问题：随着智能技术加速发展，大型模型训练规模持续扩大，能源消耗随之成为突出问题。业内测算显示，训练一次顶级模型所耗电力，可能相当于数百台高性能计算设备连续运行数周甚至数月。高能耗不仅推高成本，也给环境带来明显压力。原因：能耗攀升主要源于训练任务本身的高复杂度。其一，模型参数规模巨大，训练需要进行大量矩阵运算与梯度更新，计算需求快速增长。其二，为提升效果，研发往往同时扩大参数量、数据量并延长训练轮次，继续放大用电需求。其三，现有计算芯片的能效仍有瓶颈，高密度计算带来的供电与散热需求也会显著增加整体耗电。影响：高能耗正带来多上影响。环境层面，若数据中心主要依赖化石能源，碳排放将上升，与减排目标形成压力。产业层面，训练成本高企可能抬高进入门槛，使研发能力向少数大型企业集中，削弱技术普及。用户层面，企业可能通过提高服务价格或增加广告投放等方式分摊成本，间接增加消费者负担。对策：为应对挑战，产学研正从多个环节推进改进。硬件上，发展高能效专用芯片与异构计算架构，提高单位能耗的算力产出；算法方面，通过模型压缩、量化等手段减少冗余计算；系统方面，优化分布式训练与资源调度，提升整体效率。同时，加快绿色数据中心建设，更多使用可再生能源，并通过余热回收等方式降低碳足迹。前景：专家认为，智能技术走向可持续，关键在于在性能与能效之间取得平衡。随着芯片工艺进步、算法效率提升以及清洁能源占比提高，大模型训练的能耗压力有望逐步缓解。但要实现规模化改善，仍需要政策引导、行业协作与持续创新共同推进。
算力已成为数字时代的重要基础资源，但其边界受能源供给、环境承载与治理规则共同约束；大模型带来的效率提升与产业变革，不应以难以承受的能耗为代价。通过技术创新提升能效、以绿色能源优化供给、用制度规则引导有序竞争，才能让智能化红利更稳定、更长久地释放，实现“跑得快”也“跑得久”。