本文提出以单位能耗衡量人工智能系统经济产出的评价框架,定义净价值每焦耳(NVJ)和节省时间每焦耳(TSJ),并在220项专业任务、44个职业、5个模型和4类加速器上进行测试。研究发现,产出价值最高的模型或职业未必具备最高的能源回报;Gemma 4 31B虽然单任务产出价值低于GLM 5.2,却以显著更低的能耗取得约2.5倍的NVJ和2.8倍的TSJ。加速器类型和数量同样会显著改变单位能耗回报,B200在单加速器比较中领先,而增加至8张H100仅使完成时间缩短22%,却消耗3.24倍能源。研究据此建议将价值、专家时间节省与能耗共同纳入模型、硬件和任务路由优化。
| 模型 | 输出美元价值(USD/task) | NVJ(USD/MJ) | TSJ(h/MJ) |
|---|---|---|---|
| GLM 5.2 | 74.2 | 168.1 | 3.82 |
| Qwen3.6-27B | 67.8 | 123.4 | 2.43 |
| Gemma 4 31B | 41.4 | 417.5 | 10.86 |
| GPT-OSS 120B | 39.7 | 275.7 | 6.38 |
| GPT-OSS 20B | 35.9 | 336.0 | 8.26 |
| 单加速器部署 | NVJ(USD/MJ) | TSJ(h/MJ) |
|---|---|---|
| NVIDIA B200 | 535.5 | 11.684 |
| NVIDIA H200 | 391.3 | 7.293 |
| NVIDIA H100 | 402.2 | 7.243 |
| AMD Instinct MI350X | 124.1 | 1.260 |
| 策略 | NVJ(USD/MJ) | TSJ(h/MJ) |
|---|---|---|
| pass@1 | 168.11 | 3.82 |
| pass@2 | 91.76 | 2.13 |
| pass@4 | 48.58 | 1.16 |
报告标题为 《Joules-to-GDP: How Much Economic Value Do AI Systems Produce per Unit of Energy?》,可译为“从焦耳到GDP:AI系统每单位能源能够创造多少经济价值”。作者包括 Amirreza Zeinali、Jon Saad-Falcon、Avanika Narayan、Mersad Abbasi、Jonathan S. Hartley、John Hennessy、Christopher Ré 和 Azalia Mirhoseini,分别来自斯坦福大学、加州大学伯克利分校和得克萨斯大学奥斯汀分校。报告研究对象不是某一家上市公司,而是人工智能模型、推理系统、加速器和专业职业任务的经济效率。原文没有在首页明确列出正式发布日期,但参考文献、模型版本、云服务价格及数据均大量使用2026年资料,因此应将其理解为一份面向2026年前后AI基础设施与经济影响的研究论文,而不是传统券商公司报告。
报告的核心问题是:AI系统每消耗一单位能源,究竟创造了多少经济价值,或者节省了多少专业人员时间?作者认为,仅看模型能力、任务成功率、API成本或完成速度,都不足以衡量AI系统的真实经济效率,因为更高质量的输出往往需要更多计算和能源。报告因此构造了两个核心指标:
报告没有股票评级、目标价或投资建议。其总体判断是:AI系统的经济回报必须同时考虑输出价值、执行成本、完成时间和端到端能源;更强、更快或更便宜的系统,不一定是单位能源经济回报最高的系统。
研究使用公开的 GDPval 基准,共包含220项专业任务,覆盖44种职业、13个职业类别和9个美国经济部门。任务形式包括文档、电子表格、演示文稿、代码、图像、音频、视频及压缩文件等。作者还评估了五个开源权重模型、四种单加速器部署方式,并比较了一台和八台H100的差异。
任务价值并不是直接测量GDP,而是以“专家完成任务所需时间×该职业的美国职业就业与工资统计(OEWS)中位时薪”作为产出美元价值。因此,该研究测量的是一种基于职业劳动价值的经济代理指标,而非企业利润、国民收入或实际新增GDP。
每一项任务都有一个专家完成的交付成果以及专家实际耗时。研究设置了两种参考:
AI系统获得任务和源文件,但看不到评分标准。之后由 Gemini 3.1 Flash-Lite 对AI交付成果和专家交付成果进行盲测比较,结果只有三种:AI胜出、平局或AI失败。胜出或平局均视为成功,成功时AI获得该任务的全部产出价值;失败时产出价值记为零,但能源、计算成本和执行时间仍然计入。
这种规则相对保守,因为部分有用但未超过专家成果的AI输出会被完全记为失败;但“平局即获得全部价值”又可能在边界情况下放大AI价值。因此,NVJ和TSJ不仅反映模型本身,也反映LLM评审器的判断方式。
评审可靠性并非完美。Gemini、Claude Haiku和GPT-5 mini之间的成对精确一致率约为72.3%至77.2%;在32个由人类专家复核的GLM 5.2比较中,Gemini与人类在23项上达成一致,即71.9%。这说明研究结果具有一定可重复性,但不能视为完全客观的人工评分结果。
能源测量采用 Intelligence per Watt(IPW)工具,从一批任务开始执行之前到该批次最后一个任务完成为止,记录GPU、CPU和DRAM能源。因而所谓“端到端”不仅包括模型推理,还包括工具调用、等待、任务初始化、超时和失败运行。
研究使用并发批处理,而不是逐个串行执行任务。对于一个批次中的多个同时运行请求,作者采用“活动请求分摊法”:某一时刻的批次功耗由当时仍在运行的请求共同分摊,运行时间更长的请求通常承担更多能源。每次运行无论成功、失败还是超时,都承担能源和执行成本。
这一设计贴近真实部署,但也产生了一个重要限制:批次级电表能够准确测量总能耗,却不能直接观察某一并发请求单独消耗了多少能源。附录比较了活动请求分摊与平均批次分摊两种方法,发现NVJ最高类别不变,但TSJ最高类别会改变,13个类别中有8个NVJ排名和9个TSJ排名发生变化。
作者没有对所有任务简单平均,而是先使用九个行业的GDP份额确定行业权重,再使用行业内部就业人数将权重分配到职业。工资已经用于计算单个任务的美元价值,因此工资没有再次用于GDP权重,以避免高工资职业被重复加权。
职业类别比较时,权重在各类别内部重新归一化,因此图3主要回答“不同类别内部的效率差异”,并不代表各类别在美国经济中的绝对贡献。模型之间的综合比较则保留GDP权重,反映一个GDP加权的任务组合。
图1分为四个部分。第一部分展示NVJ和TSJ的定义,说明研究同时关注“美元价值效率”和“专家时间效率”。第二部分说明样本覆盖220项任务、44种职业、5个模型和4种加速器。第三部分展示职业类别之间的差异:计算机与数学类别的NVJ最高,约为524 USD/MJ,而办公室与行政类别约为40 USD/MJ,最高与最低相差13.08倍;建筑与工程类别TSJ最高,为7.89 h/MJ,法律类别最低,为1.50 h/MJ,差异约5.26倍。
第四部分是模型的总价值—总能源图,横纵轴均采用对数尺度,虚线表示不被其他模型同时在“价值更高、能源更低”两个方向上支配的有效前沿。该图揭示了一个核心事实:总价值最高的模型不一定单位能源价值最高。底部给出了2.52 MJ的能量参照,相当于一台700瓦H200运行一小时,也约等于一台活跃使用的笔记本电脑运行23小时;在研究示例中,这一能量规模对应约424美元净价值和9.63小时专家时间节省。
图2以“会计师和审计师—秋季音乐巡演损益表”任务展示完整核算链条。专家完成时间为3.33小时,AI系统完成时间为1.11小时,AI能耗为0.3426 MJ。盲测判断AI胜出或平局后,该任务获得130.14美元产出价值,并节省2.22小时专家时间,对应NVJ为379.9 USD/MJ、TSJ为6.48 h/MJ。
图2同时强调了失败运行的处理方式:如果AI输出失败,产出美元价值和时间节省均为零,但成本和能源仍被计入。这使指标惩罚“消耗资源但没有产生有效交付成果”的尝试,尤其适合衡量智能体在复杂工具任务中的实际部署效率。
图3上半部分分别展示胜出/平局率、每项任务净美元价值和每项任务时间节省;下半部分将这些结果除以能源。图表最重要的结论是,“成功率最高”“每项任务价值最高”和“每兆焦耳回报最高”并不是同一类职业。
在未考虑能源时,个人照护与服务类别的胜出/平局率最高,达到95.8%;计算机与数学类别为80.0%;建筑与工程为69.0%。但纳入能源后,保护服务类别的胜出/平局率每兆焦耳最高,为267.0个百分点/MJ。计算机与数学虽然成功率每兆焦耳不是最高,却凭借每个成功成果较高的价值,以523.8 USD/MJ位居NVJ第一。
建筑与工程每项任务净美元价值约204.8美元,略高于计算机与数学的186.2美元,约高10%;但计算机与数学的NVJ约523.8美元/MJ,建筑与工程约413.9美元/MJ,前者高约27%。这说明工程类任务的单项价值更高,却可能消耗更多能源。生产类别的每项任务时间节省最高之一,约3.36小时,但TSJ只有6.12 h/MJ,排名低于建筑与工程的7.89 h/MJ,说明较长的绝对节省时间被更高能源消耗抵消。
表8至表11进一步将结果分解为三个来源:单位能源的成功频率、每次成功对应的美元价值以及每次成功对应的时间节省。保护服务的成功频率每兆焦耳最高,但其美元价值并非最高;计算机与数学的成功成果价值较高,因此NVJ第一;建筑与工程的成功成果节省专家时间最多,因此TSJ第一。这种分解比单纯观察胜率更能解释职业排名。
作者通过10,000次任务构成重抽样和逐类别删除一个任务的敏感性分析检验排名稳定性。计算机与数学保留NVJ第一的比例为76.5%,建筑与工程保留TSJ第一的比例仅为40.4%。这意味着NVJ第一的结论相对更稳定,而TSJ第一对样本中的具体任务构成更敏感;这些比例不是整个职业市场中成为第一的概率。
以仅专家参考为基准时,GLM 5.2的NVJ为168.1 USD/MJ,TSJ为3.82 h/MJ;换成专家结合AI的参考后,NVJ降至50.0 USD/MJ,TSJ降至1.34 h/MJ,分别下降约70%和65%。
原因有两个。第一,使用AI的专家平均完成时间比纯人工专家少约23%,所以可被自动化替代的时间空间变小。第二,AI系统必须击败或追平已经使用AI的专家成果,质量门槛更高。报告指出,在能够匹配或超过专家结合AI交付成果的任务上,AI完成时间平均比辅助专家短约84%,说明自动化仍可能带来显著效率提升,只是相对于“完全不使用AI的专家”而言,增量价值会被压缩。
附录K进一步分离了“参考成果改变”和“参考时间改变”的影响。NVJ从168.11降至50.04,平均切换归因结果显示,约56.7%的下降来自胜负判断变化,43.3%来自专家时间价值变化;TSJ下降则约53.5%来自判断变化,46.5%来自时间估值变化。
五个模型在相同任务、相同专家参考、相同评审器和相同OpenHands/vLLM流程下比较。图12显示:
GLM 5.2的总产出价值最高、总时间节省也最高,但能源消耗较大,因此单位能源回报最低于Gemma 4 31B、GPT-OSS 20B和GPT-OSS 120B。Gemma 4 31B只产生GLM 5.2约56%的美元价值,却只使用约23%的能源,因而NVJ约为GLM 5.2的2.5倍,TSJ约为2.8倍。
图5的有效前沿表达了另一层含义:如果能源预算固定,Gemma 4 31B适合低能源、高效率场景;如果目标是尽可能获得更大总产出,GLM 5.2虽然单位能源效率较低,却位于高总价值前沿。NVJ/TSJ回答“每兆焦耳得到多少”,有效前沿回答“在某个能源预算下总共得到多少”,二者不能互相替代。
表1比较GLM 5.2与GPT-OSS 120B。两者的GDP加权执行成本和完成时间非常接近:GPT-OSS 120B执行成本约高3.1%,但速度约快2.1%;然而其能源消耗比GLM 5.2低68%。因此,GPT-OSS 120B的净价值可能较低,却能取得更高的单位兆焦耳回报。
相反,GLM 5.2的净价值/AI美元成本和净价值/AI小时更高,说明它在金钱成本和时间效率方面更具优势。能源指标之所以能够产生不同排名,是因为成本和时长不等于功耗积分;能源还反映GPU、CPU、DRAM的功耗以及等待、内存访问和并发运行过程。
在相同Qwen3.6-27B模型下,四种单加速器的结果为:
B200在NVJ和TSJ上均领先,说明硬件架构、显存带宽、功率水平及推理时间会共同影响经济回报。相同模型不代表相同能源效率,部署层面的硬件选择本身就是经济决策。
一台H100和八台H100运行相同的Qwen3.6-27B模型。一台H100的输出价值为64.79美元/任务,能源0.159 MJ,NVJ为402.16 USD/MJ,TSJ为7.243 h/MJ;八台H100的输出价值为67.81美元/任务,能源0.516 MJ,NVJ仅123.39 USD/MJ,TSJ为2.432 h/MJ。
八台H100只将平均完成时间缩短22%,能源却提高到3.24倍,产出美元价值基本不变。因此,八卡部署提高了“每个AI小时”的回报,但降低了“每兆焦耳”的回报。原因包括张量并行带来的GPU通信与同步开销,以及任务中的顺序工具调用限制了并行化收益;八张卡在整个运行期间都持续消耗功率。
图8横轴是批次内已完成请求的比例,纵轴是累计批次能源比例。完成20%的请求时,累计能源已经达到37.9%;完成50%请求时,能源消耗52.4%;完成80%请求时,能源消耗71.1%;完成90%请求时,能源消耗83.9%。曲线整体略高于线性参考线,说明早期完成的请求消耗的能源比例相对较高,不能简单假设能源按完成请求数量均匀分配。
但图8不是提前停止策略的实验。它只是根据平均功率估算批次中间节点的能源,未观察取消未完成请求后会得到什么输出,因此不能直接证明“在某一时间点停止运行”一定能够提高NVJ或TSJ。
图9显示,销售及相关职业权重最高,为20.2%;管理为19.7%;办公室与行政为13.9%;商业与金融为12.4%。计算机与数学、建筑与工程各为3.2%,保护服务和法律分别仅为1.6%和1.5%。
这意味着GDP加权综合结果会明显受到销售、管理、办公室和商业金融任务影响。计算机与数学虽然NVJ领先,但其综合权重并不高,因此不能将该类别的高效率直接等同于整个经济的总体AI回报。
图10左侧显示,GLM 5.2从pass@1增加到pass@2和pass@4时,NVJ从168.11降至91.76再降至48.58 USD/MJ,TSJ从3.82降至2.13再降至1.16 h/MJ。重复运行增加了至少一次成功的概率,但每次尝试的能源和成本都会计入,因此新增成功覆盖率不足以抵消新增资源消耗。
图10右侧固定四次运行的能源,仅提高胜出/平局阈值,则NVJ从至少1/4成功时的48.58降至4/4成功时的27.96,TSJ从1.16降至0.72。说明严格可靠性要求会牺牲经济效率。
图11进一步说明专家辅助和自动化之间的时间节省关系。在较低成功阈值下,自动化相对于专家结合AI可以节省更多时间;当要求四次运行全部成功时,能够达到要求的任务更少,时间节省下降,而专家从纯人工转向AI辅助所带来的节省在相对结构中的比重上升。
该研究没有使用DCF、P/E或EV/EBITDA等资本市场估值方法,而是使用“劳动时间价值”估值。其基本输入是专家完成时间、职业中位时薪、AI执行成本和实际能源。若AI胜出或平局,任务价值等于专家耗时乘职业中位工资;若失败,价值为零。
这种方法的优点是透明、可计算,并能够把异质职业任务转化为同一美元单位;缺点是它假设专家完成时间对应的工资能够代表任务的经济价值。实际产出可能产生超出工资的利润、知识产权、客户关系或战略价值,也可能需要额外审核、责任承担和组织协调成本,因此该美元价值不是严格意义上的GDP或企业利润。
表7表明,如果用平均工资而非中位工资,会提高NVJ,但不会改变TSJ,因为TSJ不使用工资作为分子。该结果说明工资选择会影响美元回报水平和职业之间的比较,但不会影响纯时间效率指标。
220项任务虽然覆盖44种职业,但每个职业只有五项任务,且GDPval主要偏向具有GDP贡献的知识工作。结果不能自动外推到所有职业、所有企业或现实生产流程。报告还特别说明,83项额外任务并未纳入本文主结果,因为它们不是GDP加权样本。
专家交付成果并不一定绝对正确,LLM评审也不能完全代替领域专家。专家结合AI的参考来自特定模型、接口和工作流程,不能代表所有专业人员的AI辅助方式。不同参考会显著改变NVJ和TSJ,因此报告结论对“比较对象是谁”高度敏感。
并发运行中无法直接测量单个任务的真实功耗,活动请求分摊只是合理的估计方法。不同分摊方法会改变部分职业排名,尤其是TSJ排名。
执行成本采用公开GPU、CPU和RAM价格,包含一定主机和基础设施费用,但不包括专家复核、开发、协调、责任风险、采用成本、长期存储和部分设施级能源开销。公开云价格会变化,且不同云供应商的硬件配置并不完全可比。
模型比较固定了OpenHands、vLLM、批大小和硬件条件,硬件比较固定了模型和任务。因此结果能够支持受控比较,但不能证明在不同提示词、后端、精度、批处理、重试策略或智能体框架下仍保持同样排名。
第一,报告的主要优势是将“能力—成本—能源—时间”放入同一框架,但二元胜负规则可能过度简化现实。一个未达到专家水平但仍能被人类快速修改的AI输出被记为零价值,而一个被判平局的输出则获得全部价值,这会使结果对评审边界较为敏感。
第二,NVJ和TSJ可能得出不同的最优系统。Gemma 4 31B单位能源效率最高,但GLM 5.2总价值最高;一台H100单位能源效率高于八台H100,但八台H100完成任务更快。因此,部署决策必须先明确能源预算、时延要求、可靠性要求和总产出目标,不能只追求单一指标。
第三,摘要中GLM 5.2的平均美元价值写为72.27美元/任务,而正文、图12及表23写为74.19或约74.2美元/任务。这是报告内部需要核对的数字差异,可能源于不同聚合口径、版本或文字错误,但正文主要结果均以74.19美元为准。
第四,报告给出的职业领导者并不具有完全稳健的总体统计含义。NVJ第一的计算机与数学类别在任务删除测试中76.5%的组合仍保持第一,但TSJ第一的建筑与工程只有40.4%的组合保持第一,说明后者更加依赖有限样本中的具体任务。
这份研究最重要的贡献,是把AI专业产出的经济价值与端到端能源消耗直接联系起来。它证明,AI系统评价至少应同时观察三个层面:一是总产出价值,二是单位能源回报,三是可靠性和完成速度。仅看模型成功率、美元执行成本或完成时间,可能错过显著的能源差异。
在职业层面,计算机与数学类别的NVJ最高,建筑与工程的TSJ最高;成功率最高的个人照护与服务类别并不是单位能源经济回报最高的类别。模型层面,GLM 5.2创造最大总价值和总时间节省,但Gemma 4 31B以更低能耗取得最高NVJ和TSJ。硬件层面,B200在单加速器测试中领先,而将H100从一台扩展到八台,只带来22%的时延改善,却消耗3.24倍能源并显著降低NVJ和TSJ。
因此,作者的总体立场不是简单地推荐某一个模型或硬件,而是主张将NVJ和TSJ作为模型训练、任务路由、停止策略、硬件选择和服务部署的优化目标。在能源受限、边缘计算或本地部署场景中,最优系统未必是能力最强的系统,而可能是能够在质量、可靠性、时间、成本和能源之间取得最佳组合的系统。
2610.30858.pdf