随着新一轮科技革命的兴起和发展，产业变革加速演进，全球经济发展呈复苏之态，数字基础设施以关键底座之力支撑、引领经济发展的新方向。习近平总书记指出，“加快新型基础设施建设。要加强战略布局，加快建设以5G网络、全国一体化数据中心体系、国家产业互联网等为抓手的高速泛在、天地一体、云网融合、智能敏捷、绿色低碳、安全可控的智能化综合性数字信息基础设施，打通经济社会发展的信息‘大动脉’”。党的二十大报告进一步强调，“加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。”

从智能驾驶、智慧城市、元宇宙，再到以ChatGPT为代表的生成式人工智能，算力正成为赋能各行各业数字化转型的基础技术要素。算力是大数据储存分析的计算资源，随着数字经济的蓬勃发展，算力逐渐由互联网行业向交通、工业、金融、政务等行业渗透，各行业对算力资源的需求持续高涨。在此背景下，充足稳定的算力资源供给量不仅是数字技术进一步迭代的前提条件，也成为支撑数字经济发展的关键动力。然而，随着各行业算力需求大幅增加，算力引发的能源消耗问题和间接温室气体排放问题受到各界学者的广泛关注。研究显示，2022年我国数据中心耗电量已达2700亿千瓦时，约占我国耗电总量的3.13%。电力驱动的算力基础设施因产生大量碳排放，对我国实现碳达峰、碳中和目标提出了挑战。

近年来，科学家对算力引发的能耗问题的关注度持续增加，但在特定的中国国情下，分析算力发展与能源消耗二者关系及其应对策略的针对性文章较少。本文在梳理我国算力发展现状的基础上预测了我国未来算力发展的需求，通过分析未来算力增长和电力能耗之间的关系及可能存在的问题，针对性地提出了我国算力绿色低碳转型的对策建议。

一、典型应用领域算力需求与预测分析

算力发展现状

根据计算机处理能力，算力一般可划分为基础算力、智能算力和超算算力。

1.基础算力，通常由中央处理器（CPU）组成，一般而言，基础算力能够满足日常基础数据计算需求，如办公应用、网页浏览、媒体播放等。

2.智能算力，主要由图形处理器（GPU）、专用集成电路等异构计算芯片组成，常用于处理大规模数据和复杂算法模型，如图像识别、语音识别、自然语言处理等。

3.超算算力，具备极高计算性能和超大规模并行处理能力，通常由多处理器、大内存和高速互联网络组成，常用于天气预报、风洞实验、能源开发等科学领域，协助开展复杂的计算研究。

作为算力的主要载体，我国算力基础设施发展迅速，梯次优化的算力供给体系初步构建。近5年来，我国算力规模的平均年增长率为46%，对我国经济社会和产业能级发展的动力支撑作用不断增强。2021年，我国智能算力规模达104 EFlops，基础算力规模达95 EFlops，超算算力规模约为3 EFlops。

从应用领域来看，我国的算力应用领域由早期的互联网行业逐渐扩展。尤其扩展到工业、教育、医学研究等领域（图1），成为各传统产业智能化改造和数字化转型的重要支撑，算力正全面赋能生产、运营、管理、融资等各个领域的创新发展。

图1 2022年我国重点发展的算力应用领域现状和实际耗电量

1 算力大规模应用在工业领域

随着人工智能在工业领域的深入应用，工业智能制造已实现制造过程的智能化和自动化。据统计，我国工业制造的算力支出占全球算力总支出的12%，机器人领域的算力支出已超全球算力总支出的60%。在工业生产过程中，智能设备和传感器对生产数据的实时收集和监测为自动化控制提供了基础，实现了对生产过程的实时调整和优化。这种实时控制和优化需要大量的算力来处理和分析庞大的数据集，确保生产过程更具精确性和高效性。因此，足够的算力支持是实现工业生产过程中自动化控制的关键要素之一。

2 教育领域是算力发挥作用的另一潜在领域

综合来看，教育领域对算力的需求主要分布在研究实验、智能学习、交互式学习等方面。

1.研究实验领域，大数据智能、类脑智能计算和量子智能计算等基础理论研究对算力资源提出巨大需求。其中，维持类脑计算在超算平台运行需要1 EFlops，相当于1.6万片CPU核处理器的计算能力。

2.在智能学习领域，大型开放式网络课程（MOOC）等智能化教育云平台涉及视频压缩、解压缩算法、带宽管理和网络传输优化等多项技术的融合应用，这些技术手段均需要稳定且庞大的算力支撑。

3.在交互式学习领域，算力具有强大的计算机系统，可以支持构建虚拟实验并模拟学习环境。华为《智能世界2030》报告指出，三维建模的算力需求较以往传统建模技术增加100倍，仅华为云技术运行一次三维建模就需约0.011 EFlops的算力。

3 医学成为算力应用的又一潜在领域

 当前，人工智能技术已经被医疗机构和生命科学组织广泛接受。计算机视觉和图像处理技术被用于分析和解释医学影像，如X光照射、电子计算机断层扫描和基因组分析等。医学影像通常需要进行图像预处理以改善图像质量并减少噪声，涉及去噪、伪影去除、几何校正和图像增强等步骤。

我国未来算力需求预测

随着数字经济发展，人工智能和产业数字化等多样化的算力需求场景不断涌现。为进一步探究未来5年我国的算力发展规模，本文基于各类型算力规模数据，对我国未来算力需求发展进行了预测。图2展示了算力预测模型的基本框架，根据模型得到了我国未来算力发展规模和结构变化的主要预测结果（图3和4），相关结论如下。

图2 我国算力预测模型的基本框架

图3 2016—2026年我国算力发展规模

图4 2016—2026年我国算力发展结构变化

1 

我国算力发展规模持续增长

根据预测结果，2022年我国算力总规模达315 EFlops，预计到2026年我国算力总规模将进入每秒10万亿亿次浮点运算时代，达到767 EFlops。

2

基础算力、智能算力、超算算力分别呈现稳定增长、迅速增长、持续增长的态势，2016—2026年的年平均增速分别达18.99%、78.97%、23.45%

在大数据、人工智能、云计算等新一代信息技术的驱动下，智能算力发展迅猛，预计到2026年我国智能算力规模将达到561 EFlops。

3

我国算力结构持续优化

随着各领域对智能算力需求不断增长，我国算力结构也在不断演变（图4），尽管基础算力呈现稳定增长态势，但预计基础算力占总算力规模的比重将从2016年的95%下降至2026年的26%，智能算力占总算力规模的比重则从2016年的3%攀升至2026年的73%，同期我国超算算力在总体算力规模中呈现出稳定的上升趋势。

2

我国算力的电力能耗分析及低碳转型挑战

我国算力能耗分析

本文从2个角度测算我国算力的电力能耗。

1

对承载算力的基础设施（如数据中心）能耗进行预测。

数据中心的电力能耗主要来源于信息技术（IT）设备、制冷设备、供配电系统和照明等其他设备的能源消耗，其电力成本占运营总成本的60%—70%。通过对我国2016—2021年的算力规模和数据中心用电量数据展开分析，推测每使用1 EFlops算力所需的年耗电量约为8亿—12亿千瓦时，并且这个数值随时间的推移呈下降趋势。2022年，我国数据中心的算力总规模达315 EFlops，数据中心数量达8.5万个；相当于每个数据中心平均算力为3.7×10-3 EFlops，1年至少需要耗电约317.7万千瓦时。结合上述预测的2026年我国算力总规模和每1 EFlops算力所需的年耗电量，预计到2026年，我国所有数据中心所需年耗电量至少达到6 000亿千瓦时，数据中心耗电量占我国用电量比重预计将从2016年的1.86%增长至2026年的6.06%（图5）。

图5 2016—2026年我国数据中心耗电量及其耗电量占我国用电量百分比

2

对算力应用实例的能耗分析

算力在人工智能领域中扮演着重要的角色，其可以执行复杂计算，并能为训练深度学习模型提供必要的计算能力支持。

1. ChatGPT的实例。ChatGPT作为一种基于人工智能技术的自然语言处理模型，是在稳定且充足的算力支撑下使用的，是大型企业与科研机构应用人工智能技术协同创新的典型范例之一。本文以ChatGPT为例，探究其背后的算力资源使用和电力消耗情况，推算未来我国大模型应用的算力资源需求和电力消耗。以美国成立的人工智能研究公司OpenAI训练一次13亿参数的GPT-3XL模型为例，本文设定ChatGPT训练一次，所需算力约0.0275 EFlops。假设ChatGPT每年至少需要训练50次，则预计1年需1.375 EFlops算力，年耗电量至少需要11.83亿千瓦时。综合考虑输入文本长度、模型维度和模型层数等因素，本文估算每次访问ChatGPT查询一个问题大约需要2.92×10-10 EFlops算力，耗电量约为0.00396千瓦时。假设ChatGPT每日有2亿次咨询量，预计每日至少需要0.0584 EFlops算力，则需耗电79.2万千瓦时。

2. 我国大模型的实例。截至2023年5月，我国已发布了79个10亿级参数规模以上的大模型。假设各模型每年至少需要训练50次，每次计算所需要的算力资源和电力消耗与ChatGPT模型接近，预计1年需109 EFlops算力，年耗电量至少934.6亿千瓦时。需要注意的是，该结果仅反映了人工智能领域的算力能耗需求。若考虑在所有垂直应用场景下，我国对算力资源和电力能源的需求将会激增。总体而言，无论是从数据中心的基础能耗还是新兴领域的未来发展来看，算力资源的需求量和电力能耗量都将持续攀升，这可能进一步增加我国用能负担和碳排放总量。

我国算力发展绿色低碳转型面临的挑战

我国算力需求总体呈爆炸式增长趋势，高能耗问题较为突出。不仅如此，我国算力发展还面临资源供需失衡、协同使用效率不足等方面问题，这些都制约了算力的绿色低碳转型。算力发展面临的问题具体包括3个方面。

1

整体布局较分散，集约化水平不高

尽管各行业数据中心不断涌现，算力规模爆发式增长，但各单位间缺乏有效联通，导致“数据中心孤岛”“云孤岛”等现象频频出现，算力资源利用率低。此外，单体数据中心整体规模偏小，规模受限，后期扩容难，面临利用率低、能耗高、迁移成本增加等问题。

2

资源分配不均衡，供需两端不匹配

当前，我国算力资源整体呈现“东部不足、西部过剩”的不均衡局面。数据中心的规模通常通过标准机架数量来衡量，一般情况下，机架数越多，数据中心的算力规模也就越大。尽管东西部用机架数的比例约为7∶3，东部地区的算力资源远比西部地区丰富；但由于算力需求多集中在创新能力强的东部地区，东部地区仍面临算力资源紧张的问题。中西部地区能源充裕但算力资源产能过剩，西部地区产能过剩现象尤为突出，供给量超出需求量15%以上。

3

缺乏算力设施协同共享机制

“东数西算”工程全面启动后，各算力枢纽节点、数据中心集群加大投资建设力度，有效提升了数字基础设施的整体水平，进一步优化了数据处理和存储的效率。但缺少任务协同和资源共享机制，导致算力节点通过网络灵活高效调配算力资源的能力不足，算力设施“忙闲不均”，极大制约了能源效率的提升。算力基础设施多采用电力供能，即使算力资源未被充分利用，为确保数据安全和设备稳定，算力基础设施仍需持续运转，产生无效的能源消耗。

3

我国算力绿色低碳转型的对策建议

算力已成为支撑数字经济发展的关键动力，其绿色低碳转型需兼顾发展和安全2个角度。针对我国算力发展的巨大需求及面临的问题，如何在保障算力基础设施用电充足稳定的前提下实现绿色低碳转型，成为解决该问题的重要突破口。本文针对我国算力绿色低碳转型提出以下6个方面的对策与建议。

1

加强算力顶层设计，推进算—网融合发展

1. 转变算力资源建设理念，加强算力资源的统筹发展。

2. 优化多层级算力基础设施体系。

3.统筹布局，打造区域算力调度指挥平台。

2

优化算力资源布局，降低算力利用能耗

1. 多层面、多维度优化算力基础设施区域布局。

2. 进一步优化算力对能耗指标分配。

3.加速改造升级“老旧小散”数据中心。

3

加大绿色研发创新，健全算力生态体系

1. 加大绿色算力基础设施关键技术研发。

2. 着重推广现有绿色节能先进成果。

3.建设绿色数据中心供电系统。

4.制定统一的算力接入标准和接口规范。

4

完善能耗监管机制，夯实算力监管体系

1. 建立健全算力基础设施全生命周期评价体系。

2. 完善数据中心绿色监管与评价体系。

5

完善算力租赁制度，创新算力商业模式

1. 构建面向用户开放的算力统一运营平台，实现算力服务的“一键式订购”和“弹性调节”。

2. 建立和完善算力租赁制度。

3.构建动态收费策略。

6

用好算力余热资源，实现绿色集约发展

1. 探索扩大数据中心能源的回收利用体系

2. 强化对数据中心余热回收利用技术的政策支持。

陈晓红  中国工程院院士。湖南工商大学、中南大学教授，湘江实验室主任。主要研究领域：决策理论与决策支持系统、大数据分析与智慧管理、中小企业融资、两型社会与生态文明等。

汪阳洁  中南大学商学院教授。主要研究领域：资源环境经济、数字经济与政策、产业经济。