允中 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

6月5日，北京國家會議中心，原本能容納上千人的會場被擠得水泄不通。

這場爆滿的對談，主角是騰訊集團高級執(zhí)行副總裁湯道生、騰訊首席AI科學(xué)家姚順雨。

這是姚順雨加入騰訊半年多以來的首次線下公開亮相，這位明星AI科學(xué)家在會上拋出了一個關(guān)鍵判斷——

AI下半場最重要的問題，不再只是找到更好的方法，而是找到真正值得解決的問題

騰訊也借此次對話釋放明確信號：AI競爭早已跳出模型參數(shù)、算力規(guī)模的單一比拼，進入模型、產(chǎn)品、場景、組織協(xié)同并行的全新階段。

而其中一個關(guān)鍵問題在于，當(dāng)下Agent成為技術(shù)核心，Token效率則是所有玩家必須攻克的難關(guān)。

“我也聽到很多客戶甚至同事們，也在緊盯著積分消耗或者Token消耗”，湯道生坦言，Token成本的爆發(fā)式增長已經(jīng)成為行業(yè)共同的焦慮。

但Token焦慮背后，還有一個更底層的物理問題：每一個Token的生成，最終都要轉(zhuǎn)化為GPU的一次次運算，轉(zhuǎn)化為數(shù)據(jù)中心的一度度電。

當(dāng)行業(yè)繼續(xù)追逐模型、芯片和應(yīng)用時，電力系統(tǒng)正在從后臺的配套保障，走向AI基礎(chǔ)設(shè)施的前臺。

就在這場對談的11天前，一場橫跨能源與科技領(lǐng)域的高規(guī)格會議，已經(jīng)點破了AI產(chǎn)業(yè)發(fā)展的這一核心矛盾。

電力系統(tǒng)：從配套到主體

5月26日，國家能源局在深圳召開全國“人工智能+”能源現(xiàn)場推進會，中國石油、國家電網(wǎng)、國家能源集團、阿里云和騰訊等能源、科技巨頭企業(yè)齊聚一堂。

在這場高規(guī)格會議上，遠景科技集團董事長張雷拋出了一個判斷：

電力系統(tǒng)正在成為人工智能的主體工程，而非配套。

在他看來，能源不只是AI的底座，更是血脈和肌體。

如果解決不了智能生產(chǎn)全鏈路的能量管理問題，再強大的芯片也發(fā)揮不了作用。

這個判斷，現(xiàn)在正被AI產(chǎn)業(yè)的現(xiàn)實壓力不斷驗證。

姚順雨曾在今年初另一場峰會上坦率地指出，中國目前在電力供應(yīng)和基礎(chǔ)設(shè)施方面具有顯著優(yōu)勢，但主要瓶頸仍集中在高端制造環(huán)節(jié)——光刻機和軟件生態(tài)系統(tǒng)。在他眼中，電力不是短板，而恰恰是底牌。

但底牌能否真正變成優(yōu)勢，取決于電力系統(tǒng)能否跟得上AI基礎(chǔ)設(shè)施的迭代速度。

大模型的每一次進步都伴隨著數(shù)據(jù)中心功耗的指數(shù)級攀升。

據(jù)OpenRouter數(shù)據(jù)預(yù)測，從2025年到2030年，全球Token調(diào)用量將增長212倍。

而Token的每一次生成，最終都要轉(zhuǎn)化為GPU的每一次運算，轉(zhuǎn)化為數(shù)據(jù)中心的每一度電。

國際能源署最新報告顯示，2025年全球數(shù)據(jù)中心總耗電量已達到485太瓦時，其中人工智能相關(guān)負(fù)載獨占170太瓦時，占比超過三分之一；到2030年，全球數(shù)據(jù)中心年耗電量將幾乎翻一番，達到950太瓦時，屆時僅AI專用算力的耗電就將飆升至465太瓦時，這一數(shù)字已經(jīng)超過了日本全國的年度用電量。

在中國，情況同樣緊迫：2025年人工智能耗電量約為4500億度，占全社會用電量的3.8%；到2026年，這一數(shù)字預(yù)計將達到6000億度，占比升至5%，幾乎相當(dāng)于全國鋼鐵行業(yè)一整年的用電量。

過去，數(shù)據(jù)中心被視為電網(wǎng)中的一類重要負(fù)荷；未來，AI數(shù)據(jù)中心可能成為重塑電力系統(tǒng)規(guī)劃、建設(shè)和調(diào)度邏輯的超級變量。

當(dāng)機柜功率沖向300kW

傳統(tǒng)數(shù)據(jù)中心的時代，單個機柜的功率密度通常在3kW到5kW之間，整個機房的設(shè)計、配電、散熱和運維都是圍繞這一穩(wěn)定區(qū)間建立的。

但AI數(shù)據(jù)中心正在徹底改寫這一前提。

隨著英偉達Blackwell架構(gòu)的部署，單個機架在滿負(fù)荷運行時的功耗已達到約130kW；而計劃于2027年推出的Rubin架構(gòu)，目標(biāo)功率將直接沖向600kW，部分概念驗證系統(tǒng)甚至指向1MW。

這意味著，單個機架的耗電量已經(jīng)與數(shù)百戶家庭的用電量相當(dāng)。

GPU再強大，如果不能實現(xiàn)高功率密度的電流輸入和高效散熱，機柜功率就無法躍升至200kW、300kW。在這樣的硬性物理約束下，再強大的芯片也只是一堆無法通電的硅片。

這場躍遷帶來的沖擊是全方位的。

首先是供電架構(gòu)的徹底失效。

傳統(tǒng)數(shù)據(jù)中心依賴的UPS配電體系、市電直供模式，在面對數(shù)百千瓦級脈沖式負(fù)載時，不僅效率驟降，更可能在毫秒級的功率波動中崩潰。

AI訓(xùn)練任務(wù)具有劇烈的脈沖式波動特征，成千上萬塊GPU在特定階段瞬間同步啟動，導(dǎo)致電力負(fù)荷在毫秒級內(nèi)飆升又回落，這種高波動負(fù)載對電網(wǎng)的沖擊遠超傳統(tǒng)云計算的平穩(wěn)需求。

其次是散熱瓶頸的急劇放大。

當(dāng)機柜功率突破百千瓦，傳統(tǒng)風(fēng)冷技術(shù)已難以為繼，液冷方案雖在快速普及，但據(jù)市場研究機構(gòu)IDC預(yù)測，2025年中國液冷數(shù)據(jù)中心市場規(guī)模將突破200億元，其部署仍面臨與電力系統(tǒng)協(xié)同設(shè)計的復(fù)雜挑戰(zhàn)。

更深層的問題在于電網(wǎng)接入能力。

在美國最大電力市場PJM Interconnection覆蓋的區(qū)域，包括弗吉尼亞、馬里蘭、賓夕法尼亞等十個州，正是AI基礎(chǔ)設(shè)施最密集的區(qū)域之一，而2025年該區(qū)域的電價已出現(xiàn)高達76%的“不可逆轉(zhuǎn)”上漲。

電網(wǎng)互聯(lián)的排隊等待時間在部分地區(qū)長達5至10年，變壓器、燃氣輪機等電力設(shè)備的供應(yīng)鏈緊張，正在物理層面限制數(shù)字世界的無限擴張。

張雷用了一個極具歷史感的類比來概括這一矛盾：大模型大約每6個月就有一次重大迭代，芯片幾乎是12個月一個版本，但電力系統(tǒng)在過去一百年間幾乎沒有發(fā)生大的變化。

當(dāng)模型和芯片的指數(shù)級迭代，遇上電力系統(tǒng)的線性演進，AI基礎(chǔ)設(shè)施的主要瓶頸，就會從“算力夠不夠”延伸到“電力系統(tǒng)能不能支撐算力持續(xù)增長”。

電力系統(tǒng)由此從后臺走向前臺，從配套保障變成主體工程。

解法不是加設(shè)備，而是重構(gòu)系統(tǒng)

當(dāng)機柜功率沖向300kW，傳統(tǒng)“能源歸能源、算力歸算力”的機械拼接模式難以為繼。

能源企業(yè)在電網(wǎng)側(cè)考慮的是穩(wěn)定供電和負(fù)荷平衡，算力中心在機房側(cè)考慮的是服務(wù)器密度和PUE，兩者之間隔著規(guī)劃審批、并網(wǎng)協(xié)議、電價談判和物理距離，幾乎沒有任何實時協(xié)同。

張雷在發(fā)言中形容這種狀態(tài)是“機械的割裂”——電源、儲能、電網(wǎng)、電力電子、算力和大模型各自獨立運轉(zhuǎn)，像六臺轉(zhuǎn)速不同的齒輪強行咬合，摩擦損耗巨大。

這種行業(yè)割裂的代價已逐步顯現(xiàn)。

在內(nèi)蒙古、貴州等東數(shù)西算節(jié)點，算力中心建設(shè)速度遠超電網(wǎng)接入和綠電消納能力，只能依賴火電兜底；東部沿海負(fù)荷密集區(qū)域，又因土地、綠電指標(biāo)受限，算力成本居高不下。

傳統(tǒng)“先建能源、后搭算力”的線性建設(shè)思維，已然無法適配行業(yè)發(fā)展。

AI數(shù)據(jù)中心已經(jīng)不再是電網(wǎng)中的普通負(fù)荷，而是高密度、高波動、全天候運行的超級負(fù)荷。它要求電力系統(tǒng)同時具備穩(wěn)定性、靈活性、低碳性和經(jīng)濟性。

這也是“AI電力系統(tǒng)”提出的背景。

張雷認(rèn)為，“AI電力系統(tǒng)”將成為破局關(guān)鍵。其本質(zhì)上是能源系統(tǒng)與智能系統(tǒng)融合的人工智能基礎(chǔ)設(shè)施，核心價值是打通電源、儲能、電網(wǎng)、電力電子、算力與大模型，打破各環(huán)節(jié)各自為政的僵局。

要把這套理念落地，產(chǎn)業(yè)界需要回答三個關(guān)鍵問題：

• 如何在相同的功率帶寬下接入更多的GPU；
• 如何在相同的電量條件下產(chǎn)出更多的智力；
• 如何在相同的投資水平下顯著降低電力成本。

張雷認(rèn)為，AI電力系統(tǒng)可通過三層系統(tǒng)性突破，逐一解決行業(yè)痛點。

第一，搭建系統(tǒng)級智能中樞。

依托智能物聯(lián)操作系統(tǒng)，接入風(fēng)電、光伏、儲能、算力設(shè)施等全品類設(shè)備，構(gòu)建毫秒級實時協(xié)同體系，打造全域聯(lián)動的“能源神經(jīng)系統(tǒng)”，實現(xiàn)電力流與數(shù)據(jù)流的同步調(diào)度，替代傳統(tǒng)人工事后調(diào)度模式。

第二，落地物理人工智能。

普通大語言模型缺乏物理規(guī)律約束，易產(chǎn)生決策偏差。

行業(yè)需融合數(shù)據(jù)智能與物理定律，依托氣象、能源專屬大模型，實現(xiàn)風(fēng)光資源精準(zhǔn)預(yù)測、算力與能源場站實時調(diào)控，推動行業(yè)從數(shù)字孿生向智能閉環(huán)進化。

第三，重構(gòu)新型電力基礎(chǔ)設(shè)施。

依托風(fēng)光儲一體化控制器、高壓直流、構(gòu)網(wǎng)型儲能、智能機柜等新技術(shù)，完成從芯片到電網(wǎng)的系統(tǒng)性硬件重構(gòu)，為智能化調(diào)度提供硬件支撐，而非簡單疊加電力設(shè)備。

當(dāng)算力中心單機柜功率沖向300kW，高功率密度供電與高效散熱成為剛性約束；在有限的供電能力下實現(xiàn)機柜集群的動態(tài)功率管理、避免對電網(wǎng)造成沖擊，同時以吉瓦級可再生能源穩(wěn)定支撐算力中心運行，這些挑戰(zhàn)必須依靠能源系統(tǒng)與智能系統(tǒng)的深度融合才能解決。

作為AI電力系統(tǒng)的開創(chuàng)者，遠景走在了這場范式轉(zhuǎn)移的最前沿，但這條路的終點，必將是整個產(chǎn)業(yè)的共同奔赴。

算電協(xié)同：中國的獨特實踐

在電力系統(tǒng)這個領(lǐng)域，中國也正在探索一條截然不同的道路。

全球算力競賽的終局正在從“誰有更多卡”轉(zhuǎn)向“誰有更多電”。

但在中國，算力與電力的關(guān)系正在探索一條不同的解法——不是算力中心被動等待電網(wǎng)供電，而是讓算力主動跟著風(fēng)光出力曲線走。

這種“算力跟著風(fēng)光走”的實踐已非孤例。

但目前已有不少玩家實現(xiàn)了不同程度的高比例綠電供應(yīng)，但其實踐仍停留在綠電采購層面，能源系統(tǒng)與算力系統(tǒng)之間并未實現(xiàn)實時耦合。

更深層的融合，要求算力調(diào)度與電力調(diào)度進入同一套控制邏輯。遠景在內(nèi)蒙古的探索，代表了這種深度耦合的工程驗證。

在赤峰，遠景聯(lián)合騰訊打造了全球首個系統(tǒng)級“算電協(xié)同”樣本

基于2GW級100%新能源獨立電力系統(tǒng)，通過EnOS智能物聯(lián)操作系統(tǒng)和能源大模型，實現(xiàn)風(fēng)電、光伏、儲能、算力和氫能之間的動態(tài)實時協(xié)同——

當(dāng)風(fēng)光出力波動時，系統(tǒng)自動調(diào)整制氫負(fù)荷與算力任務(wù)編排，讓每一度綠電流向價值最高的環(huán)節(jié)。

公開信息顯示，這是全球首個實現(xiàn)100%綠電直供的數(shù)據(jù)中心項目。該項目不僅構(gòu)建了從發(fā)電到算力的全鏈路綠電供給體系，還將數(shù)據(jù)中心綜合能源成本降低了40%以上

與傳統(tǒng)數(shù)據(jù)中心主要依賴電網(wǎng)供電、綠色屬性難以追溯不同，遠景AIDC強調(diào)“破墻重構(gòu)”——打通從風(fēng)機、光伏、儲能到末端PDU（電源分配單元）的完整鏈路，對供能、配電、散熱與調(diào)度進行一體化設(shè)計。

這一模式推動數(shù)據(jù)中心從過去單純關(guān)注PUE（電能利用效率），邁向關(guān)注“每一度綠電能產(chǎn)出多少token”的“算效”新階段

與此同時，遠景在烏蘭察布打造的“星河基地”，嘗試吉瓦級能源系統(tǒng)與算力系統(tǒng)的一體化原生融合，從風(fēng)電光伏的出力預(yù)測，到儲能系統(tǒng)的毫秒級響應(yīng)，再到算力集群的任務(wù)編排，全部在同一套AI電力系統(tǒng)內(nèi)完成閉環(huán)。

在遠景看來，中國方案的獨特性不在于單純堆疊算力規(guī)模，而在于能源與算力的一體化融合，以及可持續(xù)的綠色電力供給。

從赤峰的能源自洽到烏蘭察布的算力協(xié)同，這些項目驗證了一個核心命題：未來的AIDC招標(biāo)，電力系統(tǒng)方案的重要性將超越服務(wù)器配置。

決定一個算力中心能否落地、能否低成本運行、能否持續(xù)擴張的，可能不只是有多少張GPU，而是能否解決高功率密度供電、高效散熱、動態(tài)功率管理和低成本綠電供給。

當(dāng)算力競賽的瓶頸從芯片延伸到電力，從模型參數(shù)延伸到能量管理，AI基礎(chǔ)設(shè)施的競爭邏輯正在被重寫。

誰能率先打通電源、儲能、電網(wǎng)、電力電子和大模型能力，誰就有機會在AI下半場掌握新的主動權(quán)。