6月15日，微软官方博客发布了一篇文章，引用《Joule》期刊的最新研究成果指出，在大规模部署环境下，人工智能的能耗与用水量实际上远低于此前的市场预估。这一结论，或许会让许多人感到意外。

研究的核心观点在于：面对大规模推理应用场景，外界不应只盯着单个模型的训练或推理总规模，更应关注用户每次典型调用的“每查询”指标。换句话说，别光盯着大模型一次训练耗费多少电力，更要看每次用户提问一个问题时，系统实际消耗的资源量。

具体数据如下：一次典型的常规AI调用，耗电量在0.16到0.60瓦时之间。这是什么概念？相当于一台40瓦的电脑运行15到60秒，或者一台1000瓦的微波炉工作0.6到2秒。与之前文献和媒体报道的数值相比，这项新研究的数据低至原先的四分之一甚至二十分之一。

在用水量方面，保守估计下，一次典型查询的冷却用水量为0至0.067毫升，中位数大约仅为一百分之一茶匙，比一滴水还要少。微软特别指出，随着零用水数据中心设计的逐步推广，这一数字还有进一步下降的空间。

微软同时强调了一个关键规律：系统规模越大，单位查询的效率通常越高。大型系统可以同时处理更多请求，并在模型算法、任务调度、硬件架构等多个层面叠加优化。这就好比大型航空公司，通过统一调度能显著节省燃油——云平台同样能将效率改进扩散到每一次推理任务中。

从数据来看，在10亿次日查询的场景下，基础耗电约为0.7吉瓦时；如果引入各项效率优化措施，耗电量可降至约0.3吉瓦时。即便其中有10%的请求属于代码生成、多步推理等长任务，整体能耗仍然可以比基线水平下降一半以上。这一结果，确实值得行业重新审视AI的“环境账单”。