奧特曼為AI訓練能耗辯護:訓練人類也需要大量能源

奧特曼丟擲爭議類比：人類培養也是"高能耗"

OpenAI CEO 山姆·奧特曼(Sam Altman)最近在印度AI峰會上，針對AI訓練的能耗問題，丟擲了一個讓人直呼"好傢伙"的觀點。面對《印度快報》(The Indian Express)關於AI模型訓練和推理階段能耗過高的質疑，奧特曼直接來了句："培養人類也要消耗大量能源"，而且AI訓練速度比人類成長快得多。

這話一齣，背後其實有OpenAI的商業佈局在支撐。他們正和甲骨文(Oracle)、輝達(Nvidia)等大佬們密集簽署基礎設施協議，為下一代AI模型的訓練需求鋪路。但AI建設的狂飆突進，也讓資料中心的能源消耗、冷卻用水量以及硬體製造的資源佔用成了行業不得不面對的燙手山芋。

核心邏輯：把機器智慧和人類智慧畫等號

奧特曼的邏輯很簡單粗暴：把AI當成人類智慧的直接競爭對手。他覺得，應該比較"培養一個人類專家"和"訓練一個機器專家"的全生命週期總能耗。在他看來，人類在成長和教育過程中消耗的資源也不少，而且效率遠低於機器學習。

他還補充說，人類在能源利用上"效率太低"，而AI的能效表現可能隨著技術迭代越來越好。這種說法試圖把AI能耗問題從"絕對消耗"轉移到"相對效率"上。

批評聲浪：人腦功率和倫理問題被忽略了

但這番言論立刻引來了一片吐槽。反對者們指出，奧特曼的類比故意忽略了幾個關鍵事實：

• 人腦執行功率只有20瓦左右，而訓練大型語言模型的資料中心能耗動不動就是兆瓦級別，根本不在一個量級；
• 這種"人機能耗對比"有把人類工具化、去人性化的倫理風險，把人的成長簡化成了純能源投入產出計算；
• 人類成長過程中產生的社會關係、文化傳承等價值，根本沒法用能源成本來衡量。

批評者們認為，這種辯護更像是為資本密集型的AI軍備競賽找藉口，而不是真正面對行業的可持續發展挑戰。

中國視角：能效焦慮與技術路線選擇

對中國AI從業者來說，這場爭論很有現實意義。據報道，國內多個省份因為大模型訓練需求，已經出現了資料中心電力配額緊張的情況。在"雙碳"目標下，行業既要算力擴張，又要面對能效指標的壓力。

奧特曼提到的"AI能效可能改善"確實有技術路徑——模型蒸餾(Distillation)、稀疏化訓練、端側推理等方向正在降低單位算力成本。但這也要求從業者在追求引數規模的同時，同步投入綠色計算技術研發，而不是光靠話術轉移注意力。

值得注意的是，奧特曼的表態裡沒有具體能耗資料，也沒有OpenAI的減排承諾。這種"原則性辯護"在監管日益收緊的環境下，可能很難滿足利益相關方的透明度要求。

常見問題

奧特曼所說的'訓練人類需要大量能源'具體指什麼?

原文未給出具體量化資料。通常這種說法指人類從出生到成為專業人才的全過程(教育、生活、通勤等)累計消耗的能源總和,但這種類比存在爭議,因為人腦執行本身僅需約20瓦功率,與AI訓練的資料中心能耗(可達兆瓦級)不在同一量級。

AI訓練的實際能耗有多大?

原文未提供OpenAI具體能耗資料。據公開研究,訓練GPT-3規模模型可能消耗數百萬千瓦時電力,相當於數百個家庭年用電量,且推理階段的持續運行同樣需要大量能源支援資料中心運轉和冷卻系統。

奧特曼提到的'AI能效可能改善'有哪些技術方向?

原文未展開技術細節。業內通常通過模型壓縮(如知識蒸餾)、稀疏化訓練、更高效的晶片架構(如輝達Blackwell)、端側部署等方式降低能耗,但這些最佳化能否抵消模型規模擴張帶來的總能耗增長,仍是行業爭議焦點。

中國AI從業者如何應對能耗監管壓力?

原文未涉及中國政策。實際上國內'東數西算'工程已在引導算力向可再生能源富集地區轉移,企業層面可關注液冷技術、PUE(電源使用效率)最佳化、採購綠電等合規路徑,同時在模型設計階段就考慮能效指標而非單純追求引數規模。

---

本文基於 GNews:TechRadar 報道, 由 AiDuo123 AI 編輯翻譯改寫。原文連結: 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