人脑的能耗大约为 20 瓦特，而全球最快的超级计算机——深圳的 LineShine，其功率高达 4 220 万瓦特。两者巨大的差距，成了网络上讨论 AI 能耗的热门对比，但多数说法都是错误的。
这个对比本身有一定道理，但社交媒体上流传的数据，实际上都源自于同一篇论文。而其中最夸张的那个数据，已经被误传长达三年。
AI 能耗：20 瓦特的人脑到底能做什么？
“20 瓦特”这个说法，源于数十年来的代谢测量结果。人脑大约占人体质量的 2%，却消耗了约 20% 的静息状态下吸入的氧气。
关于神经元数量，实际比常见说法更不确定。那个被广泛引用的“860 亿”神经元，实际上只基于四位男性大脑的样本，目前在期刊 Brain 上也正受到质疑。
很多热门帖文用的是“12 瓦特”这个数字，这一数据出自 2023 年 Frontiers in Artificial Intelligence 发表的一篇论文，但文章并未给出任何参考文献。
这篇论文还给出了大家最常传播的数字。作者估算，如果用数字化方法重现一个人脑，其功率需求将高达 27 亿瓦特。
这一估算，是基于一个千万级神经元的仿真结果，再推算到鼠脑的规模，然后再按千倍放大至人脑。
同时，论文还指出该仿真的运行速度比生物神经元慢大约 30 000 倍。可在社交平台流传时，这一细节往往被忽略。许多二手来源甚至将这个数字错误地归因于 Blue Brain Project（蓝脑计划），但后者从未正式发布过此数据。
可靠的数据其实来自其他领域。Epoch AI 曾估算，2025 年初一次典型 ChatGPT 查询约消耗 0.3 瓦时。而 Joule 期刊的同行评议论文，之后也给出了 0.31 瓦时的类似数据。
两种独立方法能得出如此接近的结果，实属罕见。但该数值会随着工作负载剧烈变化，且采用推理型大模型时，生成更长答案所需成本可能是原来的数倍。
生物智能的独特之处，以及芯片在仿生路上的模仿
皮层神经元的活动呈现出高度稀疏的特征。平均神经元放电频率低于 1 Hz，能耗取决于神经信号变化，而非固定时钟周期。
现代 AI 独立地得出了类似结论。例如 Kimi K2 每处理一个 token，仅激活 32.6 亿个参数，在其总 1.04 万亿参数中，占比约为 3.1%。
这种激活比例正快速下降。2023 年 Mixtral 模型激活参数占比约 28%，如今 DeepSeek-V3 仅为 5.5%。
在精度层面，生物系统同样偏向低精度。神经元内部从无 32 位这样的高精度处理。
芯片制造商也走上了同一方向。DeepSeek 使用 8 位精度，训练了 6710 亿参数的大模型；NVIDIA 随后更是在4 位精度下完成了 120 亿参数模型的预训练。
第三点不同之处更加显著，且最难被复制——大脑将存储与计算功能集于同一物理位置。
数字计算设备则将存储与运算区分。斯坦福的 Mark Horowitz 揭示这种“分离”的代价：从存储器中读取一个操作数，所需能耗可能是执行加法等算术计算的数百倍。
“类脑芯片”何以难以落地？
为模拟神经元而设计的硬件，长期以来一直进展缓慢。无论是神经形态芯片还是模拟计算平台，目前尚未有任何此类系统，能够完成主流大模型的训练或推理生产部署。
英特尔最新的 Hala Point 神经拟态系统集成了 1,152 块芯片，拥有 11.5 亿个人工神经元。目前，该系统作为研究原型机，部署在桑迪亚国家实验室。英特尔神经拟态计算实验室负责人 Mike Davies 曾在 2024 年接受 The Register 采访时表示：
“目前，我们还没有将任何大语言模型（LLM）映射到 Hala Point 上。我们并不知道该如何实现这一步。”
在商业化进展方面，情况则更加有限。BrainChip 作为该领域的龙头上市公司，在上一个财季仅实现客户收入 70 万美元，而运营支出却高达 530 万美元。
另一些公司则已陷入停滞。例如，Rain AI 曾寻求融资 1.5 亿美元，但未能成功筹集，随即于 2025 年传出出售计划。
业内研究者普遍认为，这一领域正陷入“先有鸡还是先有蛋”的困境。田纳西大学诺克斯维尔分校电气与计算机工程助理教授 Catherine Schuman 表示称：
“硬件公司在等着出现杀手级应用，但没有能用来原型开发的硬件，也很难看清要如何构建这些应用。”
2025 年，超过 20 位业内研究者共同在 《自然》期刊发表共识性论文，认为该领域仍然缺乏所需的完整生态系统。
生物学原理已然胜出，但围绕这些原理打造的硬件商业化道路依旧布满挑战。
“同一份电力，全球竞逐”
当前，能源效率的重要性前所未有，因为电力已成为关键瓶颈。国际能源署（IEA）预计，2025 年全球数据中心用电总量已达 485 太瓦时。
仅在过去一年，面向 AI 的数据中心规模便增长了 50%。IEA 预计，到 2030 年，这一规模将扩张三倍。
如今，影响数据中心建设进度的，其实已不是芯片供应，而是能否接入电网。美国劳伦斯伯克利国家实验室数据显示，从提出电网接入申请到正式投入运营，中位周期已超过 5 年。
微软首席执行官萨提亚・纳德拉（Satya Nadella）曾在 11 月表示，公司手中持有无法上电的处理器。当前瓶颈并非芯片，而是电力基础设施。众多机构投资者也曾就电网准备度提出类似疑问。
比特币矿工早在过去十年已率先解决这一难题。他们掌控已电气化站点，拥有电力采购协议与并网权，而新入场者往往需要数年时间才能拿到同样资源。
如今，比特币挖矿正逐步转型为一门能源与基础设施生意。据 VanEck 估算，翻新现有站点，每兆瓦成本约在 300万至 400万美元；而新建项目则需投入 1,000 万至 1,200 万美元。
公布的合作协议价值惊人。公开上市的矿企累计签署的 AI 合同总规模已超过 700 亿美元。
真正落地的装机量则逊色不少。2026 年第二季度申报数据显示，行业整体已上线的容量仅约 750 兆瓦。
其中，Core Scientific 贡献约 437 兆瓦。Galaxy 旗下 Helios 园区交付 133 兆瓦，TeraWulf 为 102 兆瓦，IREN 为 50 兆瓦，Riot 有 25 兆瓦。Hut 8 尽管已签约 949 兆瓦，却尚未实际通电上线。
业务转型的代价不菲。MARA 与 CleanSpark 两家矿企在 8 月的季度合计亏损高达 8.51 亿美元。
实际上，大部分矿场产能永远难以转型。剑桥大学 7 月份公布的初步调研结果显示，约 10% 的矿工已将部分电力配给 AI 业务。
真正的障碍源于物理条件。比特币采矿可容忍间歇运作，而 AI 客户则需稳定电力、高密度冷却系统以及高速光纤网络，而这些偏远站点往往难以满足。
即便如此，行业转向趋势已然明朗。当前，Core Scientific 有 83% 的收入来自托管业务，自营挖矿的收入仅占 13%。
投资者已经充分反映了这一变化。拥有已签署电力租约的矿企，其活跃电力估值倍数远高于其他企业。与此同时，下一轮 AI 投资热潮，正在从芯片转向电力行业。
为何提升能效并不足以解决 AI 能耗问题
以往，能效提升曾帮助吸收了算力需求的增长。2010 年至 2018 年，全球数据中心算力增长达 550%，但同期能源消耗仅增加约 6%。
但这一趋势已被打破。美国数据中心用电量从 2014 年的 58 太瓦时激增至 2023 年的 176 太瓦时。
进化是在极限下进行优化。如果人类头骨所耗能超过 200 瓦，将威胁生存，因此提升能效成为唯一可行的路径。
而 AI 从未遭遇这样的极限。限制 AI 发展的不是物理上限，而是资本成本。相比之下，资本扩张远比分配和获取电力更加灵活。
但如今这一格局正在改变。争论的焦点已不再是生物系统是否更高效，而是当电力资源而非资金决定 AI 建设上限后，AI 的发展会走向何方。
