奥特曼为AI训练能耗辩护:训练人类也需要大量能源

奥特曼抛出争议类比：人类培养也是"高能耗"

OpenAI CEO 山姆·奥特曼(Sam Altman)最近在印度AI峰会上，针对AI训练的能耗问题，抛出了一个让人直呼"好家伙"的观点。面对《印度快报》(The Indian Express)关于AI模型训练和推理阶段能耗过高的质疑，奥特曼直接来了句："培养人类也要消耗大量能源"，而且AI训练速度比人类成长快得多。

这话一出，背后其实有OpenAI的商业布局在支撑。他们正和甲骨文(Oracle)、英伟达(Nvidia)等大佬们密集签署基础设施协议，为下一代AI模型的训练需求铺路。但AI建设的狂飙突进，也让数据中心的能源消耗、冷却用水量以及硬件制造的资源占用成了行业不得不面对的烫手山芋。

核心逻辑：把机器智能和人类智能画等号

奥特曼的逻辑很简单粗暴：把AI当成人类智能的直接竞争对手。他觉得，应该比较"培养一个人类专家"和"训练一个机器专家"的全生命周期总能耗。在他看来，人类在成长和教育过程中消耗的资源也不少，而且效率远低于机器学习。

他还补充说，人类在能源利用上"效率太低"，而AI的能效表现可能随着技术迭代越来越好。这种说法试图把AI能耗问题从"绝对消耗"转移到"相对效率"上。

批评声浪：人脑功率和伦理问题被忽略了

但这番言论立刻引来了一片吐槽。反对者们指出，奥特曼的类比故意忽略了几个关键事实：

• 人脑运行功率只有20瓦左右，而训练大型语言模型的数据中心能耗动不动就是兆瓦级别，根本不在一个量级；
• 这种"人机能耗对比"有把人类工具化、去人性化的伦理风险，把人的成长简化成了纯能源投入产出计算；
• 人类成长过程中产生的社会关系、文化传承等价值，根本没法用能源成本来衡量。

批评者们认为，这种辩护更像是为资本密集型的AI军备竞赛找借口，而不是真正面对行业的可持续发展挑战。

中国视角：能效焦虑与技术路线选择

对中国AI从业者来说，这场争论很有现实意义。据报道，国内多个省份因为大模型训练需求，已经出现了数据中心电力配额紧张的情况。在"双碳"目标下，行业既要算力扩张，又要面对能效指标的压力。

奥特曼提到的"AI能效可能改善"确实有技术路径——模型蒸馏(Distillation)、稀疏化训练、端侧推理等方向正在降低单位算力成本。但这也要求从业者在追求参数规模的同时，同步投入绿色计算技术研发，而不是光靠话术转移注意力。

值得注意的是，奥特曼的表态里没有具体能耗数据，也没有OpenAI的减排承诺。这种"原则性辩护"在监管日益收紧的环境下，可能很难满足利益相关方的透明度要求。

本文基于 GNews:TechRadar 报道, 由 AiDuo123 AI 编辑翻译改写。原文链接: https://www.techradar.com/pro/quote-of-the-day-by-sam-altman-it-also-takes-a-lot-of-energy-to-train-a-human-a-staunch-defense-of-the-cost-of-ai-training