谭寅亮：AI的第四个要素：电力，正在决定下一轮算力竞争的上限
现在，华尔街的投资人聊起人工智能（AI），不是在聊“模型参数”或“GPU供给”，而多的是在聊“电网能不能扛得住”。过去两年，生成式AI将计算从一种“偶发的大任务”变成了“全天候的高频调用”，而电力恰恰是这类新型负荷最硬的约束。
于是，一项新的判断正在浮出水面——如果说数据、算法与算力构成了AI的前三要素，那么今天的第四要素是电力。更进一步说，电力不再只是损益表里的成本项，而是决定AI扩张速度、空间分布乃至巨头生死的物理上限。
美国正用现实给全球上一堂昂贵的物理课。北美最大的电网运营机构PJM，正被数据中心的新增负荷推向压力边缘。作为覆盖美国13个州、服务约6700万人的关键枢纽，PJM一直是美国电力系统的“心脏”。
然而，这颗心脏正面临“心律失常”。在长期需求基本平稳的背景下，PJM预计未来十年用电需求年均增长4.8%。这个数字在电力行业，意味着电网的运行逻辑被彻底改变：从相对可预测的平滑曲线，转向了由数据中心驱动的、更加陡峭且极难调度的负荷上升通道。
更直观的冲击来自美国最典型的数据中心集聚区——北弗吉尼亚，当地电力公司Dominion Energy收到的数据中心接入申请已超过40GW，这足以供至少1000万户家庭使用，接近弗吉尼亚电网既有容量的两倍。当海量需求集中爆发在同一片地理区域时，问题早已不是“美国有没有电”，而是这片区域的输电通道、变电容量、配电系统，能不能在物理上把电送到机房。
现在的美国电网，就像快要散架的老旧机器。数据显示，美国目前最高用电负荷约820GW，而备用率仅剩17%，处于极度紧平衡状态。更重要的是存量资产的老化，据统计，60%的发电机组运行时间超过20年，约250GW的设备机龄已近50岁，即将面临强制退役。一边是AI产生的巨大需求，如OpenAI甚至提出到2033年要建设250GW的数据中心，这相当于给整个美国电网增加30%的负荷；另一边是步履蹒跚的老旧电网和漫长的基建周期，新建煤电、核电通常需要5至6年。如此供需错配，最终引发了民众担忧。当科技巨头为了训练模型而挤占民用电力资源，导致电费飙升甚至停电风险时，技术问题就变成了社会问题。
面对潜在的失控风险，监管开始明显收紧。近日，美国政府释放出一项具有方向性意义的政策信号：新建的大规模 AI 数据中心将被要求具备自供电能力，以避免人工智能的发展推高普通居民和企业的用电成本。这一政策背后的考量并不复杂。随着 AI 算力需求快速膨胀，如果继续允许科技巨头无序接入公共电网，美国现有的电力系统在未来数年内将面临严重压力，甚至出现结构性瓶颈。换言之，AI 的快速扩张，不能以公共电力系统“兜底”为前提。
在这一背景下，拥有充足现金流的大型科技公司，角色正在发生变化：它们不再只是电力的终端消费者，而被迫走向自建电源、签署长期电力采购协议，或直接投资发电与能源基础设施。这意味着，AI 产业的竞争边界，正在从算力与模型，延伸至能源与基础设施层面。
对于微软、谷歌、亚马逊等这些科技巨头来说，不想被断电，摆在面前的大致有三条路。
第一条路是燃气发电，这是目前最快、最稳的方案。然而，核心设备燃气轮机的产能已被锁死。GE Vernova和西门子的燃气轮机订单已经翻倍。特别是GE Vernova，其产能排期已经排到了2030年。
第二条路是重启核能与SMR（小型模块化反应堆），这是硅谷最喜欢的叙事，并都在疯抢核电资源。亚马逊直接买下了与三里岛核电站相连的数据中心园区，并计划重启部分退役机组。虽然核能清洁、稳定，但其核电审批与建设周期往往以“五年”甚至“十年”计，对于按“周”迭代的AI模型来说，远水解不了近渴。
第三条路则是固体氧化物燃料电池（SOFC），这是目前最值得关注的黑马。SOFC能直接将天然气转化为电能，效率高达60%以上，且建设周期仅需1至2年，非常适合作为数据中心的分布式电源。美国的Bloom Energy公司已经因此拿到了Meta和谷歌的大单，股价随之暴涨。在
AI的尽头是能源，能源的核心是设备。当电力成为关键变量，AI产业链的叙事也会随之改写。过去市场更关注芯片、服务器、云服务；现在，一条从电厂到机柜的链条正在被重新定价。对于AI数据中心而言，真正的瓶颈往往出现在并网、输电、变电、配电这些环节。变压器、开关设备、继电保护与调度自动化系统，原本属于基础设施的常规配置，如今成为决定数据中心交付速度的关键。
再往机房内部看，UPS、电力电子、PDU、母线槽、电能质量治理、备用电源与储能系统的重要性显著上升，因为它们共同决定了“高功率密度负荷能否稳定运行”。与此同时，冷却系统与供配电深度耦合，液冷的普及不仅改变散热方式，也会改变机房的电力架构与运维方式。换句话说，AI基础设施正在更像一套“数字工业系统”，而不是传统意义上“放几排服务器”的信息化项目。
得益于我国拥有全球最完整的电力装备与电力电子产业链，2024年中国变压器对美出口增长了44%。随着美国本土缺口从89GW扩大至182GW（据券商保守估算，对应投资超千亿美元），全球买家不得不将目光投向东方。
此外，在数据中心内部的“最后一米”供电上，技术路线也在发生革命。英伟达最新白皮书明确指出，为了适应Blackwell等新一代芯片，800V直流架构（HVDC）将是终极方案。而支撑这一架构的核心部件——固态变压器（SST），目前全球能做的企业屈指可数，中国企业早已在此布局。当美国急需“物理基建”来承载AI之梦时，中国制造的工程交付能力和规模效应，成了全球产业链中无法绕开的一环。
有人会说，计算能效不是一直在提升吗？这就必须提到库梅定律（Koomey’s Law）。库梅定律指出，计算能效长期呈指数级提升，经典说法是单位能耗可完成的计算量大约每18个月翻倍。 在很长一段时间里，这条规律帮助技术行业用更少的电完成更多的计算，使得“数字化升级”与“能源约束”之间的矛盾被推迟。然而，生成式AI正在改变需求曲线的形状。过去，计算需求更多来自搜索、推荐、交易等相对“稀疏”的请求；今天，AI把请求拆成细粒度的token流水，并把这种流水嵌入客服、办公、内容生产、研发、工业质检、视频生成等越来越多的场景。即便每一次计算更省电，总调用量的跃迁仍会把总能耗推上去。外部研究机构也在反复上修电力需求预期，例如关于美国到2030年前用电增长的预测中，“数据中心”几乎总是最重要的驱动因素之一。 这意味着，库梅定律并没有失效，但它带来的节能红利正在被token洪水“用完”，电力重新回到AI扩张的硬约束位置。
视野回到国内，很多人认为中国“电多、不缺”，这可能是一个危险的误判。如果中国在AI领域的投资规模追随美国，到2030年，国内数据中心同样需要新增100至150GW的负荷。届时，国内电力投资将重回紧张周期，必须新建大量的火电、核电与储能设施。
PJM的案例给中国的最大启示，是要把AI当成“新型工业负荷”来规划，而不是把算力中心当作孤立的互联网项目。AI负荷的集中爆发，会同时触发可靠性、价格与协同治理的压力；而在跨州政策分歧更大的体系里，这种协同更难，PJM辖区内不同州在能源转型与新电源建设上的立场差异，就让问题更复杂。 因此，真正的前瞻不是等瓶颈出现再补课，而是提前把并网扩容、变电站规划、需求响应、自备电与储能、峰谷管理等机制设计为可复制的“基础设施制度包”，让AI扩张从一开始就走在可控的轨道上。
归根结底，AI时代会出现一个新的衡量尺度：每度电能产出多少“可用智能”。在移动互联网时代，我们谈DAU（日活）、用户时长、转化率；在生成式AI时代，电力将成为最底层的生产要素，直接决定智能产出的上限与边际成本。未来的算力竞争，将越来越像一场电力与基础设施的系统战。这不再是简单的“买几块卡”的游戏，而是谁能搞定燃气轮机、谁能签下核电站、谁能买到变压器、谁能更稳更经济地交付“可用电”。对于中国制造业来说，这可能是一次千载难逢的产业链重构机遇。AI的第四个要素，正在重新定价全球的工业资产。
作者系中欧国际工商学院决策科学与管理信息系统教授谭寅亮 (Tan, Yinliang)
来源|福布斯中文网
