AI的能源需求主要集中在其数据中心，这些数据中心目前占美国电力需求的4.4%，并可能在2028年达到总需求的十分之一以上。边缘计算的兴起为这一问题提供了部分解决方案。通过在本地部署AI模型，边缘计算减少了电力消耗和延迟，提供了一种更高效、能源密集度更低的方法。然而，边缘计算本身也面临电力供应的挑战。
AI开发周期与能源基础设施建设的速度之间存在显著不匹配。例如，ChatGPT查询的平均能耗是Google搜索的10倍，而AI开发周期通常以100天为单位，而能源基础设施项目则可能需要数十年。这种不匹配加剧了能源分配的压力，尤其是在电力需求激增的情况下。
尽管政策变化可能暂时缓解部分压力，但它们无法解决能源分配的根本问题。例如，新政府可能撤销电动汽车授权和绿色能源项目支持，但这些举措并不能解决能源基础设施的瓶颈问题。真正的挑战在于如何将能源高效地分配到需要的地方，而不是能源本身的生产。
市场力量正在推动行业变革。企业正在投资高能效的AI架构，开发小型语言模型以在现有电力限制下运行。同时，企业也在根据电力可用性和配电能力做出AI部署决策，并将能源效率视为核心竞争优势。
边缘计算被视为解决能源挑战的关键。通过将计算负载分布在更靠近用户的位置，边缘计算减轻了集中式数据中心的压力。此外，专用的小型语言模型不仅降低了能耗，还为特定任务提供了更好的性能。
未来，AI发展的成功将取决于能源效率的提升，而不仅仅是计算能力的增强。行业领导者必须直面基础设施限制，推动AI效率和配电解决方案的创新，以确保技术进步与可持续发展目标相协调。
