把電價當量化交易做！這家AI公司，一年幫數據中心“賺”出1000萬

在美國，電力資產是AI 浪潮中最早被點燃的牛股之一。算力擴張、用電激增，直接推高了發電、輸配電與儲能的資產價值。

但在電力相對充沛、價格長期被壓低的中國，AI 與電力的結合，并沒有簡單復制這條路徑，而是走向了另一種形態。

進入AI 時代，新型電力系統同時發生兩件事：一邊是新能源占比提升，風光出力帶來更強的供給不確定性；另一邊是 AI 數據中心負載特征改變，用電需求變得更波動、更突發。

而發電與用電必須實時平衡的硬約束并未改變，這迫使電力定價體系加速市場化。到2026 年，電價開始在現貨市場中以 15 分鐘為周期不斷刷新。

問題隨之浮現：在高度波動的電價環境下，企業該如何找到一個長期穩定、可復制的最優經濟解？這一挑戰，對年用電量動輒上億度的AI數據中心尤為尖銳。

這也讓數據中心成為AI 落地最現實的場景之一。國內一家切入這一問題的公司是達卯科技。

達卯科技最早獲得了商湯、寒武紀、寧德時代的戰略投資，其起點源于一個判斷：大模型時代，算力將長期運行在高負載、高波動狀態。

隨著電力市場化推進，團隊意識到，如果將對算力波動的理解，與電力系統調度能力結合，算力與電力之間可能形成新的協同關系。

目前，達卯科技全棧自研了一套可適配多種能源場景的能源大模型，并基于此打造了算電協同、虛擬電廠等創新平臺，用AI去實時生成最優的充放電策略、電力交易報價與電網響應方案，把原本被動承受波動的用電負荷，轉化為可調度、可計算的資源。

在實際運行中，這套系統已經開始體現價值：

在亞洲最大的單體智算中心，上海臨港智算力中心，僅通過調度優化，年度電力成本便降低了6.5%，直接每年節約1000萬元人民幣。

不久前，我們專訪了達卯科技CEO簡煜忞，從他的視角拆解高波動電價下的能源最優解。

尋找高波動電價下的能源最優解

理解達卯科技的業務，需要先理解國內電力體系正在經歷的結構性變化。

過去幾年里，國家花了很大力氣在建設新型電力系統，核心是用大體量新能源替代傳統火電。但這也帶來了一個衍生的問題，新能源天然具有波動性和間歇性，供給端的不確定性上升。

更重要的是，這種不確定性開始在需求側同樣出現。

在傳統互聯網時代，數據中心的電力需求變化很少。無論是搜索、社交、云計算還是企業IT，核心特征都是7×24小時運行、負載相對平穩。服務器的利用率有高低，但變化節奏通常以天、周、月為單位。

但到了AI時代，一切都變了。一個最直觀的變化，是用電波動顯著放大。

原因很簡單，AI訓練并不是持續勻速的過程。一個大模型訓練任務啟動時，數百張GPU同步拉滿，任務結束時，負載又迅速回落。

隨著推理算力需求的增長，也加劇了這種波動。一個客戶的決策、一個提示詞的流行，都可能在幾分鐘內推高算力調用，進而帶來電力側的突刺式增長。

GPU本身又是典型的“階躍型”耗能設備，從空閑到滿載往往不是線性爬升，而是直接拉滿功耗上限，使得用電曲線呈現出更強的抖動性。

于是，新型電力系統里出現了“雙側不確定性”：供給端由風光的波動決定，需求端由算力任務決定。但對電力系統來說，它要做的事情仍然不變，就是保持發電與用電實時平衡。

為了更好地維持這種平衡，電力定價體系也開始改革。

過去，平衡成本大多被行政統籌電價吸收：政府用分時電價、峰谷價差去引導用戶把負荷往更合適的時間挪，幫助系統平衡。

但當波動變強、頻率變高，行政定價開始跟不上系統變化，市場化改革把“平衡成本的定價權”交還給市場，這就是電力市場化改革。

在2026年的現貨市場，電價將不再按小時甚至按天制定，而是每15分鐘重新形成一次價格。

價格完全由發用電兩側的實時平衡狀況決定，高頻波動、強不確定性，幾乎沒有可循的固定規律。用戶最終的電費結算，也直接來自這些15分鐘級別的成交結果。

在這種機制下，企業面臨的不是“電價更貴”這么簡單，而是“電價更難預測”。

這意味著，傳統經驗型的節能和投資測算開始失效，你無法只靠“晚上充、白天放”的簡單策略穩定賺錢。

原因很簡單，一年8760小時，每小時4個15分鐘，一年約3.5萬個決策點。每個點不僅要看電價，還要看風光預測、算力任務負載、芯片功耗、散熱狀態。

人類無法在這個多層復雜維度上做穩健決策，這就是AI應用的機會窗口。而達卯要做的事情，就是把原本不可預測的隨機負荷，轉化為可計算、可調度的可控負荷。

具體做法上，達卯從需求側入手，把數據中心內部一切具備“儲能屬性”的資源統一納入一個能源模型之中。

這里的“儲能”，不只指電池，還包括UPS、電池系統、蓄冷系統，以及所有能夠在時間維度上“搬移能耗”的設施。

當這些儲能資源的功率覆蓋到數據中心正常負荷的100%以上時，負荷曲線就“百分之百可以調節。

系統可以在電價較高、電網緊張的時段，更多依賴內部儲能與冷量釋放，降低對外部電力的瞬時需求；在電價較低、供給充裕的時段，再完成能量的回補。

從外部電力系統的視角看，一個原本呈現隨機波動的數據中心負載，被轉化為一個響應價格信號、可預測、可調度的需求單元，從而找到了算力能源的最優解。

在上海臨港智算中心，一年“挖”出了1000萬

為了把“可控負荷”做成可復制的能力，達卯構建了一套“能源大模型”。

它的思路與大語言模型類似：語言模型用token把自然語言編碼成序列，讓模型理解結構與潛在邏輯。而達卯設計了一個叫“能量塊”的基礎數據結構。

每一個能量塊，可以近似理解成是一臺服務器在15分鐘內的用電負荷特性。但它不只是一個功率數，而是包含多層信息：

用戶任務屬性、資源池劃分、芯片狀態、配電與暖通系統、端口表，以及外部市場與氣象等變量。

當這些能量塊被標準化、序列化之后，原本分散在不同系統里的空間關系、任務依賴、價值傳導、時序邏輯，就被壓縮進了模型可處理的數學結構里。

這時候，就不需要人再去寫規則，模型自己就可以在足夠規模的數據里學習系統的平衡關系。

模型真正產生價值的地方，是“可調參數”。

在能量塊所描述的狀態里，有一部分變量可以被主動調節：儲能充放電、蓄冷充冷與釋冷、部分負載的調度窗口等。

模型要做的是在邊界約束下，自動尋找一組成本最低、穩定性最優的參數組合，并將其轉成機器可執行的控制指令。

當然，能源大模型也需要海量數據規模進行訓練。

這個能源模型是用臨港智算中心的18個月數據訓練基礎模型，平均每五分鐘就有近一億條數據。

基礎模型有了，在一個智算中心場景可用，但還無法直接遷移到其他數據中心。

原因是，每個客戶的需求、地理位置、電價結構都不同。

達卯的做法是，以通用“能量塊”數據結構構建模型黑啟動能力，在基礎模型基礎上適配新客戶約3個月歷史數據做再訓練，以較低的成本“校準”模型對新場景的理解。

達卯能源大模型在臨港智算中心上線后，這套系統開始接管充放電策略。即便只用到部分調度能力，智算中心一年電費成本就降低了6.5%，節省超過1000萬元。

當然，能源模型的價值還不止這些。

除了電能量市場，電力體系中還存在容量市場與市場間套利機制。

所謂的電容量，指的是在某一個時刻，電力系統能夠穩定、連續地向你提供的最大功率能力。

更直觀的類比，是寬帶的月租費——只要你接入了網絡，不管用不用，都要為你占用的帶寬能力付費。

對于算力中心來說，如果負荷峰值波動很大，就必須申報更高的變壓器容量，承擔更高的基礎電費。

而一旦通過精細化調度，把峰值削下來、把曲線壓平，容量成本就可以被顯著降低。這部分收益，往往比單純的電能量套利高出一個數量級。

再進一步，還存在跨市場的套利空間：在某些情況下，容量成本的上升，可能會換來電能量市場中更高的收益；只要整體結果為正，就存在通過跨市場調度進行價值置換的可能性。這類決策，已經遠遠超出了人工可計算的范疇。

歸結到一句話，新的電力市場環境下，套利的復雜度顯著提高，但可釋放的價值空間也同步放大。這些都是達卯科技深入布局的。

把生意當“基金”做，賺大頭的收益分成

在當下的中國ToB市場里，賣軟件很難把價值賣出價格。與其他AI垂直應用相比，達卯科技的這套AI系統最大的不同在于，可以把應用場景的經濟賬算清楚。

以達卯科技的標桿客戶之一的臨港智算中心為例，在目前僅完成約三分之一建設規模的情況下，在引入智能調度系統并配套儲能之后，每年可以直接節省優化約1000萬元人民幣。

值得一提的是，這一規模在當前數據中心行業并不算大，市場中5—6 倍體量的項目已較為常見。

在調度邏輯不變的前提下，節省效果會隨規模近似線性放大。按同一模型外推，一個吉瓦級算力中心，僅通過“算力—電力—儲能”的協同優化，年化成本優化空間理論上可達數億元。

達卯內部做過測算，假設數據中心用電量在全社會中的占比達10%（行業預測到2030年智算中心用電量將占到全社會總用電量5%-10%），在現貨市場滲透率達到30%的情況下，僅“算力相關的平衡市場”，規模就已經接近1200億元。

但這還只是下限。

原因在于，算力中心的電力結構，與全社會平均水平并不一致。根據國家在“算電協同”和“東數西算”中的要求，樞紐節點算力中心的綠電使用比例需達到80%。

而新能源占比越高，電越不穩定，價格形成機制就越依賴平衡市場。

在更貼近現實的假設下,將西部節點按80%、東部節點按65%進入平衡市場來測算，算力協同所對應的市場規模，已經超過2500億元，幾乎是前述簡單估算的兩倍。這一部分，構成了“大模型可直接參與決策”的核心場景。

由于結果清晰可量化，所以達卯選擇把商業模式綁定到結果上：前端低收費，后端結果分成，鎖定長期運營。

具體來說，在前期，公司只收一個很低的部署費，幫客戶把模型跑起來，做咨詢和硬件對接。

與此同時，經過精準的投資測算，達卯與客戶簽訂長達10-15年的運營合同。在這期間，系統幫客戶省下來的電費，或者通過市場交易賺來的錢，公司按比例分成。

這個邏輯很像私募或咨詢行業，前端收得少，讓客戶先上車，后端圍繞節省或增益分成，把長期現金流做出來。

這套模式能否規模化的核心，在于在交付成本是否能夠被持續壓低。

達卯目前的做法，是用AI把原本高度依賴人工的“重運營”，壓縮成“系統為主、人為兜底”的結構：一套模型負責持續出策略，一個現場人員負責巡檢、異常處理與安全確認。

過去需要7×24小時盯盤、不斷人工調參的工作，被收斂成少量人工干預。結果是，隨著項目規模放大，邊際交付成本并不會線性上升，整體毛利率可以穩定在60%以上。

真正的瓶頸，反而落在人才結構上。

單一維度的算法工程師并不稀缺，真正稀缺的是能夠同時理解數據中心運行邏輯、電力系統約束，以及AI模型工作方式的復合型人才。

傳統能源公司習慣依賴機理模型，要求“先把原理講清楚”，對AI的“黑盒式方法”天然持保守態度，難以接受先落地再優化的邏輯；而純AI團隊又容易低估工程與物理邊界，認為只要數據足夠就能解決一切。這兩種認知的斷層，正是很多技術在復雜系統中難以落地的核心原因。

達卯科技的獨特性，在于其成長路徑天然規避了這種斷層，從真實的數據中心場景中生長出來：

先通過實踐理解數據中心的運行邏輯、電力系統的剛性約束，再讓AI模型介入決策優化。這種在實踐中完成的“數據中心運營+電力系統規則+AI模型邏輯”三重知識耦合，不僅讓技術最能有效實現落地，更形成了一道難被快速復制的護城河。

隨著電力市場化改革推進、AI 算力需求持續增長，“算電協同”正從可選優化項，轉變為決定成本競爭力的關鍵變量。達卯的實踐表明，AI 不僅可以提升效率，也可以通過精細化調度與交易機制，從能源波動中直接創造可量化的經濟價值。

文/林白

PS：如果你對AI大模型領域有獨特的看法，歡迎掃碼加入我們的大模型交流群。