硬件效率趋势通过报告的每瓦性能改进来表示，而算法效率的提升则基于记录的优化进展作为间歇性的逐步减少来纳入。总系统能耗是通过每次操作所需的能量和执行的操作总数来计算的，从而将效率效应与规模效应分离出来。这种将总能耗分解为效率效应和规模效应的方法反映了在评估计算和能源系统的反弹效应和效率动态时使用的标准分析方法（Wang和Yang，2023年）。

2.6. 可再生能源物理限制评估
可再生能源系统的物理限制是通过功率密度、容量系数和转换效率指标来评估的。实际可部署的功率密度与理论最大值区分开来，以反映现实世界中的间距、间歇性和系统损耗。存储损耗通过典型的往返效率范围来考虑，从而减少了连续负载的有效可用能量。关于完美存储或完全可调度可再生能源系统的假设没有做出。使用功率密度和容量系数作为主要限制，遵循了可再生能源系统分析中的既定框架，这些参数定义了实际可部署能源供应的限制（Bechlenberg等人，2024年）。

分析主要集中在太阳能和风能系统上，因为它们代表了全球新增可再生能源容量的主要来源，并且在大多数地区的脱碳策略中处于核心地位。其他能源来源，如水力、地热和核能，虽然具有更高的功率密度，在某些情况下具有更大的可调度性；然而，它们的可扩展性受到地理可用性、漫长的开发时间线、监管复杂性和特定站点资源限制的制约。因此，这些技术不像太阳能和风能那样表现出相同的全球扩展动态，也不太能代表支持未来AI相关电力需求增长的边际能源供应。排除这些技术使得分析能够专注于可再生能源扩展的主要驱动因素，同时保持与观察到的部署趋势的一致性。

2.7. 时间变异性和负荷匹配分析
为了评估可再生能源供应与AI需求之间的兼容性，使用来自电网级研究和国际能源数据集中报告的经验观察值，构建了太阳能和风能的代表性每小时发电曲线，这些曲线反映了日变化和随机性模式。这些曲线不是基于单一地理电网设计的，而是为了反映在高可再生能源渗透率地区的多元化发电特征，包括欧洲和北美，这些数据由国际能源署（IEA）和国家电网运营商报告。太阳能发电曲线是根据典型的日辐射周期建模的，夜间产量为零，中午达到峰值；而风能发电曲线则结合了随机性变化，没有固定的日变化模式，但具有经验上一致的变异性范围（每小时波动20-60％）。标准化的太阳能曲线是根据报告的容量系数时间序列得出的平均日发电曲线构建的，而风能曲线则是使用根据电网级数据集中观察到的经验性每小时波动范围校准的随机性模型生成的。这些模型通过围绕平均容量系数的有界随机波动来近似变异性，保留了观察到的间歇性特征，而不复制特定站点的时间序列。这些曲线并不是为了在确定性意义上复制特定电网，而是为了表示风格化的、物理上真实的发电模式，捕捉可再生能源系统的基本间歇性特征。所有曲线都标准化为单位平均输出，以便与稳定的AI负荷需求进行比较，重点关注相对变异性和时间不匹配，而不是绝对功率值。在能源系统研究中，可变可再生能源发电与连续需求之间的时间负荷匹配是一个公认的挑战，通常使用代表性曲线和变异性指标进行分析（Liu等人，2023年）。这些代表性曲线的构建遵循了能源系统建模中的既定方法，其中使用标准化或风格化的发电曲线来分离供应和需求之间的结构不匹配，而不引入特定地区的偏见（Rastgoo等人，2024年）。这种方法确保了结果可以在不同地理背景下进行推广，同时基于观察到的变异性模式。

本研究中的所有图表都是基于上述数据源和方法构建的标准化数据集和综合趋势，而不是代表单个数据集的原始输出。增长曲线（图1、图3）是根据文献中报告的AI规模化和可再生能源部署率的经验观察范围得出的，而效率与能耗关系（图4）则是基于汇总的性能趋势。图2反映了先前研究中报告的理论和实践功率密度的比较范围，图5则代表了第2.7节中描述的风格化时间曲线。这种方法能够在保持每个系统的物理基础特征的同时，实现跨领域的统一比较。

下载：下载高分辨率图片（212KB）
下载：下载全尺寸图片
图1. AI计算和能源消费的对数增长。
下载：下载高分辨率图片（153KB）
下载：下载全尺寸图片
图2. 不同可再生能源技术的理论和实践功率密度。

3. 结果
本节展示了分析的定量和比较结果，重点关注AI能源需求和可再生能源系统的增长动态、效率趋势、物理限制和时间特征。结果从需求侧的规模模式组织到供应侧的局限性以及系统级别的综合，使用图表和表格来突出相对大小、率和结构关系，而不包含解释性评论。

3.1. AI能源需求的增长轨迹
来自大规模训练运行和超大规模数据中心的实证数据显示，与AI相关的电力消费迅速增加。模型规模和训练计算表现出指数级增长，而效率改进则以较慢但较低的指数速率进行。因此，尽管每次操作的效率有所提高，但总能耗仍然增加。为了描述AI相关能源增长的速度和结构，编制了2012年至2024年期间的关键定量指标，包括模型规模、计算需求、能源消耗和效率改进。这些指标捕捉了与系统级别能源分析相关的需求侧扩张和效率趋势。
表1中的数据显示，模型参数和训练计算的增长超过了能源效率的提高。尽管效率改进显著，但每次训练的总能耗增加了几个数量级，表明规模效应主导了总体能耗。为了检查AI计算、能源消耗和效率改进的相对规模行为，构建了标准化轨迹，以突出这些维度的长期增长模式和相对变化率。相应的翻倍时间是根据报告的年增长率使用标准指数增长关系得出的，以便与表3中呈现的规模行为进行直观比较。
表1. AI计算和能源增长的定量指标。
指标 2012年值 2024年值 年增长率（约） 翻倍时间（年）
大模型参数 10^7 10^11 ～45% ～1.6
训练计算（FLOPs/次） 10^17 10^25 ～50% ～1.4
每次训练的能耗（MWh） 1–5 1000–5000 ～35% ～2.3
能源效率（FLOPs/J） 10^9 10^13 ～30% ～2.6
图1显示，AI计算和能源消耗随时间呈指数级增长，而效率改进则呈现相对较慢的轨迹。因此，总计算需求与每次操作效率之间的差距逐渐扩大。这种差异表明，尽管效率提高减少了单个计算所需的能量，但它们不足以抵消整体计算规模的快速增长，从而导致总体能耗的持续增长。

3.2. 可再生能源系统的物理输出限制
可再生能源发电受到物理功率密度、容量系数和转换效率的限制。这些限制定义了每单位面积和每单位材料输入的可部署能源的上限。为了评估可再生能源可扩展性的物理限制，编制了主要可再生能源技术的代表性性能参数，包括功率密度、容量系数和净转换或存储效率。这些参数定义了实际能源可用性的上限。
表2突出了可再生能源系统的低面积功率密度和中等容量系数。这些值表明，要提供可靠的净能源，需要较大的空间占用和过剩的容量，从而限制了可再生能源支持高密度计算负载的速率和规模。为了评估可再生能源可扩展性的物理限制，将理论最大功率密度与主要可再生能源技术的实际部署值进行了比较。
表2. 主要可再生能源技术的物理性能参数。
技术 功率密度（W/m2） 容量系数（%） 净效率（%）
公用事业规模太阳能PV 5–10 15–25 18–22
陆上风能 1–3 30–40 35–45
海上风能 2–4 40–55 40–50
锂离子储能 10–30 85–95 85–90（往返）
图2表明，实际可部署的功率密度比主要可再生能源技术的理论最大值低几个数量级。这种差异反映了物理、空间和操作限制，如土地使用要求、间距效应、间歇性和系统级损耗。因此，即使在成熟且广泛部署的技术下，实际安装中可实现的净能源输出也受到理论限制的制约。

3.3. AI需求与可再生能源供应的比较规模
历史部署数据显示，由于基础设施、许可和材料限制，可再生能源容量以线性到逻辑增长的速率扩展。相比之下，AI能源需求则遵循指数轨迹，随时间产生越来越大的差异。为了直接比较规模行为，估计了AI电力需求和可再生能源基础设施关键组成部分的典型年增长率和翻倍时间。
表3中的比较显示了规模行为的系统差异。AI能源需求在几年内翻倍，而可再生能源发电和电网容量需要更长的时间，表明需求增长与供应扩展之间的差异越来越大。构建了预测的基线轨迹，以比较在当前趋势下AI能源需求的预期增长与可再生能源供应的扩展。
表3. AI需求和可再生能源供应的比较增长率。
技术 典型年增长率 翻倍时间（年）
AI电力需求 25–35% 2–3
全球太阳能容量 15–20% 4–5
全球风能容量 10–15% 5–7
电网传输容量 5–7% 10–14
图3显示了指数增长的AI能源需求与缓慢增长的可再生能源供应之间的明显差异。对数尺度上的不同斜率表明了结构上不同的增长模式，AI需求表现出持续的指数行为，而可再生能源供应则遵循亚指数轨迹。这种对比突出了在基线假设下需求与供应之间的日益增长的分离。虽然分析是在全球范围内进行的，以强调增长动态的结构差异，但在人工智能（AI）的部署和可再生能源系统方面存在显著的区域异质性。AI的计算基础设施高度集中于特定地区，尤其是美国和中国，欧洲也在一定程度上有所集中，这些地方拥有超大规模的数据中心和先进的半导体生态系统。相比之下，可再生能源资源的可用性和部署率因地区而异，中东和北非的太阳能潜力较大，北欧的风能资源丰富，而发展中和发达经济体的电网整合能力也有所不同。这些区域不对称性意味着供需不匹配的程度和表现可能会因当地能源资源、基础设施成熟度和政策环境而异。然而，这里呈现的全球趋势概括了在跨地区汇总时出现的主要扩展动态。这些区域差异的政策影响将在第4.6节进一步讨论。

**图3. 在基准趋势下，预测的人工智能能源需求和可再生能源供应增长。**

3.4. 效率提升及其量化影响
硬件和算法的进步减少了每次计算所需的能源，但无法抵消由规模扩张驱动的总需求增长。每次操作所减少的焦耳数被总操作次数的增加所抵消。表4量化了硬件、算法和系统级优化在提高效率方面的相对贡献，以及由规模扩张驱动的人工智能需求的增长速度。

表4. 效率提升对人工智能能源使用的量化影响。
**效率领域** | **提升率（%/年）** | **对总能量的净效应**
| --- | --- | --- |
| 硬件性能/瓦特 | 25–35% | 部分抵消 |
| 算法效率 | 10–20% | 临时抵消 |
| 系统级优化 | 5–10% | 边际抵消 |
| 规模驱动的需求增长 | 35–50% | 主导性增长 |

表4中的数据显示，尽管效率提升减少了每次操作所需的能源，但其累积效应不足以抵消由规模扩张驱动的需求增长。因此，尽管效率持续提高，总系统能源消耗仍继续上升。为了隔离效率提升与规模扩张的影响，将每次操作所需的能源的标准化趋势与随时间变化的总系统能源消耗进行了对比。

**图4. 随时间变化，每次人工智能操作所需的能源标准化下降，而总系统能源消耗上升。**这种相反的趋势表明，虽然每次计算所需的能源减少了，但总体能源使用却在增加。这种模式反映了效率提升和计算规模扩大同时存在的情况，尽管每次操作所需的能源强度下降了，总能源消耗仍在继续上升。

3.5. 人工智能连续运行的系统级能源可用性
AI工作负载需要高可用性和低可变性的电源。可再生能源系统提供间歇性输出，减少了可以直接利用的部分能源（除非有储能或备用发电）。为了评估操作兼容性，将可再生能源供应的关键定量特性与大规模AI系统的稳定性和可用性要求进行了比较。

**表5. 可再生能源供应与AI需求特性之间的量化不匹配。**

参数 | 可再生能源系统 | AI系统 |
| --- | --- | --- |
| 供应可变性（每小时） | 20–60% | <5%的容忍度 |
| 容量利用率（%） | 20–40% | 70–95% |
| 所需运行时间（%） | 30–60% | >99.9% |
| 储存需求（小时） | 4–48小时 | 持续 |

**图5. 可再生能源发电的时间变化性与AI系统的稳定电力需求相比。**尽管在发电量高的时期，但由于可再生能源发电量的时间变化性，即使平均发电水平看起来足够，也经常会出现供应不足的情况。这种模式表明，可再生能源供应的时间变化特性与AI工作负载的连续高可用性要求之间存在系统性不匹配，强调了在评估有效能源可用性时时间对齐的重要性。

3.6. 人工智能扩展与可再生能源限制的系统级综合
为了整合上述定量结果，构建了一个系统级综合模型，以总结AI能源需求特性与可再生能源系统的物理和操作限制之间的相互作用。该综合模型将增长率、功率密度限制、时间特性和效率效应纳入统一的比较框架中。

表6中总结的关系反映了图1、图2、图3、图4、图5以及表1、表2、表3、表4、表5中观察到的一致模式，将增长动态、效率趋势、物理限制和时间特性整合到一个统一的比较框架中。通过将AI系统要求与可再生能源系统的限制在多个维度上进行对比，该表格将之前分散的结果综合成了一个连贯的系统级表示。这种综合凸显了在基准假设下，需求侧的扩展行为与供应侧能力之间的持续不匹配，表明这些差异存在于增长率、功率密度、时间稳定性、可扩展性和效率效应等方面，而不仅仅是由某个单一因素引起的。

**表6. 使用可再生能源维持指数级AI增长的系统级限制。**

维度 | AI系统要求 | 可再生能源限制 | 观察到的系统结果 |
| --- | --- | --- |
| 增长率 | 25–35%的年能源需求增长 | 10–20%的年容量增长 |
| 需求增长超过供应扩张 | |
| 功率密度 | 高计算集中度 | 1–10 W/m2的实际输出；所需的大空间占用 |
| 时间稳定性 | >99.9%的运行时间 | 20–60%的输出可变性 |
| 可扩展性范围 | 指数级 | 线性到逻辑级 | 不同的扩展行为 |
| 效率杠杆 | 25–35%的年提升 | 物理限制 |

**4. 讨论**
上述结果在多个分析维度上显示出一致的模式，包括增长率、效率趋势、物理限制以及能源供应和需求之间的时间兼容性。本节在综合框架内解释这些发现，将它们置于关于AI可扩展性、能源系统限制和可持续性的更广泛讨论中。讨论不是孤立地看待各个结果，而是从系统层面综合其影响，重点关注指数级AI增长与可再生能源基础设施的有限和可变性质之间的相互作用。

4.1. 将指数级AI增长与能源系统现实相协调
结果表明，人工智能的增长动态与可再生能源系统的物理行为之间存在根本的不对称性。与AI相关的计算和电力需求遵循由扩展规律、经济激励和竞争压力驱动的指数轨迹，而可再生能源的部署则以线性或逻辑速率进行，受到土地可用性、材料供应链、基础设施扩展和热力学转换效率的限制。这种分歧不是暂时性或过渡性的现象，而是将数字可扩展系统与受物理限制的能源基础设施耦合的结果。如图1和图3所示，即使能源效率得到持续且历史显著的提高，也无法在系统层面使这些轨迹对齐。

这种不对称性尤为重要，因为指数级增长意味着系统调整的时间尺度迅速缩短。虽然AI需求可以在几年内翻倍，但可再生能源容量、电网基础设施和储能系统需要更长的规划、许可和建设周期。因此，供应扩张的时间动态与需求增长的步伐不匹配，即使在乐观的部署假设下也会形成持续的差距。结果表明，这种差距不会通过可再生能源技术的渐进性改进而消除，反而会随着AI系统的持续扩展而加剧。

4.2. 以效率为中心的可持续性叙述的局限性
效率提升在组件和任务层面在调节AI能源消耗方面发挥了可衡量且必要的作用。如图4所示，由于每瓦特硬件性能的提高、算法优化和系统级工程，每次操作所需的能源随时间稳步下降。这些改进按历史标准来看是相当大的，代表了AI和计算研究社区的核心成就。在单个模型或任务的层面上，效率提升显著减少了执行给定计算所需的能源。然而，结果表明，这些提升并未转化为总系统能源使用的减少。相反，随着模型规模、训练频率和部署量的持续增长，总体能源消耗仍在上升。这种模式反映了与杰文斯悖论（Jevons Paradox）一致的经典反弹动态，即资源效率的提高可能会由于诱导的需求和使用的扩大而导致总体资源消耗的增加。在人工智能的背景下，这种动态表现为计算成本的下降与模型规模和部署的扩大之间的相互作用。随着每瓦特硬件性能的提高和算法效率的降低，每次计算所需的能源减少，计算的有效成本降低。这种降低鼓励了更大模型的开发、更频繁的训练运行以及在更多应用中的广泛部署。因此，效率提升系统性地被再投资于规模扩张，而不是转化为能源消耗的绝对减少。这种行为与能源系统和信息技术中的更多实证观察结果一致，其中效率提升通常会导致总消费量的增加而非节约。

大规模AI模型的实证趋势进一步支持了这种反弹效应的存在。例如，几代大型语言模型在计算效率方面表现出显著提升，包括每个参数的训练成本降低和每单位计算的性能提高。然而，这些提升伴随着模型规模和训练计算的快速增长。估计表明，过去十年中，前沿模型的训练计算量增加了几个数量级，从早期深度学习系统的10^17 FLOPs增加到最近的大规模模型的10^25 FLOPs以上。同样，虽然硬件效率的提高减少了每次操作所需的能源，但每次训练所需的总能源量从兆瓦时级别增加到吉瓦时级别。效率提升和规模扩张的共进化提供了实证证据，表明边际能源成本的减少被总计算需求的增加所抵消。随着计算效率的提高，激励结构更倾向于扩大规模而非节约能源。

4.3. 可再生功率密度和部署的物理限制
**图2**突显了理论可再生功率密度与实际可再生功率密度之间的巨大差距。这一差距反映了不可避免的物理因素，如间距要求、间歇性、转换损失和系统级效率低下。这些限制限制了每单位面积和每单位时间可以交付的净能源量，不受技术成熟度的影响。结果表明，即使是在积极的可再生能源部署场景下，随着接近物理饱和，也会出现回报递减的情况。因此，认为可再生能源容量可以无限扩展以匹配指数级数字需求的假设与观察到的部署限制和基本能源物理学不符。

4.4. 可再生能源供应与AI需求之间的时间不匹配
**图5**显示的时间剖面揭示了由于能源供应特性与AI操作要求之间的不匹配而产生的另一个关键系统级限制。大规模AI工作负载依赖于高可用性和近乎连续的电力供应，以支持训练流程、实时推理和服务级可靠性目标。这一要求主要由连续运行的推理工作负载驱动，它们与实时服务需求紧密耦合，而训练工作负载则具有一定程度的时间灵活性。相比之下，特别是来自太阳能和风能的可再生能源发电在每小时、每天和季节性时间尺度上本质上是可变的。即使在地理上多样化的系统中，这种可变性仍然存在，并且是可再生能源主导的能源组合的一个决定性特征。结果表明，平均可再生能源输出不足以作为系统兼容性的充分指标。即使在平均发电水平看起来足以满足总体AI需求的情况下，如果没有大量的储能或备用发电，也经常会出现供应不足的情况。这对于通常设计为高利用率和低容忍度中断的AI基础设施尤其具有后果性。因此，AI系统的操作要求施加了超出总能源可用性的限制，并扩展到了供应的时间结构。虽然其他能源来源（如水力发电、地热能和核能）提供了更高的功率密度和更稳定的输出，但它们有限的可扩展性和特定地点的限制限制了它们在规模上满足快速增长的全局分布AI能源需求的能力。

这种不匹配减少了可以直接分配给AI工作负载的可再生能源的有效比例，无需额外的基础设施。储能系统引入了效率损失和材料需求，而备用发电则削弱了完全可再生能源运行的假设。因此，结果表明，可再生能源的间歇性不仅仅是一个可以通过优化消除的工程问题，而是一个随着需求增长的结构性限制。随着人工智能（AI）能源需求的增加，对存储容量、电网强化和冗余的需求也成比例地增长，这进一步复杂化了将AI的指数级增长与可再生能源系统对齐的努力。4.5 对AI系统设计和能源治理的影响结果表明，仅通过扩大能源供应无法实现AI的可持续性，即使在对可再生能源部署和效率提升持乐观假设的情况下也是如此。相反，要在AI发展轨迹与能源系统现实之间实现有意义的对齐，需要在AI系统设计本身转向需求侧适应。这不仅包括在架构效率方面的持续改进，还包括与模型规模、训练方案、部署密度和工作负载分配相关的更根本的设计选择。那些优先考虑任务特定性能、模块化和比例缩放的架构决策可以减少不必要的计算开销，并适度降低总能源需求。此外，研究结果还强调了操作策略的重要性，例如能源感知的调度以及将AI工作负载与能源可用性在时间上对齐。原则上，训练和非关键推理任务可以在时间或地点上进行调整，以便更好地与高可再生能源输出期相匹配，从而减少对存储和备用发电的依赖。然而，这些策略需要将能源约束明确纳入系统级优化目标中，而不能将能源视为外部或次要考虑因素。如果没有这种整合，操作灵活性将受到限制，系统级的效率问题也会持续存在。

除了技术设计之外，这些发现对治理和机构决策也有重要影响。当前的AI研究议程、资助机制和竞争基准隐含地奖励规模和性能的提升，而没有考虑到能源或资源约束。结果表明，这种激励结构与能源系统的物理现实是不符的。将能源考虑因素纳入AI政策框架、研究评估标准和基础设施投资决策中，将有助于内化这些约束，并降低不可持续增长路径的风险。从更广泛的角度来看，将能源视为一种外生且无限可扩展的投入，可能会在数字和能源基础设施中埋下长期不稳定的隐患。随着AI在经济和社会功能中的重要性日益增加，能源需求的无管理增长可能会加剧电网压力、资源竞争和基础设施锁定。因此，需要转向那些明确认识到物理限制并鼓励与长期能源系统韧性相兼容的AI发展模式的治理模式。

从政策角度来看，可以确定几个具体的杠杆来使AI发展与能源系统约束对齐。这些措施包括对大规模AI模型和数据中心引入能源报告和透明度要求，以实现训练和运营能源消耗的标准化披露。监管框架也可以纳入基于能源的阈值或效率标准，以限制那些没有显示出相应价值的极高能耗模型的部署。此外，公共和私人采购政策可以激励使用节能架构和低碳基础设施，而具备电网意识的许可流程可以指导数据中心在拥有过剩可再生能源能力的地区的空间布局。最后，将能源考虑因素纳入研究资助标准和基准测试实践中，有助于将激励措施从纯粹的规模驱动性能指标转向效率和系统级可持续性。

除了这些政策工具外，开发标准化的治理指标对于实现能源感知的AI也至关重要。潜在的指标包括每次训练运行的能耗、每次推理查询的能耗以及每单位模型性能的能源强度（例如，每提升一个基准分数的能耗）。考虑到数据中心位置能源构成的碳调整指标可以进一步提高透明度。治理机制还可以包括针对大规模AI项目的能源预算框架（类似于碳预算），以及对前沿模型的计算和能源足迹的强制报告。这些方法将使AI系统的评估变得量化，并支持将能源约束纳入监管监督和行业实践中。

4.6 更广泛的系统性和长期性考虑因素观察到的AI指数级增长与有限的可再生能源系统之间的分歧反映了数字加速与控制物质基础设施的物理约束之间存在更深层次和更普遍的紧张关系。虽然数字技术受益于抽象、复制和快速迭代，但它们依赖于能源、材料和土地等物理基础。随着AI系统的扩展，这种依赖性变得越来越明显，使得能源需求成为首要的约束因素，而不再是次要的运营问题。尽管在其他计算密集型领域也存在类似的紧张关系，但由于快速扩展、计算中心化和持续运营需求的结合，AI领域的这一问题尤为突出。这种分歧还凸显了不同领域对进步概念化的结构性不对称。在数字系统中，进步通常等同于规模的增加、性能的提升和速度的加快；而在物理系统中，进步受到效率限制、资源可用性和环境影响的制约。随着AI的不断扩展，这两种不同的进步观念开始发生冲突。结果表明，如果没有有意识的干预，数字增长的轨迹将越来越多地超出物理能源系统的可持续支持能力，导致系统压力不断增加。

从长期角度来看，仅通过渐进的技术改进来实现AI的可持续性是不太可能的。相反，可能需要重新定义进步的概念，强调计算野心与能源可用性之间的比例关系。任务特定效率、每单位能源的边际社会价值以及系统范围内的能源强度等指标可能成为比原始模型规模或基准性能更相关的进步指标。这种转变将使AI发展更紧密地符合有限能源系统的现实和更广泛的可持续性目标。最后，这些考虑表明，挑战不仅仅是技术上的，更是系统性的。要将AI增长与物理约束对齐，需要跨技术设计、能源基础设施规划、经济激励和治理框架进行协调。如果没有这种协调，数字加速与物理可行性之间的差距可能会随着时间的推移而扩大，增加AI发展路径与长期能源系统韧性和社会优先事项错位的风险。

目前分析中尚未完全解决的一个重要维度是AI部署和能源系统特性的区域异质性。AI计算在少数地区的空间集中与地理上不均衡的可再生资源禀赋和基础设施能力相互作用。在一些地区，如美国和东亚部分地区，数据中心的高度集中与强大但基础设施受限的能源系统相呼应，可能导致局部电网压力增加和对备用发电的依赖增强。相比之下，在可再生能源潜力高但AI需求较低的地区，如中东和北非部分地区，可能会面临能源能力的利用不足或地理位置分布的AI部署机会。

这些差异表明，本研究发现的结构性不匹配并不是统一存在的，而是表现为特定地区的挑战和机遇。因此，政策响应必须根据具体情况而定。在AI基础设施密集的地区，政策可能优先考虑能源效率标准、需求管理和电网强化。在可再生能源资源丰富的地区，策略可能侧重于吸引数据中心投资，并将计算工作负载与能源可用性对齐。通过纳入空间明确的建模和地区特定的数据集，可以制定更有针对性和有效的政策设计。

4.7 局限性和未来研究方向本研究依赖于汇总趋势和标准化预测，而不是特定系统的部署数据。未来的工作应该纳入特定地区的能源组合、存储技术和AI工作负载分布。将AI扩展定律与能源系统模型进行定量耦合将进一步细化此处确定的限制，并允许基于情景的政策评估。结果共同表明，指数级AI增长正在接近一个物理能源约束成为可行性首要决定因素的阶段。虽然可再生能源系统不可或缺，但它们的运行受到严格的物理限制，无法通过数字抽象来规避。因此，可持续的AI发展需要从无限制的扩展转向基于物理现实的能源感知设计和治理的范式转变。

本研究的一个关键局限性在于它依赖于全球汇总的趋势和标准化的扩展关系，这些关系未能完全捕捉到AI基础设施分布、可再生能源资源可用性和电网特性的区域差异。分析有意抽象出地理特异性，以强调系统级别的结构动态；然而，这种方法可能会掩盖供需对齐的重要区域差异。未来的研究应该纳入特定地区的数据集，包括本地化的AI工作负载分布、可再生能源概况和电网约束，以评估在不同地理和社会经济背景下发现的不对齐现象。这样的分析将有助于制定更有针对性的政策和基础设施规划，使其与区域能源和计算生态系统相匹配。此外，分析没有明确建模替代的低碳能源来源，如核能、水力发电或地热能，这些能源在特定情况下可能提供更稳定和更高密度的电力，但它们不是全球边际容量扩展的主要驱动力。解决这些区域差异对于政策设计尤为重要，因为有效的干预措施将取决于当地能源资源、基础设施约束和AI部署模式。

5. 结论本研究使用系统级别的、基于物理的实际框架，探讨了人工智能的指数级增长与可再生能源系统的物理限制之间的相互作用。结果显示，即使在持续提高效率的情况下，AI的能源需求增长速度也超过了可再生能源供应的实际扩展能力。这种分歧不是暂时的不平衡，而是将可数字化扩展的系统与受物理约束的能源基础设施相结合所导致的结构性后果。分析表明，硬件和算法效率的提高减少了每次操作的能耗，但并未阻止总能源消耗的持续增长。随着AI系统的扩展，效率提升被扩大的工作负载所吸收，而不是转化为绝对的能源减少。这种动态在各项结果中是一致的，限制了单独应用以效率为中心的可持续性策略的有效性。

可再生能源系统虽然对脱碳至关重要，但其运行受到功率密度、材料可用性和时间变化性的限制。结果突显了理论能源产量与实际能源产量之间的显著差距，并表明间歇性进一步限制了可以可靠支持连续AI工作负载的可再生能源比例。这些限制无论部署目标如何都存在，并对系统级别的能源可用性施加了严格约束。研究结果表明，假设AI可以在不受可再生能源限制的情况下无限扩展在物理上是不可行的。长期可持续性需要将AI发展重新定向为基于能源感知的设计原则、需求侧管理和对物理限制的明确考虑。这包括优先考虑那些能够减少总能源需求的效率提升，将AI工作负载与能源可用性对齐，并将能源约束纳入AI治理和投资决策中。研究强调了 reconcile 数字进步与物质和能源现实需求的必要性。可持续的AI发展不仅取决于更清洁的能源来源，还取决于从比例性、效率和社会价值而不是单纯规模来重新定义进步。未来的研究应该进一步量化这些限制，在特定地区条件下探讨政策和技术机制，以使AI增长与物理可行的能源系统对齐。这包括采用诸如能源透明度标准、基于效率的评估指标和明确将AI部署与能源系统能力联系起来的基础设施规划框架等政策工具。

作者贡献声明：
Mohamed Djafar Henni：概念化、数据管理、形式化分析、撰写——原始草稿。
Kamel Si Mohammed：概念化、软件开发、监督、验证、可视化、撰写——原始草稿。