据外媒报道，马斯克创办的AI公司xAI在美国田纳西州孟菲斯构建的超级计算机“Colossus”（巨人）因违反环境规定而面临审查。南方环境法律中心在近日发给谢尔比县卫生局的一封信中表示，航拍图像和其他数据显示，xAI在当地的工厂安装了“多达35台甲烷气体涡轮机”。这些涡轮机的总功率可达到420兆瓦，足以为一座城市供电。这35台涡轮机不仅是重大空气污染源，同时也远超xAI向谢尔比县卫生局申请的“15台设备”的数量，是“非法”的。

Colossus是马斯克为了给xAI聊天机器人Grok提供算力而建设的世界上规模最大的超级计算机。大模型训练过程需要巨大的算力支持，这直接导致了大量的电力需求。国际能源署预测，全球数据中心到2026年的用电量将高达1.05万亿千瓦时，凸显了AI发展极快的能源消耗速度。马斯克被控“非法发电”的背后，是AI大模型这一“吞电巨兽”所面临的电力困境。

马斯克“非法”安装35台甲烷气体涡轮机

去年6月，xAI宣布将在美国田纳西州孟菲斯建造一台超级计算机来训练其人工智能大模型Grok。同年9月，马斯克透露孟菲斯超级计算机的一部分，即现在的Colossus已经上线。

值得注意的是，马斯克曾表示，孟菲斯的超级计算机系统包括20万个英伟达GPU，其中一半是在短短122天内安装完成的，他希望最终将GPU规模扩大到100万个。自宣布这一项目以来，xAI已向当地提交了14份施工许可申请，相关文件显示，预计项目成本合计达到了4.059亿美元。

从去年开始，xAI就已经开始孟菲斯数据中心训练Grok模型。今年2月18日，xAI发布了最新一代模型Grok 3。为了打造Grok 3，马斯克投入了高达10万个英伟达GPU作为算力支撑，计算量是前代的10倍。

但是，孟菲斯的超级计算机项目自宣布以来就面临着能源消耗及环境污染的质疑。据外媒报道，xAI已向孟菲斯照明、天然气和水处理公司（MLGW）申请了300兆瓦的电网电力，并获得150兆瓦的供电许可。这一供应许可，足以为10万个家庭提供电力。

即使是这样，这些电力对于Colossus而言仍然远远不够。南方环境法律中心在近日发给谢尔比县卫生局的一封信中表示，航拍图像和其他数据显示，xAI在当地的工厂安装了“多达35台甲烷气体涡轮机”。这些涡轮机的总功率高达420兆瓦，足以满足一座城市的用电需求。

早在去年夏天，xAI就曾在额外设置甲烷发电机，谢尔比县卫生局当时表示，xAI并未获得使用这些发电机的许可。今年1月，xAI申请了15台发电机的许可，以临时为数据中心供电。而最新披露的35台显然远远超过其申请的数量。

此外，南方环境法律中心在信中还提到，xAI非法安装的设备违反了《清洁空气法》，特别是其中关于有毒和致癌污染物的排放限额，是“重大空气污染源”。该组织呼吁，当地应发布紧急命令，要求xAI停止使用35台发电机，如果未遵守，建议每日罚款2.5万美元。

“吞电”巨兽，如何缓解能耗与污染难题？

xAI因能源消耗及环境污染所面临监管审查，折射出当前AI大模型所面临的资源掣肘及环保难题。

国际能源署发布的2024版全球电力报告显示，2022年全球数据中心和人工智能大约消耗了全球总用电量的1.6%，而且增长迅速。随着大模型的异军突起，全球数据中心到2026年的用电量将高达1.05万亿千瓦时。斯坦福人工智能研究所发布的《2023年人工智能指数报告》显示，大语言模型GPT-3一次训练的耗电量为1287兆瓦时，相当于120个美国家庭一年的用电量。而GPT-4的主要参数是GPT-3的20倍，计算量是GPT-3的10倍，能耗也随之大幅增加。

除此以外，大模型还会带来碳排放增多的问题。去年6月，谷歌发布的环境报告显示，自2019年以来，其温室气体总排放量增长了48%，仅2023年一年谷歌就产生了1430万吨二氧化碳，同比2022年增长13%。谷歌将碳排放量激增的原因，归结于数据中心的能源使用和供应链排放的增加。

能耗问题正逐渐成为人工智能发展的“绊脚石”。OpenAI首席执行官山姆·奥特曼曾公开表示，未来AI的耗电量将大大超过人们的预期，因此必须在能源方面取得突破。他还表示，更多气候友好型能源，特别是核聚变或更便宜的太阳能和储能，是AI的发展方向。这一判断也促使奥特曼加大对核聚变的投资。奥特曼向核聚变初创公司Helion Energy投资了3.75亿美元，这也是他迄今为止最大的一笔投资。

当前，大模型训练遵循Scaling Law（缩放定律，即模型性能随着算力、数据的增加而提升），各个厂商都在“卷参数”，因为往往参数越大，能力越大。在这种技术路径下，模型性能每提升一个层次，其消耗的电力与碳排放也会与之俱增。因此，如何在发展AI大模型的同时，减低其能耗及碳排放，一直是行业研究的重点。

除了发展核能、太阳能、风能等清洁能源等清洁能源以外，行业人士普遍认为，还应加强AI技术的创新与优化，通过不断改进AI模型与算法，更新使用高效能硬件，优化数据中心设计等方式，减少不必要的计算量，实现更高的能效。事实上，近年来随着技术的不断进步，模型压缩、剪枝、量化、异构计算芯片等新技术的出现，使日常使用AI推理的单次能耗也在持续下降。