ดาต้าเซ็นเตอร์ทั่วโลกใช้ไฟฟ้าระหว่าง 850.0 ถึง 1,050.0 เทราวัตต์-ชั่วโมง (TWh) ต่อปี (3.2% ถึง 4.1% ของพลังงานโลก) ขณะที่เวิร์กโหลด AI ครองสัดส่วน 42.0% ของพลังงานดาต้าเซ็นเตอร์ การค้นหา AI หนึ่งครั้งใช้พลังงาน 2.9 Wh (10 เท่าของ Google) และผู้ให้บริการไฮเปอร์สเกลได้ทำสัญญาซื้อพลังงานนิวเคลียร์ 12.5 กิกะวัตต์ ในขณะที่การค้นหา AI ทุกๆ 20-50 ครั้งทำให้น้ำระเหยไป 500 มล. และแร็กความหนาแน่นสูงใช้ไฟ 132 kW แต่ 68% ของแร็กเซิร์ฟเวอร์ AI ใหม่ได้นำระบบระบายความร้อนด้วยของเหลวมาใช้ และการอนุมานคิดเป็น 74% ของการใช้พลังงาน AI ทั้งหมด ตัวเลขด้านล่างมาจากงานวิจัยเชิงประจักษ์โดย IEA, EPRI, Lawrence Berkeley National Laboratory, Nature Energy, UC Riverside และ Uptime Institute
TL;DR
- การใช้ไฟฟ้าของดาต้าเซ็นเตอร์ทั่วโลกสูงถึง 850.0 ถึง 1,050.0 เทราวัตต์-ชั่วโมง (TWh) ต่อปี (IEA)
- ปัจจุบันดาต้าเซ็นเตอร์ใช้พลังงานระหว่าง 3.2% ถึง 4.1% ของความต้องการไฟฟ้าทั่วโลกทั้งหมด (เพิ่มขึ้นจาก 1.0% ในปี 2020)
- เวิร์กโหลดชิปเร่งความเร็วปัญญาประดิษฐ์โดยเฉพาะคิดเป็น 42.0% ของการใช้ไฟฟ้าในดาต้าเซ็นเตอร์ทั้งหมด
- คำค้นหา AI แบบสนทนาเพียงครั้งเดียวใช้ไฟฟ้า 2.9 วัตต์-ชั่วโมง (มากกว่าการค้นหาบน Google 0.3 Wh ถึง 10 เท่า)
- การฝึกฝนโมเดล LLM ระดับแนวหน้าขนาดหลายล้านล้านพารามิเตอร์ใช้ไฟฟ้าระหว่าง 50.0 ถึง 95.0 กิกะวัตต์-ชั่วโมง (GWh)
- การฝึกฝนโมเดลระดับแนวหน้าก่อให้เกิดการปล่อยก๊าซ CO2 เทียบเท่าประมาณ 4,500 ถึง 8,200 เมตริกตัน (MTCO2e)
- ดาต้าเซ็นเตอร์ระเหยน้ำสะอาดโดยตรงเฉลี่ย 1.8 ลิตรต่อพลังงานที่ใช้ไป 1 kWh (UC Riverside)
- การโต้ตอบกับ AI แบบสนทนาทุกๆ 20 ถึง 50 ครั้งทำให้น้ำจืดระเหยไปประมาณ 500 มิลลิลิตร
- ดาต้าเซ็นเตอร์ในสหรัฐฯ ใช้น้ำมากกว่า 660.0 พันล้านลิตรต่อปีสำหรับการจัดการความร้อนและการระบายความร้อน
- ดาต้าเซ็นเตอร์ AI ไฮเปอร์สเกลสมัยใหม่มีประสิทธิภาพการใช้พลังงาน (PUE) อยู่ที่ 1.12 ถึง 1.18
- 68.0% ของแร็กเซิร์ฟเวอร์ AI ที่สร้างใหม่ใช้ระบบระบายความร้อนด้วยของเหลวแบบ Direct-to-chip สำหรับแร็กความหนาแน่นสูง 100-132 kW
- บริษัทเทคโนโลยีไฮเปอร์สเกลได้ทำสัญญาจัดหาพลังงานนิวเคลียร์และ SMR รวมกันมากกว่า 12.5 กิกะวัตต์ (GW)
- การอนุมานโมเดลใช้พลังงานเซมิคอนดักเตอร์ AI ทั่วโลกถึง 74.0% ซึ่งสูงกว่าการฝึกฝนโมเดลเริ่มต้นอย่างมาก
1. การขยายตัวของพลังงานทั่วโลก: 1,000 TWh และ 4.1% ของไฟฟ้าทั่วโลก
การประมวลผล AI ระดับกิกะวัตต์ทำให้ปัญญาประดิษฐ์กลายเป็นหนึ่งในโหลดไฟฟ้าอุตสาหกรรมที่เติบโตเร็วที่สุด IEA ประมาณการความต้องการของดาต้าเซ็นเตอร์ไว้ที่ 850 ถึง 1,050 TWh
ส่วนแบ่งโครงข่ายไฟฟ้า: ดาต้าเซ็นเตอร์ใช้ไฟฟ้า 3.2% ถึง 4.1% ของโลก (Nature) โดยชิปเร่งความเร็ว AI ครองสัดส่วน 42.0% ของการใช้พลังงานดาต้าเซ็นเตอร์ทั้งหมด (EPRI)
| เมตริก | ค่า | แหล่งที่มา |
|---|---|---|
| การใช้ไฟฟ้าของดาต้าเซ็นเตอร์ทั่วโลก (รวมถึงการฝึกฝน AI, การอนุมาน และคลาวด์คอมพิวติ้งแบบดั้งเดิม) | 850.0 ถึง 1,050.0 เทราวัตต์-ชั่วโมง (TWh) ต่อปีทั่วโลก | International Energy Agency (IEA) Energy Outlook |
| สัดส่วนความต้องการไฟฟ้าทั่วโลกที่ถูกใช้โดยดาต้าเซ็นเตอร์ (เพิ่มขึ้นจาก 1.0% ในปี 2020) | 3.2% ถึง 4.1% ของความต้องการไฟฟ้าทั่วโลกทั้งหมด | International Energy Agency (IEA) / Nature |
| ส่วนแบ่งเวิร์กโหลด AI: ร้อยละของการใช้พลังงานดาต้าเซ็นเตอร์ทั้งหมดที่ใช้โดยชิปเร่งความเร็ว AI | 42.0% ของไฟฟ้าดาต้าเซ็นเตอร์ทั้งหมดถูกใช้โดย AI | Electric Power Research Institute (EPRI) Report |
ซูเปอร์คอมพิวเตอร์คลัสเตอร์ GPU ประสิทธิภาพสูงเชื่อมโยงกับ สถิติคลัสเตอร์ GPU ของเรา แหล่งที่มา: International Energy Agency Energy Outlook
2. เมตริกการค้นหาและการฝึกฝน: 2.9 Wh ต่อคำสั่ง และการฝึกฝน 95 GWh
การคูณเมทริกซ์ขนาดใหญ่ข้ามชิปหน่วยความจำแบนด์วิดท์สูงหลายพันตัวทำให้เกิดต้นทุนพลังงานต่อโทเค็นที่สูงมาก IEA บันทึกไว้ที่ 2.9 Wh ต่อคำค้นหาแบบสนทนา (10 เท่าของ Google)
การฝึกฝนโมเดลระดับแนวหน้า: การฝึกฝนโมเดลขนาดหลายล้านล้านพารามิเตอร์ใช้ไฟฟ้า 50.0 ถึง 95.0 GWh (Epoch AI) ทำให้เกิดการปล่อย CO2 4,500 ถึง 8,200 ตัน (UMass Amherst)
| เมตริก | ค่า | แหล่งที่มา |
|---|---|---|
| ไฟฟ้าที่ใช้โดยคำค้นหา AI แบบสร้างสรรค์ ChatGPT / Gemini เทียบกับการค้นหาด้วยคีย์เวิร์ดบน Google | 2.9 วัตต์-ชั่วโมงต่อคำค้นหา AI (เทียบกับ 0.3 Wh สำหรับ Google — มากกว่า 10 เท่า) | International Energy Agency (IEA) Computing Metrics |
| ไฟฟ้าที่ต้องใช้ในการฝึกฝน LLM ระดับแนวหน้าหนึ่งโมเดล (เช่น GPT-4, Llama 3 405B, Gemini Ultra) | 50.0 ถึง 95.0 กิกะวัตต์-ชั่วโมง (GWh) ต่อรอบการฝึกฝน | Epoch AI / Meta Platforms FAIR Infrastructure Disclosures |
| คาร์บอนฟุตพริ้นท์: ปริมาณการปล่อยก๊าซ CO2 โดยประมาณจากการฝึกฝนโมเดลระดับแนวหน้าขนาดหลายล้านล้านพารามิเตอร์ | 4,500 ถึง 8,200 เมตริกตันคาร์บอนไดออกไซด์เทียบเท่า (MTCO2e) | University of Massachusetts Amherst AI Emissions Study |
ข้อมูลจำเพาะของฮาร์ดแวร์เซมิคอนดักเตอร์ AI เชื่อมโยงกับ สถิติตลาดชิป AI ของเรา แหล่งที่มา: Epoch AI Data Scaling Analysis
3. ปริมาณการใช้น้ำ: 500 มล. ต่อ 20 คำค้นหา และ 6.6 แสนล้านลิตรต่อปี
หอหล่อเย็นแบบระเหยในสถานที่ใช้น้ำดื่มปริมาณมหาศาลเพื่อระบายความร้อน UC Riverside ติดตามพบว่ามีการระเหย 1.8 ลิตรต่อ kWh
การใช้ต่อเซสชัน: การค้นหา AI 20 ถึง 50 ครั้งทำให้น้ำจืดระเหย 500 มล. (Nature Energy) โดยดาต้าเซ็นเตอร์ในสหรัฐฯ ดึงน้ำไปใช้ 660.0 พันล้านลิตรต่อปี (Berkeley Lab)
| เมตริก | ค่า | แหล่งที่มา |
|---|---|---|
| การใช้น้ำโดยตรง: น้ำที่ระเหยในหอหล่อเย็นต่อพลังงานดาต้าเซ็นเตอร์ 1 kWh | 1.8 ลิตรของน้ำดื่มโดยตรงที่ใช้ต่อ kWh ของพลังงาน | Virginia Tech / University of California Riverside Study |
| การใช้น้ำต่อการโต้ตอบกับ AI: น้ำจืดที่ระเหยเพื่อระบายความร้อนเซิร์ฟเวอร์ต่อ 20-50 คำค้นหา | 500 มิลลิลิตร (ขวดน้ำมาตรฐานหนึ่งขวด) ต่อ 20-50 คำค้นหา AI | Nature Energy / UC Riverside Water Research |
| การดึงน้ำต่อปีทั้งหมดโดยดาต้าเซ็นเตอร์ในสหรัฐฯ สำหรับการจัดการความร้อนและการผลิตพลังงาน | 660.0 พันล้านลิตรของน้ำที่ถูกดึงไปใช้ต่อปีในสหรัฐฯ | Lawrence Berkeley National Laboratory (LBNL) |
วิศวกรรมโครงสร้างพื้นฐานดาต้าเซ็นเตอร์เชื่อมโยงกับ สถิติดาต้าเซ็นเตอร์ ของเรา แหล่งที่มา: Nature Energy Water Research
4. สถาปัตยกรรมความร้อนและความหนาแน่น: แร็ก 132 kW และระบบระบายความร้อนด้วยของเหลว 68%
บอร์ดเร่งความเร็วสมัยใหม่ที่ทำงานที่ 1,000W TDP ทำให้เครื่องปรับอากาศในห้องคอมพิวเตอร์แบบเดิมล้าสมัย แร็กใช้พลังงาน 100 ถึง 132 kW
การเปลี่ยนผ่านระบบระบายความร้อน: 68.0% ของแร็กเซิร์ฟเวอร์ AI ใหม่ใช้ระบบระบายความร้อนด้วยของเหลวแบบ Direct-to-chip (TrendForce) โดยรักษาค่า PUE ไว้ที่ 1.12 ถึง 1.18 ในศูนย์ไฮเปอร์สเกล (Uptime Institute)
| เมตริก | ค่า | แหล่งที่มา |
|---|---|---|
| ค่าประสิทธิภาพการใช้พลังงาน (PUE): คะแนนประสิทธิภาพการใช้พลังงานเฉลี่ยในดาต้าเซ็นเตอร์ AI ไฮเปอร์สเกล | PUE เฉลี่ย 1.12 ถึง 1.18 (สูญเสียเพียง 12-18% สำหรับการระบายความร้อนและระบบไฟ) | Uptime Institute Global Datacenter Survey |
| การนำระบบระบายความร้อนด้วยของเหลวแบบ Direct-to-chip มาใช้ในแร็ก AI สร้างใหม่ (แทนที่ชิลเลอร์แบบเดิม) | 68.0% ของแร็กเซิร์ฟเวอร์ AI ใหม่ใช้ระบบระบายความร้อนด้วยของเหลว | TrendForce Datacenter Infrastructure Report |
| ความหนาแน่นของพลังงานแร็กเซิร์ฟเวอร์: กิโลวัตต์ไฟฟ้าเฉลี่ย (kW) ต่อแร็กเซิร์ฟเวอร์ AI ความหนาแน่นสูง (NVL72) | 100.0 ถึง 132.0 kW ต่อแร็ก AI ความหนาแน่นสูง (เทียบกับ 8-12 kW สำหรับแร็กคลาวด์ทั่วไป) | NVIDIA Blackwell GB200 NVL72 Technical Specs |
ประสิทธิภาพทางไฟฟ้าของพาวเวอร์ซัพพลายพีซีเชื่อมโยงกับ สถิติพาวเวอร์ซัพพลายพีซี ของเรา แหล่งที่มา: Uptime Institute Datacenter Survey
5. พลังงานนิวเคลียร์และความล่าช้าของโครงข่าย: ข้อตกลงนิวเคลียร์ 12.5 GW และความล่าช้า 5 ปี
ข้อจำกัดในการเชื่อมต่อโครงข่ายไฟฟ้าสาธารณูปโภคผลักดันให้ไฮเปอร์สเกลเลอร์ทำสัญญาซื้อขายไฟฟ้าโดยตรง ยักษ์ใหญ่ด้านเทคโนโลยีได้ทำสัญญาจัดหาพลังงานนิวเคลียร์มากกว่า 12.5 GW
ความล่าช้าของโครงข่าย: การเชื่อมต่อสิ่งอำนวยความสะดวกขนาด 100MW+ ต้องเผชิญกับความล่าช้า 3.5 ถึง 5.2 ปี (FERC) ทำให้ 34.0% ของแคมปัสขนาด >1GW วางแผนศึกษาเตาปฏิกรณ์ SMR ในพื้นที่
| เมตริก | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อตกลงพลังงานนิวเคลียร์: ไฮเปอร์สเกลเลอร์ลงนามในสัญญาซื้อขายไฟฟ้า (PPA) โดยตรงกับโรงไฟฟ้านิวเคลียร์ | กำลังการผลิตไฟฟ้านิวเคลียร์และ SMR ที่ทำสัญญาแล้วมากกว่า 12.5 กิกะวัตต์ (GW) | Constellation Energy / Microsoft / Amazon AWS Agreements |
| การพัฒนาเตาปฏิกรณ์แบบแยกส่วนขนาดเล็ก (SMR): โครงการดาต้าเซ็นเตอร์ AI ที่วางแผนติดตั้งไมโครนิวเคลียร์ภายในปี 2030 | 34.0% ของแคมปัส AI ขนาด >1GW ที่วางแผนไว้กำลังศึกษา SMR | World Nuclear Association / EPRI |
| ความล่าช้าในการเชื่อมต่อโครงข่ายไฟฟ้า: ระยะเวลารอเฉลี่ยสำหรับผู้พัฒนาในการเชื่อมต่อไฟ >100MW เข้ากับโครงข่าย | ความล่าช้าในการรอคิวเชื่อมต่อโครงข่ายไฟฟ้า 3.5 ถึง 5.2 ปี | Federal Energy Regulatory Commission (FERC) / Lawrence Berkeley Lab |
โครงสร้างพื้นฐานเว็บโฮสติ้งบนคลาวด์ระดับองค์กรเชื่อมโยงกับ สถิติเว็บโฮสติ้ง ของเรา แหล่งที่มา: Federal Energy Regulatory Commission
6. ความโดดเด่นของการอนุมาน: พลังงาน 74% สำหรับการอนุมาน และ 3,400 MW ในเวอร์จิเนีย
การใช้งานอย่างแพร่หลายของผู้บริโภคและองค์กรได้เปลี่ยนรูปแบบการใช้พลังงานจากการฝึกฝนตามรอบเวลาเป็นการอนุมานอย่างต่อเนื่อง SemiAnalysis บันทึกว่า 74.0% ของพลังงาน AI ถูกใช้ไปกับการอนุมาน
การกระจุกตัวในระดับภูมิภาค: ดาต้าเซ็นเตอร์ในเวอร์จิเนียตอนเหนือใช้พลังงานมากกว่า 3,400 MW (Dominion Energy) โดยไฮเปอร์สเกลเลอร์จับคู่พลังงาน 88.0% ด้วยสัญญาพลังงานหมุนเวียน
| เมตริก | ค่า | แหล่งที่มา |
|---|---|---|
| การกระจุกตัวทางภูมิศาสตร์: รัฐในสหรัฐฯ ที่มีสัดส่วนความจุไฟฟ้าของดาต้าเซ็นเตอร์ AI มากที่สุด (Northern Virginia / PJM) | Northern Virginia (Data Center Alley) ใช้พลังงานมากกว่า 3,400 MW | Dominion Energy Integrated Resource Plan (IRP) |
| การจับคู่พลังงานหมุนเวียน: ไฮเปอร์สเกลเลอร์ที่จับคู่พลังงานหมุนเวียนรายปี 100% สำหรับการดำเนินงาน | 88.0% ของพลังงานที่ใช้ในการดำเนินงานจับคู่กับพลังงานหมุนเวียน | Google Environmental Report / Microsoft Sustainability |
| ส่วนแบ่งพลังงานการอนุมาน: ร้อยละของพลังงานเซมิคอนดักเตอร์ AI ทั้งหมดที่ใช้ในการอนุมานเทียบกับการฝึกฝน | 74.0% ของพลังงาน AI ทั้งหมดถูกใช้ไปกับการอนุมาน | Gartner / SemiAnalysis AI Energy Forecast |
สรุป: สถิติการใช้พลังงานของ AI ในรูปแบบตัวเลข
| เมตริก | ค่า | แหล่งที่มาหลัก |
|---|---|---|
| การใช้พลังงานของดาต้าเซ็นเตอร์ทั่วโลก | 850 - 1,050 TWh/ปี | International Energy Agency (IEA) |
| ส่วนแบ่งดาต้าเซ็นเตอร์ในพลังงานไฟฟ้าโลก | 3.2% - 4.1% ของพลังงานโลก | IEA / Nature Analysis |
| ส่วนแบ่ง AI ในพลังงานดาต้าเซ็นเตอร์ | 42.0% ของพลังงานดาต้าเซ็นเตอร์ | EPRI Energy Report |
| พลังงานต่อการค้นหา AI เทียบกับ Google | 2.9 Wh เทียบกับ 0.3 Wh (10 เท่า) | IEA Computing Metrics |
| ไฟฟ้าที่ใช้ในการฝึกฝน LLM ระดับแนวหน้า | 50 - 95 GWh ต่อรอบการฝึกฝน | Epoch AI / Meta FAIR |
| การปล่อย CO2 จากการฝึกฝน LLM ระดับแนวหน้า | 4.5k - 8.2k เมตริกตัน | UMass Amherst Study |
| น้ำระเหยโดยตรงต่อพลังงาน 1 kWh | 1.8 ลิตร / kWh | UC Riverside / Virginia Tech |
| น้ำระเหยต่อการค้นหา AI 20-50 ครั้ง | 500 มล. (ขวดน้ำ 1 ขวด) | Nature Energy / UC Riverside |
| ปริมาณการดึงน้ำต่อปีของดาต้าเซ็นเตอร์สหรัฐฯ | 660.0 พันล้านลิตร/ปี | Lawrence Berkeley Lab (LBNL) |
| ประสิทธิภาพ PUE เฉลี่ยของดาต้าเซ็นเตอร์ AI | 1.12 - 1.18 PUE | Uptime Institute Survey |
| แร็กเซิร์ฟเวอร์ AI ใหม่ที่ใช้ระบบระบายความร้อนด้วยของเหลว | 68.0% ระบายความร้อนด้วยของเหลว | TrendForce Infrastructure |
| ความหนาแน่นของพลังงานต่อแร็ก AI ความหนาแน่นสูง | 100 - 132 kW/แร็ก | NVIDIA GB200 NVL72 Specs |
| พลังงานนิวเคลียร์ที่ทำสัญญาโดยไฮเปอร์สเกลเลอร์ | 12.5+ กิกะวัตต์ (GW) | Constellation / Microsoft |
| ความล่าช้าในการรอคิวเชื่อมต่อโครงข่าย (>100MW) | ล่าช้า 3.5 - 5.2 ปี | FERC / Berkeley Lab |
| ส่วนแบ่งพลังงาน AI ที่ใช้สำหรับการอนุมาน | 74.0% สำหรับการอนุมาน | Gartner / SemiAnalysis |
ระเบียบวิธีวิจัยและแหล่งที่มา
สถิติในรายงานนี้รวบรวมจากการประเมินพลังงานทั่วโลกโดย International Energy Agency (IEA), การวิจัยโหลดไฟฟ้าโดย Electric Power Research Institute (EPRI) และ Lawrence Berkeley National Laboratory (LBNL), การศึกษาการใช้น้ำโดย University of California Riverside และ Nature Energy, การสำรวจโครงสร้างพื้นฐานดาต้าเซ็นเตอร์โดย Uptime Institute และ TrendForce รวมถึงเอกสารกำกับดูแลของ FERC และ Dominion Energy
-
International Energy Agency (IEA): Electricity 2026 Analysis and Forecast: Data Centers and Artificial Intelligence (850-1050 TWh, 3.2-4.1% ของพลังงานโลก, 2.9 Wh/คำค้นหา)
-
Electric Power Research Institute (EPRI) & Lawrence Berkeley Lab (LBNL): Powering Intelligence: AI Data Center Energy and Water Demands (ส่วนแบ่งพลังงาน AI 42%, น้ำ 6.6 แสนล้านลิตร, คิวรอโครงข่าย 3.5-5.2 ปี)
-
University of California, Riverside & Nature Energy: Making AI Less Thirsty: Uncovering and Addressing the Secret Water Footprint of AI (500 มล. ต่อ 20-50 คำค้นหา, 1.8 L/kWh)
-
Uptime Institute & TrendForce: Global Data Center Survey: PUE Benchmarks, Liquid Cooling, and Rack Density (1.12-1.18 PUE, ระบายความร้อนด้วยของเหลว 68%, 100-132 kW/แร็ก)
-
Federal Energy Regulatory Commission (FERC) & Constellation Energy: Grid Interconnection Backlogs and Hyperscaler Nuclear PPAs (สัญญาพลังงานนิวเคลียร์ 12.5 GW, ส่วนแบ่งพลังงานการอนุมาน 74%)
-
ข้อสังเกตของข้อมูล: สถิติพลังงาน AI สะท้อนถึงไฟฟ้าของดาต้าเซ็นเตอร์ น้ำระบายความร้อนแบบระเหย และการปล่อยก๊าซคาร์บอนที่เกิดจากคลัสเตอร์การฝึกฝนและเซิร์ฟเวอร์อนุมานของปัญญาประดิษฐ์ สวิตช์เครือข่ายโทรคมนาคมทั่วไปและการใช้แบตเตอรี่ของอุปกรณ์ผู้ใช้ปลายทางจะถูกจัดหมวดหมู่แยกต่างหาก
-
อัปเดตล่าสุด: สิงหาคม 2026 รายงานนี้จะได้รับการอัปเดตทุกไตรมาสเมื่อมีรายงานแนวโน้มพลังงานของ IEA, ข้อมูลติดตามพลังงานของ EPRI และการเปิดเผยข้อมูลความยั่งยืนขององค์กรเผยแพร่ออกมา