“2040年可能会耗尽人类所有能源”……AI电力短缺的解决方案在于“内存效率”

随着人工智能（AI）技术的不断提高，有预测认为数据中心和AI设备消耗的电力量将出现爆发式增长。特别是有人发出警告，如果维持目前的计算方式，到2040年，人类生产的所有能源都可能被用于数据移动。因此，决定AI产业可持续性的核心要素——内存半导体的“电力效率”正迅速成为关注焦点。

数据中心电力消耗预计在2030年激增至945太瓦时

根据SK hynix YouTube频道的“未来人才CLASS”视频，AI模型在训练和推理过程中产生的能源消耗预计将呈指数级增长。出演者、首尔大学电气信息工程学部的Lee Cheol-ho教授解释说：“训练超大规模AI模型大约需要50吉瓦（GW）的能源，这相当于美国旧金山市三天消耗的能源量。”

电力需求不仅发生在训练阶段，在回答问题的“推理”阶段也会持续发生。因为请求的任务越复杂，即Token（令牌）的数量越多，实际用电量也会成比例增加。视频引用了统计预测，称数据中心的电力消耗将从2024年的415太瓦时（TWh）增加到2030年的945太瓦时，增幅超过两倍。Lee教授强调了改善电力效率的紧迫性，他表示：“也有预测认为，如果维持目前的计算结构，到2040年用于调用数据的能源将耗尽人类产生的所有能源。”

随着这种电力问题扩展到物理世界，在“Physical AI”时代，问题将变得更加严重。Lee教授表示：“10年后，除了可穿戴设备和自动驾驶汽车，像类人机器人这样的Physical AI将成为日常。运行相当于机器人大脑的AI芯片所需的能源以及驱动系统动作所需的电力是必不可少的，由于机器人必须随时随地通过电池运行，解决电力问题是技术实现的前提条件。”

解决“瓶颈现象”是关键……HBM、PIM等次世代技术备受瞩目

AI时代的电力问题并不局限于内存本身的功耗。Lee教授指出，在处理器（CPU、GPU等）与内存之间交换数据时产生的能量消耗非常严重。因为目前的“冯·诺依曼结构”中处理器和内存是分离的，在为了运算而从内存中调用信息并再次存储结果的过程中，会消耗巨大的电力。在这个过程中发生的数据传输停滞现象被称为“瓶颈（Bottleneck）”，解决这一问题是电力效率的核心。

内存内部的工作原理也被认为是耗电的主要原因之一。DRAM通过在微小的电容器中填充电荷来存储信息，在读取信息时，必须进行“刷新（Refresh）”过程，即重新填充因读取而消耗或随时间流逝而泄漏的电荷。Lee教授解释说：“随着内存单元尺寸的缩小，这些问题变得更加严重。”

为了解决这一问题，提高数据传输通道密度的HBM（高带宽内存），以及在内存内部同时进行运算和存储以最小化数据移动的“PIM, CIM（计算机内存内计算）”技术被视为主要的解决方案。Lee教授诊断称：“如果没有内存的发展，很难开发出非常高效的AI。”

SK hynix扩大从LPDDR到HBM4的低功耗产品线

半导体企业正在开发针对不同产品的定制化低功耗解决方案，以克服这种电力短缺。以SK hynix为例，该公司正在开发针对机器人或自动驾驶汽车等基于电池的“On-device AI”优化的低功耗LPDDR产品系列。此外，还推出了将用于数据中心的低功耗DDR模块化的“LPCAMM2”产品。

用于高性能AI加速器的HBM技术也在集中致力于改善电力效率。根据视频显示，SK hynix的次世代模型HBM4通过提高连接线（I/O）密度并在逻辑芯片（Logic Die）上引入超微细先进工艺，据称与之前的模型HBM3E相比，电力效率提高了约40%。

Lee教授将“低功耗”定义为：“低功耗并不是单纯降低性能，而是指在实现相同性能的同时使用更少电力的效率问题。”他展望称，未来“开发出高性能且低功耗的内存元件是核心，能否确保这种电力效率将在AI进入物理世界方面发挥决定性作用。”