说实话，关于AI模型的能耗争议，长期以来都是公众讨论中容易被“过度渲染”的话题。微软最新发布的研究博文援引《Joule》期刊的数据指出，在大规模部署场景下，AI的实际能耗和用水量远低于外界先前普遍预期的水平。

该研究特别强调了一个值得关注的视角：在评估大语言模型的资源消耗时，不应只聚焦于单个模型的训练或推理规模，而应更加关注用户在实际使用中每次典型查询的真实成本。核心理念是什么？是“每次查询”的微观效率。

研究披露的具体数据如下：一次常规AI查询的耗电量约为0.16至0.60瓦时。这是什么概念？大致相当于一台40瓦的电脑连续运行15至60秒，或一台1000瓦的微波炉工作不到2秒钟。对比此前不少文献和媒体报道中引用的数字，这项新研究的数据低至四分之一甚至二十分之一。

水资源方面的对比更加直观。在保守假设下，一次典型查询所需的冷却用水量为0至0.067毫升，这个量甚至不到一滴水。更关键的是，微软还提到一个趋势：随着零用水数据中心设计的逐步推广，这一数字仍有继续下降的空间。贴张图直观感受一下：

当然，这些数据背后有一个核心机制：规模越大，效率越高。大型系统可以同时承载更多请求，并在模型层、调度层、硬件层实施多重叠加优化。这就好比大型航空公司，调度更统一，燃油自然节省得多；云平台也是同样的逻辑，系统级的效率提升可以摊薄到每一次推理上。

为了说明这一点，研究给出了一个量化的案例：在10亿次日查询的场景下，基础耗电约为0.7吉瓦时；但如果引入一系列效率优化，这个数字可以降至约0.3吉瓦时。即便在这个场景中有10%的请求属于代码生成、多步推理这类长任务，整体能耗依然能比基准线下降一半以上。归根结底，单点上的高能耗在规模化过程中得到了很好的分摊与收敛。