谷歌的最新报告称，其 Gemini 模型处理一次指令的能耗，还不到观看九秒电视的水平。
作者：SORAB GHASWALLA
日期：2025 年 8 月 23 日
为了提升人工智能这一新兴领域的透明度，谷歌最近发布了一份技术报告，详述了其 Gemini 系列模型在能耗、碳排放和水资源使用方面的数据。
这份报告全面揭示了 Gemini 应用在处理一次文本查询中位数时所产生的环境足迹。
市场分析师指出，这是大型科技公司首次敢于就使用大语言模型的环境与资源成本，发布如此详尽的报告。
报告估算，一次中位数的 Gemini 文本查询会消耗 0.24 瓦时的能量，排放 0.03 克二氧化碳当量，并使用 0.26 毫升的水。
这是什么概念呢？谷歌将其比作观看不到九秒的电视所消耗的能量。
也就是说，你向这个 AI 工具提出的一个简单问题，其背后服务器消耗的电力，就和你坐在家里看 9 秒钟电视差不多。
核心概念：什么是文本查询中位数？
在深入探讨前，我们必须先理解文本查询中位数的真正含义。
你发出的每一次指令，其复杂程度千差万别，消耗的能量也因此天差地别。
比如一个极简问题：“2+2 等于几？”，它消耗的能量微乎其微。
但一个复杂任务：“请就量子计算在新兴市场的社会经济影响，撰写一篇 5000 字的学术论文并引用来源”，则会消耗巨量能源。
谷歌在测量数十亿次查询后，会得到一个从极低到极高的庞大数值范围。
想把所有数据都放进报告里是不现实的，这时中位数就派上了用场。
简单说，中位数就是将所有数值从低到高排列后，处在最中间的那个值。它代表了最普遍的情况。
为什么用中位数而非平均数？
使用中位数，能更真实、更具代表性地反映情况。
因为平均数很容易被误导。少数几个能耗极高的复杂查询，会像异常值一样，将整体平均水平急剧拉高。
这就会让普通查询的实际能耗，看起来比真实情况高出许多。
相比之下，中位数能更好地反映一次典型、日常查询的真实能耗，它剔除了两端的极端情况，展现了最常见的用户体验。
谷歌的全栈式测量方法
报告的一大亮点，是谷歌计算这些数据的独特方法论。
注意：前方为技术细节，不感兴趣的读者可直接跳过。
谷歌强调，他们采用的是一种全栈方法，把处理 AI 查询所涉及的全部基础设施都计算在内。
这不仅包括 AI 加速器（如谷歌自家的张量处理单元 TPU）直接消耗的电力。
它还涵盖了主机服务器的 CPU 和内存、为应对流量洪峰而待机的空闲系统，以及数据中心的冷却和配电等所有间接开销。
谷歌指出，许多公开的估算方法不够全面，往往只计算 AI 硬件本身消耗的电力，得出的数据往好了说是过于乐观，实际上是严重低估。
谷歌坦言，如果只用那种狭隘的方法计算，Gemini 的单次查询能耗将仅为 0.10 瓦时。
的确，这堆技术术语对普通读者来说太难懂了。我们不妨用一个计算披萨成本的比喻来理解。
别人的乐观算法：
好比说一张披萨的成本就只是面粉、番茄和奶酪这些原材料的钱。这个数字很低，但不真实，因为它忽略了所有其他成本。
谷歌的全栈算法：
这相当于计算这张披萨送到你面前的全部成本。它包括：
原材料：执行思考的 AI 芯片。 厨师薪水：支持 AI 芯片的主机。 预热的烤箱：为应对高峰期而待命的备用服务器。 餐厅租金和水电：整个数据中心的运营开销，特别是巨量的空调散热。
谷歌想表达的是，他们报出的 0.24 瓦时这个数字之所以更高，是因为他们更加诚实，计算了所有隐藏的能源成本。
而那些声称能耗更低的，很可能只算了“原材料”，却忽略了“厨师、烤箱和房租”，从而给出了一个误导性的低估值。
效率的巨大飞跃
报告还展示了 Gemini 在过去一年里取得的惊人效率提升。
谷歌宣称，在提供更高质量回复的同时，Gemini 的单次查询能耗降低了 33 倍，碳足迹更是减少了 44 倍。
这主要得益于软硬件协同优化，以及更高效的模型架构等多方面的努力。
平心而论，谷歌在降低 AI 环境足迹和推动负责任的 AI 发展方面，确实付出了巨大努力。
分析师认为，此举无疑会给其他 AI 巨头带来压力，促使它们公开类似数据，从而就这项技术的环境可持续性，展开一场更有依据的公共讨论。
然而，这正是问题的关键所在……
谷歌说的 9 秒，只是单次查询的微观视角
在分析开始前，我必须说明，本文只聚焦于电力消耗。
将单次查询的能耗比作看 9 秒电视，听起来似乎微不足道。
但你看待这个问题的角度不同，得出的结论也天差地别。这个比喻巧妙地掩盖了一个事实：当微小的单次消耗乘以全球用户和天文数字般的日查询量后，总能源需求将变得无比巨大。
可一旦你算一笔总账，就会发现 Gemini 一天消耗的总电量，足以驱动一个印度小镇或村庄里 2,500 到 80,000 户家庭。
之所以范围跨度如此之大，是因为谷歌从未公布过全球日查询量的官方数据。有专家估算约为 10 亿次/天，也有保守估算为 2800 万次/天。
到 2025 年中，分析报告显示 Gemini 的日活跃用户在 3500 万到 4500 万之间。所以，2800 万是一个相对保守且现实的数字，但这仅仅是直接登录使用 Gemini 的用户。
如果算上 Gemini 在谷歌搜索、Gmail 等产品中的集成应用，专家相信每日总查询量会急剧攀升。
截至 2025 年，谷歌搜索每天要处理高达 130 到 140 亿次请求。
假设其中仅有 7-8% 的搜索触发了由 Gemini 驱动的 AI 概览功能，日查询量就已经轻松突破 10 亿次。
场景一：10 亿次查询，如何让 9 秒变成 8 万户家庭的日用电？
让我们基于全球每天 10 亿次查询来计算。
每日总能耗：
10 亿次/天 × 0.24 瓦时/次 = 2.4 亿瓦时/天。
换算一下：
这相当于每天 24 万千瓦时 (kWh)。
这意味着什么？
一个普通印度家庭日均用电约 3 千瓦时。因此，Gemini 一天的能耗足以支撑 8 万个印度家庭的日常用电。
这已经是一个小城镇的每日总耗电量。
如果用谷歌自己的比喻，Gemini 一天的总耗电量，相当于一个人不眠不休地看 285 年电视。
（285 年的计算过程：10 亿次查询 × 9 秒/次 = 90 亿秒，换算后约等于 285 年。）
保守场景：即便查询量降低，能耗依然惊人
现在，我们用非常保守的 2800 万次日查询量来计算。
每日总能耗：
2800 万次 × 0.24 瓦时/次 = 672 万瓦时。
换算一下：
这相当于 6720 千瓦时 (kWh)。
这意味着什么？
即便在如此保守的估算下，Gemini 一天也会吞噬掉足够 2240 个印度家庭运行的电力。
而这相当于连续观看 8 年的电视。
（8 年的计算过程：2800 万次查询 × 9 秒/次 = 2.52 亿秒，换算后约等于 8 年。）
现在，9 秒电视这个说法，听起来还那么轻松吗？
无论是乐观估计下的 8 万户家庭，还是保守估计下的 2240 户家庭，这些计算都揭示了一个残酷的现实：
那个让单次行为显得微不足道的比喻，一旦置于全球化的宏大尺度下，其真实影响便显得触目惊心。
同样，专家估算，你每向 Gemini 提一个问题，谷歌就要为此付出 0.5 到 3 美分的成本。
这听起来无足挂齿，但乘以数十亿的日查询量，就会累积成一笔让公司头疼不已的巨额账单。
那么，谷歌为何要强调单次查询这个视角？
从谷歌的角度看，这份报告的重点是展示其在提升效率方面的工程成就。它想证明自己已经成功解决了降低单次查询成本这一技术难题。
9 秒电视这个比喻非常奏效，因为它：
贴近生活：
让普通用户能直观感受到自己单次操作的微小成本。凸显进步：
有力地证明了新模型和硬件相比过去有多么出色。
然而，这种叙事框架回避了一个更宏大、更复杂的问题：这项技术在地球尺度上的总体环境足迹。
对于谷歌和整个科技行业而言，真正的挑战，早已不是优化单次查询的成本。
真正的挑战是，如何用可再生能源去支撑由技术优化本身带来的指数级增长，并为其遍布全球的超大型数据中心提供源源不断的绿色电力。
参考资料：https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference
https://services.google.com/fh/files/misc/measuring_the_environmental_impact_of_delivering_ai_at_google_scale.pdf
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
