文章摘要
谷歌首次公开了其Gemini应用每次查询的能源消耗数据，中位数提示消耗0.24瓦时电能，相当于微波炉运行一秒的能耗。报告还提供了每次文本提示的水消耗和碳排放估算。这是大型科技公司首次如此透明地公布其AI产品的能源使用情况，标志着对AI能源消耗的公开讨论迈出了重要一步。
文章总结
谷歌首次公布AI提示的能耗数据
2025年8月21日，谷歌发布了一份技术报告，详细说明了其Gemini应用处理每次查询所消耗的能源。报告显示，一个中等复杂度的提示（即能耗处于中间水平的查询）平均消耗0.24瓦时的电能，相当于运行一台标准微波炉约一秒钟的能耗。此外，谷歌还提供了与Gemini文本提示相关的水资源消耗和碳排放的平均估算值。
这是拥有热门AI产品的大型科技公司迄今为止最透明的能耗估算，报告中还详细说明了计算这些估算值的方法。随着AI技术的广泛应用，业界对其能耗的关注日益增加，但由于缺乏对大型科技公司运营的全面了解，直接测量AI能耗的公开努力一直受到阻碍。
今年早些时候，《麻省理工科技评论》曾发布关于AI与能源的系列报道，当时没有一家主要的AI公司愿意透露每次提示的能耗数据。谷歌此次发布的报告终于为研究人员和分析师提供了他们长期期待的幕后数据。
报告全面分析了能源需求，不仅包括运行AI模型的芯片能耗，还包括支持这些硬件所需的其他基础设施的能耗。谷歌首席科学家杰夫·迪恩在接受《麻省理工科技评论》独家采访时表示：“我们希望在所有方面都做到全面。”值得注意的是，在这项测量中，AI芯片（谷歌自研的TPU）仅占总能耗的58%，而支持AI硬件的设备（如主机的CPU和内存）占25%，备用设备占10%，数据中心的冷却和电力转换等开销占8%。
密歇根大学教授、ML.Energy排行榜负责人之一Mosharaf Chowdhury表示，此类报告显示了行业对能源和AI研究的价值。谷歌的估算通常只有公司才能提供，因为它们比研究人员拥有更大的规模和幕后信息。密歇根大学博士生、ML.Energy项目负责人之一Jae-Won Chung认为，这份报告将成为AI能源领域的基石，是迄今为止最全面的分析。
然而，谷歌的数据并不代表所有Gemini查询的能耗。公司处理的请求种类繁多，此次估算是基于中等复杂度的提示。例如，向Gemini输入数十本书并生成详细摘要的提示，其能耗可能远高于中位数。此外，使用推理模型也可能增加能耗，因为这些模型在生成答案前需要更多步骤。
报告还发现，处理Gemini查询的总能耗随时间显著下降。2024年5月的能耗是2025年5月的33倍，谷歌将此归功于模型改进和软件优化。此外，谷歌估算每次提示的温室气体排放量为0.03克二氧化碳，并基于其从清洁能源项目购买的电力，采用市场化的排放估算方法。自2010年以来，谷歌已签署协议购买超过22吉瓦的太阳能、风能、地热能和先进核能电力，因此其单位电力的排放量约为运营地区电网平均水平的三分之一。
AI数据中心还消耗水资源用于冷却，谷歌估算每次提示消耗0.26毫升水，约五滴水。迪恩表示，这项工作的目的是让用户了解与AI交互的能耗，并强调Gemini模型的能耗和用水量实际上与日常生活中的一些行为相当，例如看几秒钟电视或喝五滴水。
这份报告大大扩展了人们对AI资源消耗的了解，反映了近期对公司披露技术能源成本的日益增长的压力。Hugging Face的AI与气候研究员Sasha Luccioni表示，她很高兴谷歌发布了这份报告，因为人们希望了解AI的成本。然而，报告中仍有一些细节未公开，例如Gemini每天的查询总量，这将有助于估算AI工具的总能耗。
Luccioni还指出，公司仍然决定何时以及如何分享细节，并呼吁制定类似于家电“能源之星”评级的标准化AI能耗评分，以便进行更公平的比较。
评论总结
AI查询的能耗较低：多个评论指出，AI查询的能耗相对较低，尤其是与人类活动或其他技术相比。例如，一个中等的AI查询消耗0.24瓦时，相当于微波炉运行一秒或电动汽车行驶1.7米的能耗。
- 引用1：>In total, the median prompt—one that falls in the middle of the range of energy demand—consumes 0.24 watt-hours of electricity, the equivalent of running a standard microwave for about one second.
- 引用2：>So that 0.24 watt-hours of energy is equivalent to driving 5.6 feet (1.7 meters) in such an EV.
训练与推理的能耗对比：一些评论提到，训练AI模型的能耗可能远高于推理阶段，但报告中未详细说明训练阶段的资源消耗。
- 引用1：>I'm still curious about the training resource usage -- not "only" inference.
- 引用2：>What matters most is training, post-training, fine-tuning and data scraping, not inference IMO.
数据中心的整体影响：尽管单个查询的能耗较低，但评论指出，数据中心的建设和运营对能源网络的负担仍然很大，尤其是在AI技术快速发展的背景下。
- 引用1：>we can see IRL the heavy toll the new data centers being built are taking on the energy grid.
- 引用2：>Even before the AI boom, shouldn't we have a bunch of extra capacity under construction, ready for EV driving, induction stoves and heat-pump heating?
中位数与总量的关系：一些评论质疑使用中位数能耗来衡量AI的总能耗是否合理，认为缺乏查询总量的数据使得中位数难以反映整体情况。
- 引用1：>A "median" prompt without the information on the total number of prompts is kind of meaningless...
- 引用2：>If I multiplied my median food spent per day with the number of days per month, I'd get a vastly lower number than what my banking app says.
AI与搜索引擎的能耗对比：有评论指出，AI查询的能耗与谷歌搜索查询的能耗相似，甚至在某些情况下更低，尤其是当AI模型在本地设备上运行时。
- 引用1：>I've thought of LLM queries as being far more energy-intense than "just" a Google search, but maybe the takeaway is that ordinary Google searching is also quite energy-intense.
- 引用2：>assuming the A16 CPU draws 5 watts peak for 20sec running Gemma or whatever on my iPhone, that’s 0.03Wh to answer a simple query, which is 10x cheaper.
总结：评论普遍认为AI查询的单个能耗较低，但对训练阶段的能耗、数据中心的整体影响以及中位数能耗的适用性提出了质疑。同时，AI查询的能耗与搜索引擎的能耗相似，甚至在某些情况下更低。