本文来自微信公众号： 环球科学科研圈 ，作者：环球科学科研圈
前几天，ChatGPT首次面向用户推出了“年度使用报告”，和国内各大APP走起了相同路线。
在这份“年终总结”里，用户不仅可以看到自己过去一年和ChatGPT对话多少次，聊了些什么，倾诉欲爆棚（or工作量爆棚）是哪一天，还能看到自己“对待”这个AI工作助手/学术导师/精神伴侣/情绪沙包/导购主播etc...的语言风格。
这种直面自己最真实需求的回顾，很多时候准确得惊人。比如此时正在写下这句话的我，也不得不承认ChatGPT严选的年度代表性对话直击痛点，一个为流量奔波操劳的新媒体牛马形象跃然纸上：
不过你有没有想过，今年我们和ChatGPT一起浪费的这些Token聊出来的成果，消耗了多少能源？
AI能耗谜团
随着人工智能（AI）技术在日常应用中的普及，研究者开始关注一个鲜少被普通用户直观感知的重要课题：AI在生成内容时实际消耗了多少能量，以及这些消耗如何随着输出内容的长度和类型而变化。近日，AI World网站发布的一份数据分析揭示了输出长度如何显著影响AI的能源足迹。
这份分析基于Hugging Face推出的AI能源得分排行榜，对不同模型类别在相同数量查询（如每1000次）下的GPU能耗进行了比较。结果显示，不同模型的能耗差异极大：一些高复杂度的推理模型（reasoning models）在执行任务时的能耗远高于简单文本生成模型。
例如，LGAI-Exaone研发的Exaone-4.0-32B每千次查询耗电18.99千瓦时，相当于为智能手机充电700次（15千瓦时），或让10瓦LED灯泡持续点亮约六周（10千瓦时）；OpenAI的Gpt-oss-120b每千次查询消耗8.50千瓦时，足以将1.5升家用水壶烧开约70次。如果按照这个数据做一个不恰当的推算，过去一年中我与ChatGPT发生1000次对话所消耗的电能，大约能够给手机充电至少500次。
与之形成鲜明对比的是，并非所有AI在完成任务时都背负着沉重的能源负担。例如微软的resnet-18每处理1000次查询仅耗电0.0026千瓦时，而文本生成模型中能效最低的distilgpt2每千次查询耗电量仅为0.00131千瓦时，相当于给智能手机充电约6.5%的电量，或相当于标准电水壶烧水一分钟的耗电量（0.12千瓦时）。
这种差异的关键因素在于输出长度和任务复杂性。推理模型通常生成更长、更详细的回答或分步解释，其输出令处理器在更长时间内保持运算状态，从而提高了总体能耗。而标准文本生成模型倾向于给出更简洁、直接的回复，这意味着较低的输出长度和较少的计算周期，从而减少了能量使用。
当然，这种差异说明不能简单地以模型规模或参数数量来评估AI能耗，而必须结合任务类型、输出长度和实际使用场景来全面衡量。长输出（如详细解释或复杂推理）的能耗累积效应尤其明显，在大规模应用和高频查询环境中，其整体能源和碳足迹潜力显著提升。
总体而言，AI输出的能耗不仅与模型本身的结构有关，更受输出长度和任务类型的显著影响。对于学界和业界来说，如何在不牺牲用户体验的前提下进一步压缩能源使用，将是我们这个亟需完成绿色能源转型的社会共同关注的重要课题。
彩蛋时间！
根据“科研圈”在小红书平台的（非常）不完全调研，中文世界的人们都是这样使用ChatGPT的。
首先，大家对这位AI助手的能力似乎也没那么满意：
不过，学生们还是愿意把TA当成“对师宝具”使用：
学术群体则可能在与TA的交流中经历一个完整的“发现-质疑”周期：
甚至不惜上演最智障一集：
TA是职场牛马们最可靠的伙伴和职业发展咨询对象：
算法不太灵光的时候，也让很多人体会了一把逐渐破防的心路历程：
还有人发现自己好像即将/已经/没办法当冤大头：
当然，也有将言简意赅做到极致的用户，最常用的提示词就是这么简单高效：