一个让人不舒服的数字

2025年，Google发表论文称，一次Gemini文本查询的平均能耗仅为0.24瓦时（Wh）。Sam Altman也给出了类似的数字：一次ChatGPT查询约0.34 Wh。多位研究者跟进，结论一致——一次AI聊天的能耗大约只相当于看9秒钟电视，约为普通人日均碳排放的十五万分之一。

这些数字是对的。它们也是过时的。

2026年8月，气候科学家Zeke Hausfather在The Climate Brink上发表了一篇文章，用自己的Claude Code使用日志算了一笔账。在过去8周里，他输入了1138条提示，这些提示触发了超过14000次模型调用，共处理了32亿个token。他的保守估算：每次输入的能耗约为150Wh——是Google公布的0.24Wh的625倍。

这不是一个统计噪音级别的偏差，而是一个数量级的断裂。它意味着，我们用来讨论AI能耗的整个叙事框架——“每次查询多少瓦时”——在Agent时代已经彻底失效了。

“每次查询"是一个错误的计量单位

问题的根源在于"每次查询”（per-query）这个概念。

在聊天机器人时代，用户输入一段文字，模型返回一段回复，交互到此结束。一次查询就是一次模型调用，处理几百到几千个token，能耗确实微乎其微。

但Agent的工作方式完全不同。当你给Claude Code一个任务——“重构这个模块的错误处理逻辑”——它不会一次性给出答案。它会读取文件、执行命令、检查输出、发现错误、重新尝试、读取更多文件、修改代码、运行测试……每一步都是一次独立的模型调用，而每次调用都需要把之前所有的上下文重新喂给模型。

Hausfather的数据揭示了这种工作方式的能量分布：

  • 1138条用户输入 → 14000+次模型调用（平均每条输入触发12次调用）
  • 每条输入平均处理290万token
  • 32亿token中，96%是缓存读取——也就是Agent在每一步重新读取自己之前积累的上下文
  • 模型实际输出的文本仅占总token的0.4%

这是一个违反直觉的能量分配：绝大部分算力和电力不是花在"思考"上，而是花在"记住自己在做什么"上。Agent每执行一步，就要把整个对话历史重新处理一遍。随着任务推进，上下文越来越长，每一步的能量消耗也随之增长。

Watershed公司在2026年发布的一份AI排放核算白皮书（Bistline et al. 2026）独立验证了这一发现。他们提出，AI任务的电耗跨越五个数量级：从文本分类的千分之一瓦时，到Agent工作流的50-500Wh。报告直言不讳地指出，将AI能耗按"每次交互"平均，可能会低估实际计算消耗一个数量级以上。

另一项由Bai等人发表的研究（2026年）测量了编码Agent在真实软件任务上的表现，发现它们消耗的token大约是普通聊天交互的1000倍。

把数字翻译成生活

150Wh是什么概念？大约相当于：

  • 给一部手机充满电15次
  • 运行一台微波炉7分钟
  • 一台节能冰箱运行约3小时

而这只是一条提示的能耗。Hausfather的日均Claude Code使用量是3.0kWh，峰值日11kWh——超过美国家庭日均用电量的三分之一。年化估算约1.1MWh，排放约370kg CO₂。这大约相当于一台电热烘干机一年的排放，或一次旧金山到纽约的经济舱往返飞行碳排放的一半。

需要强调的是，Hausfather并不是一个"普通用户"。他是Stripe的气候科学家，重度使用AI工具进行数据分析工作。但他的数据也不是极端个例。其他研究者给出的估算虽然略低，但都在同一量级：Simon Couch估算Claude Code的中位数会话能耗为41Wh；Andy Masley的计算器给出10万token的Opus Agent会话约459Wh；Hannah Ritchie假设的重度用户（每天24次Agent查询）为2.4kWh/天。

方向是一致的：Agent时代的AI能耗，比聊天时代高两到三个数量级。

为什么会这样：Agent的能量悖理

理解Agent能耗的关键，在于理解一个看似低效的设计模式——上下文重计算。

传统软件工程中，一个函数处理完数据就可以丢弃中间状态。但Transformer架构的自注意力机制要求每次前向传播都处理完整的输入序列。Agent在第一步读取了10K token的代码文件，到第十步时，这10K token仍然需要作为上下文的一部分被重新处理。到第一百步时，整个对话历史——代码、命令输出、错误信息、推理过程——全部都要重新喂给模型。

这就是为什么96%的token都是缓存读取。KV缓存机制让重复处理同一上下文的成本大幅降低——缓存读取的定价大约是新鲜输入的10%——但"便宜得多"不等于"免费"。当你每天处理数十亿token时，即使是10%的成本，累积起来也是一个庞大的数字。

这个设计的深层逻辑是：Transformer架构没有"记忆"的概念，只有"注意力"。它不能像人类一样记住之前的结论然后只处理新信息，它必须每次都"重新阅读整个对话"才能决定下一步做什么。这不是某个产品的缺陷，而是当前AI架构的基本特征。

更令人担忧的是趋势。Hausfather注意到，他最重的一天——11kWh——涉及多个并行Agent同时处理一个大型地理空间分析任务。当Agent被允许自主运行、自主协调时，能耗可能会进一步放大。Anthropic的经济指数显示，其API使用中已有97%呈现"自动化主导"模式——也就是说，绝大多数算力消耗已经来自Agent式使用，而非人类对话式交互。

亚马逊的3300万吨：宏观图景

Hausfather的个人数据只是微观侧写。宏观层面，AI产业的能源需求正在以超出预期的速度增长。

劳伦斯伯克利国家实验室（LBNL）的估算显示，到2030年，美国数据中心可能占全国电力消费的12%左右。而这只是一个平均数字——问题在于峰值的增长速度。

就在Hausfather发表文章的同一天，《纽约时报》报道了亚马逊在德州Pecos County建设的数据中心配套天然气发电厂。这座电厂获批的年碳排放量为3300万吨二氧化碳——超过美国任何其他发电厂。亚马逊发言人确认数据中心将使用新建的 onsite 发电设施。亚马逊自身报告2025年碳排放增长16%，与其2040年净零承诺背道而驰。

这个故事的核心矛盾是：科技巨头们都在做出雄心勃勃的零碳承诺，但AI算力需求的增长速度远超绿电的建设速度。当太阳能和风电的建设周期以年计、输电网络的升级以十年计，而GPU集群的部署以月计时，化石能源就成了唯一能"赶上"AI增长速度的选项。

亚马逊不是个例。微软、Meta、Google都在以不同形式增加对天然气乃至煤电的依赖。AI产业对电力的渴求正在逆转科技行业过去十年的清洁能源趋势。

真正的成本：不是电费，是外部性

如果AI Agent的能耗是聊天模式的600倍，那么"每次查询0.24Wh"这个数字就不仅仅是一个技术参数，而是一个系统性误导。

它误导了政策制定者，让他们以为AI能耗是一个可以忽略的小问题——毕竟，看9秒钟电视而已。它误导了消费者，让他们对AI工具的使用毫无能耗意识。它也误导了AI公司自己，让它们在产品设计中几乎没有把能效作为优先级。

现实中，Agent的能耗是一个多层级的外部性：

个人层面，一个重度Agent用户每年的AI碳排放（370kg+）可能超过其航空出行的碳排放。这不是说应该停止使用，而是说应该有意识地去选择何时用Agent、何时用更简单的方法。

企业层面，Anthropic将Claude Code的Auto Mode设为默认（PR产出增加25%），这意味着每个团队的token消耗和能耗都在同步上升。企业需要开始把AI能耗纳入其碳排放核算——Watershed的白皮书正是为此而生，但目前采用率极低。

全球层面，当数以百万计的开发者开始日常使用Agent工具，当Anthropic API的97%流量已经是Agent模式，当亚马逊为数据中心建设年排放3300万吨的燃气电厂时——AI已经不再是那个"看9秒电视"的小问题了。

几个可能的出路

解决Agent能耗问题不会只有一个银弹，但几个方向已经开始浮现。

模型选择。Hausfather指出，将简单任务发送给更小的模型，每token的能耗可以降低5-7倍。在实际工作中，很大比例的Agent步骤——读取文件、检查语法、格式化输出——并不需要前沿模型的能力。如果Agent框架能智能地路由任务到合适大小的模型，就有望在不牺牲质量的前提下大幅降低能耗。

架构创新。Transformer的上下文重计算问题是Agent能耗的结构性根源。如果未来的模型架构能够实现真正的"记忆"——只处理增量信息而非完整上下文——能耗可能下降一到两个数量级。状态空间模型（SSM）、线性注意力机制、以及各种形式的"记忆压缩"正在朝这个方向努力，但目前尚未在生产环境中大规模验证。

缓存的深度优化。既然96%的token是缓存读取，那么降低缓存读取的能耗就是最高杠杆的优化点。更高效的KV缓存存储格式、更聪明的缓存淘汰策略、以及硬件级别的缓存优化，都可能带来实质性的改善。AI公司在缓存读取上已经提供了10倍的价格折扣，这暗示底层计算成本也应该是10倍更低——但实际能效优化空间可能更大。

绿色算力调度。将Agent任务调度到低碳电力的数据中心和时段执行，可以在不改变硬件的情况下显著降低碳排放。这需要更精细的碳感知调度系统，以及更透明的电力碳强度数据。

不是结论的结论

Hausfather在文章末尾说了一段值得引用的话。他说自己的AI使用每年排放约370kg CO₂，这"同时是一个巨大的排放源，也只占我个人碳足迹的相对适度的部分"。他不为此失眠，就像他不会为每年两次的跨海岸航班失眠一样。

但关键的区别在于：航空排放是一个成熟产业、一个稳定数字。而AI Agent的排放是一个正在指数增长的曲线的起点。

今天，全球可能有几十万重度Agent用户。明年可能是几百万。三年后可能是几千万。当Auto Mode让Agent更容易部署、当Claude Code会话间通信让多Agent协作成为标配、当每一个SaaS产品都开始内置Agent功能时——0.24Wh的叙事不仅会过时，会成为一句谎言。

真实的数字是150Wh。差距是600倍。而我们才刚刚开始。

数据来源：The Climate Brink (Zeke Hausfather), Watershed (Bistline et al. 2026), Bai et al. 2026, LBNL, 纽约时报, Anthropic Economic Index