這些強大的機器雖然非常出色，但耗電量卻驚人。一個訓練中的 AI 模型所消耗的電量相當于五輛汽車一生所消耗的電量。使用互聯網上的所有文本訓練上一個 GPT-4 系統耗電量超過 1 億美元，而且它說話仍然不太好。

　　成本高昂的不僅僅是訓練。一位數據科學家估計，今年 1 月，大型語言模型耗電量相當于 17.5 萬人的用電量。訓練階段通常是人工智能模型耗能最高的階段，但人們對使用這些服務的強烈興趣可能會無限期地產生高昂的電費。

　　隨著對人工智能服務的需求激增，環境污染問題也變得不容忽視，這一問題也變得更加嚴重。我們正面臨能源危機，顯然我們需要改變方向。

　　我們要用人工智能毀滅地球嗎?好吧，我們應該看看大自然是如何做到的。

　　大自然以安靜而優雅的方式每時每刻都在進行計算，而且能源效率極高。從樹木將陽光轉化為食物，到人類大腦處理復雜信息，大自然的計算既復雜又可持續。如果大自然能做到，為什么我們的機器不能呢?顯然，我們目前對人工智能的態度存在根本缺陷。

　　幸運的是，量子計算領域有一線希望。這個新興領域利用量子力學原理，以比傳統計算機更高效的速度執行復雜計算。就像大自然在光合作用中使用量子效應一樣，我們可以利用量子計算以極低的能量運行人工智能系統。

　　高性能計算機的功耗

　　隨著人工智能模型的總體數量和使用量不斷增長，值得考慮為運行這些算法的機器提供動力所需的能源。

　　Frontier 目前是全球最強大的超級計算機，其電費為 21.1 兆瓦，每年高達 2300 萬美元。當田納西州橡樹嶺國家實驗室的工程師們建造 Frontier 時，計算機周圍的辦公空間必須改造成變電站，以確保計算機有足夠的電能。即使在空閑時，Frontier 也會消耗 8 兆瓦的電能。一兆瓦通常可以為 1,000 個歐洲家庭供電。

　　除了消耗了全球相當一部分能源外，這些超級計算機還以排放的形式對環境產生了重大影響。2022 年，中國擁有的超級計算機數量最多，為 172 臺，美國緊隨其后，為 128 臺。煤炭是亞洲迄今為止最常見的能源，預計未來十年仍將保持這一地位。在美國，煤炭占整體能源結構的 60%。在歐洲，太陽能和風能首次在 2022 年與核能持平，但歐洲只有 71 臺超級計算機。所有這些超級計算都在導致溫室氣體擾亂天氣模式并導致地球變暖。

　　即使對于試圖減少碳足跡的研究科學家來說，使用超級計算機也讓他們無法實現這一目標。最近的一項研究計算了澳大利亞一所大學天文學家的碳足跡。平均每個天文學家僅使用超級計算機就產生了 15 噸的排放量，遠遠超過航空旅行和天文臺工作的排放量，后兩者的排放量均為個位數。

　　利用量子計算提高人工智能效率

　　正如世界從燃油汽車轉向電動汽車一樣，企業、大學和政府可以考慮使用量子計算來減少超級計算的碳足跡。這是一條很有前途的途徑，可以讓人工智能不僅更智能，而且更環保。例如，目前的百億億次和千萬億次超級計算機通常需要大約 15 到 25 兆瓦的功率才能運行，而量子計算機的典型能耗為 25 千瓦。

　　此外，我們還看到了量子啟發式計算的出現——模擬量子過程但在經典機器上運行的算法。與傳統 AI 系統相比，這些算法可以顯著節省功耗。

　　例如，人們可以通過深度學習、卷積網絡、Transformer 和其他計算要求高的過程中的巨大因素來提高神經網絡的內存性能。

　　計算機使用神經網絡通過分析訓練示例來學習任務。該網絡由數千個緊密互連的處理節點構成。這些節點按層組織，每個節點都分配有權重和閾值。如果某個節點的輸出超過閾值，該節點就會開啟并將數據傳遞到下一層。

　　如今的 CPU 和 GPU 可支持高達 50 層的網絡。這些網絡一旦經過準確度訓練，便可高速對數據進行分類和聚類。這些網絡可執行筆跡分析、語音轉文本轉錄和天氣預報等任務。

　　當量子計算機進入容錯時代時，研究人員可以將量子位上的操作用作神經網絡中的人工神經元。

　　同時，得益于量子啟發技術，公司可以以最小的能源成本運行每層具有大量神經元的網絡，從而大幅降低能源消耗。

　　高性能計算中心對量子計算感興趣的一個原因是它有機會減少整體用電量。隨著傳統超級計算機的功能越來越強大，它們的功耗幾乎呈指數級增長。量子計算機的計算能力呈指數級增長，但相關的功耗卻呈線性增長。

　　關于量子計算機是否可能比傳統計算機消耗更少的能源，存在一些爭議。支持基礎設施對電力的需求很大，硬件設計也有一些要求。

　　量子能源計劃匯集了來自 46 多個國家的 300 名參與者，涵蓋從基礎量子物理到技術、從硬件到軟件、從研究到工業的各個領域，旨在跟蹤能源使用情況以及量子計算能力的增長。該計劃旨在了解與資源消耗相關的進展。該組織的目標包括為所有量子技術定義基于能源的指標，并找到將量子過程的能源成本降至最低的方法。

　　量子計算和量子啟發式計算正在幫助解決計算能源挑戰。能源公司正在努力解決棘手的優化和機器學習問題，例如能源市場優化和生產預測。事實證明，量子計算不僅更環保，而且還能比傳統的、能源效率低下的計算更好地解決這些挑戰。

　　量子計算和量子啟發計算不僅僅是傳統計算的替代品，更是必需品。通往量子驅動、節能的人工智能革命的道路漫長而充滿挑戰。我們正在與全球變暖和能源需求呈指數級增長作斗爭。但量子技術的每一步進步都讓我們更接近既可持續又智能的人工智能的夢想。