AI的盡頭是電力，電力的答案為什么指向“物理AI”？

2025 年 9 月，美國(guó)孟菲斯，一座廢棄的家電工廠在 122 天內(nèi)就被改造成了地球上最大的 AI 訓(xùn)練集群。xAI 的 Colossus 超級(jí)計(jì)算機(jī)首期部署 10 萬塊 NVIDIA H100GPU，到 2025 年底，整個(gè)園區(qū)目標(biāo)算力推向 55 萬塊 GPU，功耗逼近 2GW。這大約相當(dāng)于 150 萬戶美國(guó)家庭的負(fù)荷，或者阿姆斯特丹整個(gè)城市的電力消耗。

但問題是，孟菲斯當(dāng)?shù)氐碾娋W(wǎng)根本無法在短時(shí)間內(nèi)接入如此龐大的用電負(fù)荷。于是在緊鄰孟菲斯的 Southaven，xAI 收購(gòu)了一座廢棄電廠并架起數(shù)十臺(tái)燃?xì)廨啓C(jī)，配上大量 Tesla Megapack 儲(chǔ)能電池，最終實(shí)現(xiàn)了給 Colossus 超級(jí)計(jì)算機(jī)穩(wěn)定供電的目標(biāo)。

2026 年初，全球已有至少五座在建或規(guī)劃中的 GW 級(jí)數(shù)據(jù)中心，包括 Anthropic 與亞馬遜的 NewCarlisle、Meta 的 Prometheus、OpenAI 的 StargateAbilene、微軟在 Fayetteville 的項(xiàng)目。但是，每個(gè)項(xiàng)目都面臨同樣的問題：當(dāng)?shù)仉娋W(wǎng)容量不夠，要么排隊(duì)等待電網(wǎng)升級(jí)，要么自己想辦法。

而這，還只是開始。對(duì) AI 系統(tǒng)來說，真正稀缺的并不只是電力總量，而是可被穩(wěn)定、低成本、高效率轉(zhuǎn)化為有效算力的電力。

在大模型時(shí)代，單 token 能耗成本正成為衡量算力效率、電力消耗與總體成本的核心指標(biāo)。AI 的競(jìng)爭(zhēng)并非停留在“誰有更多電”，而更在于“誰能把電轉(zhuǎn)化成更多的有效 token”。單位電力的 token 產(chǎn)出效率，將成為 AI 時(shí)代的核心生產(chǎn)力。

過去，人們討論 AI，更多聚焦算力、模型和芯片；但當(dāng) AIDC（AI 數(shù)據(jù)中心）的負(fù)荷邁向 GW 級(jí)，AI 競(jìng)爭(zhēng)的底層約束條件正在發(fā)生變化——誰不僅擁有算力，而且擁有穩(wěn)定、低成本、綠色且可擴(kuò)展的電力底座，誰才真正擁有下一輪 AI 擴(kuò)張的門票。

AI 爭(zhēng)奪的，已經(jīng)不只是“更多電”

AIDC 與傳統(tǒng)數(shù)據(jù)中心最大的不同，不在于規(guī)模，而在于其負(fù)荷特征發(fā)生了根本變化。專為 AI 訓(xùn)練和推理設(shè)計(jì)的數(shù)據(jù)中心，通常具有三個(gè)顯著特征：

其一，高功率密度。單機(jī)柜功耗遠(yuǎn)高于傳統(tǒng)數(shù)據(jù)中心，常常達(dá)到后者的 50 至 100 倍；

其二，7×24 小時(shí)高負(fù)載運(yùn)行。對(duì)供電連續(xù)性和電能質(zhì)量要求極高，哪怕毫秒級(jí)斷電，都可能讓價(jià)值數(shù)百萬美元的訓(xùn)練任務(wù)前功盡棄。

其三，負(fù)載波動(dòng)劇烈。AI 訓(xùn)練任務(wù)啟動(dòng)時(shí)，會(huì)帶來巨大的瞬時(shí)電流沖擊；這意味著，AI 對(duì)電力的需求早已不是簡(jiǎn)單的“量”的問題，而是一個(gè)“質(zhì)”的問題：不僅要有電，還要高可靠、高響應(yīng)、高效率、可持續(xù)地供電。

因此，AIDC 的能源競(jìng)爭(zhēng)，也正在從“有沒有電”轉(zhuǎn)向“如何用好每一度電”。

對(duì)于 AI 企業(yè)而言，真正關(guān)鍵的已不是獲取更多的電力資源，而是如何在單位電力消耗下，獲得更高的有效算力產(chǎn)出、更高的 GPU 利用率，以及更可控的全生命周期成本。電力不再只是算力的配套資源，而逐漸成為決定算力效率、模型成本和商業(yè)可行性的核心變量。

據(jù)高盛預(yù)測(cè)，到 2030 年，全球數(shù)據(jù)中心電力需求將較 2023 年增長(zhǎng) 165%，總裝機(jī)容量達(dá)到約 122GW。國(guó)際能源署（IEA）的判斷更為直白：到 2030 年，數(shù)據(jù)中心年用電量將翻倍至約 945TWh，接近日本一年的電力消費(fèi)總量。

算力高速擴(kuò)張的背后，AI 正把電力系統(tǒng)推向一個(gè)此前少有人認(rèn)真討論過的邊界。

傳統(tǒng)電力系統(tǒng)為什么越來越難支撐新 AI

如果說 AI 數(shù)據(jù)中心的問題只是“缺電”，那答案其實(shí)并不復(fù)雜：多建電源、多拉線路、多上設(shè)備即可。

但現(xiàn)實(shí)并非如此。真正棘手的，不是某個(gè)局部場(chǎng)景“有沒有電”，而是現(xiàn)有電力系統(tǒng)能否以足夠快、足夠穩(wěn)、足夠低成本的方式，支撐一種全新的負(fù)荷形態(tài)。

傳統(tǒng)電力系統(tǒng)的設(shè)計(jì)邏輯，建立在兩個(gè)前提之上：發(fā)電側(cè)相對(duì)可控，負(fù)荷側(cè)相對(duì)平穩(wěn)。以集中式火電為發(fā)電主力的舊式電力架構(gòu)，更擅長(zhǎng)處理可預(yù)測(cè)的供給與緩慢變化的需求，通過增加裝機(jī)、預(yù)留冗余、依靠人工經(jīng)驗(yàn)調(diào)度來維持平衡。

但這套邏輯在今天正被雙重變化打破。

一端是供給側(cè)。2025 年 3 月，五部委出臺(tái)政策，提出到 2030 年，國(guó)家樞紐節(jié)點(diǎn)新建數(shù)據(jù)中心的綠色電力消費(fèi)比例在 80% 基礎(chǔ)上進(jìn)一步提升。隨著風(fēng)電、光伏等可再生能源大規(guī)模并網(wǎng)，發(fā)電曲線越來越受氣象條件支配。電力供給不再主要來自少數(shù)幾個(gè)穩(wěn)定運(yùn)行的大型電廠，而轉(zhuǎn)向分散、碎片化、實(shí)時(shí)波動(dòng)的風(fēng)光資源網(wǎng)絡(luò)。

另一端是負(fù)荷側(cè)。AIDC 這類新型負(fù)荷不僅體量巨大，而且變化劇烈。GPU 集群在訓(xùn)練、推理、切換任務(wù)的過程中，會(huì)產(chǎn)生遠(yuǎn)超傳統(tǒng)負(fù)荷特征的功率波動(dòng)；高密度疊加持續(xù)高負(fù)載運(yùn)行，使其對(duì)電能質(zhì)量、供電連續(xù)性和系統(tǒng)響應(yīng)速度提出了近乎苛刻的要求。

也就是說，今天的電力系統(tǒng)，正同時(shí)面對(duì)兩類波動(dòng)：一類是不可控的可再生能源波動(dòng)，另一類是高頻、高強(qiáng)度、高敏感的 AI 負(fù)荷波動(dòng)。

而傳統(tǒng)系統(tǒng)的主要應(yīng)對(duì)手段，仍然是加大物理冗余：擴(kuò)建電網(wǎng)、增加后備電源、部署更多 UPS、提高設(shè)備規(guī)格、預(yù)留更厚的安全邊界。理論上，這些做法并非無效；但問題在于，它們?cè)絹碓诫y以滿足 AI 產(chǎn)業(yè)的現(xiàn)實(shí)需求。

原因在于三點(diǎn)。

第一，速度不夠。AI 項(xiàng)目的部署節(jié)奏往往以月為單位，而電網(wǎng)擴(kuò)容、線路建設(shè)、審批和傳統(tǒng)基礎(chǔ)設(shè)施升級(jí)往往以年為單位。二者在時(shí)間尺度上并不匹配。

第二，成本太高。單純依賴硬件堆疊和高規(guī)格冗余，本質(zhì)上是用大量資本開支和運(yùn)行冗余，去覆蓋高頻但不確定的風(fēng)險(xiǎn)。這種方法可以換來局部穩(wěn)定，卻顯著抬高 AIDC 的建設(shè)和運(yùn)營(yíng)門檻。

第三，系統(tǒng)依然不夠聰明。硬件越堆越多，并不意味著系統(tǒng)就更理解波動(dòng)、更能預(yù)判波動(dòng)。它只是用更厚的“物理緩沖”去抵消復(fù)雜性，卻沒有真正提升系統(tǒng)的認(rèn)知、判斷和協(xié)同能力。

這正是問題的關(guān)鍵所在：傳統(tǒng)電力系統(tǒng)難以支撐新 AI，不只是因?yàn)橄到y(tǒng)承載能力有限，更因?yàn)樗茈y以低成本、可復(fù)制的方式管理一個(gè)高度波動(dòng)、強(qiáng)耦合的新型能源場(chǎng)景。

今天的矛盾，已經(jīng)不是單純的“擴(kuò)容問題”，而是一個(gè)系統(tǒng)智能問題。

當(dāng)硬件堆疊走到極限，答案開始指向“物理 AI”

2025 年，黃仁勛在重返 CES 主舞臺(tái)的主題演講中，系統(tǒng)梳理了 AI 的演進(jìn)路徑，并提出“物理 AI”概念 —— 過去十幾年，AI 經(jīng)歷了感知 AI（讓機(jī)器學(xué)會(huì)“看”）、生成式 AI（讓機(jī)器學(xué)會(huì)“寫”和“畫”）兩個(gè)階段，現(xiàn)在正在進(jìn)入第三個(gè)階段：物理 AI（Physical AI）。

所謂物理 AI，是能夠理解物理世界規(guī)律、進(jìn)行推理規(guī)劃并自主行動(dòng)的 AI 系統(tǒng)。現(xiàn)行的大語言、圖像、視頻模型都無法理解和操控三維的物理世界。物理 AI 要處理的是重力、摩擦力、慣性、因果關(guān)系這些物理規(guī)律，讓機(jī)器在真實(shí)環(huán)境中感知、推理、決策和行動(dòng)。

這一定義放到能源系統(tǒng)中，幾乎天然成立。

因?yàn)槟茉聪到y(tǒng)本身就是一個(gè)典型的復(fù)雜物理系統(tǒng)。它不只是數(shù)據(jù)系統(tǒng)，也不只是軟件系統(tǒng)，而是一個(gè)實(shí)時(shí)運(yùn)行、強(qiáng)耦合、強(qiáng)約束、零容錯(cuò)的巨型基礎(chǔ)設(shè)施。頻率、功率、潮流、電池狀態(tài)、設(shè)備極限、氣象變化、電價(jià)波動(dòng)——所有這些變量都不是抽象指標(biāo)，而是真正決定系統(tǒng)安全與經(jīng)濟(jì)性的物理現(xiàn)實(shí)。

在 2025年 CES 的半年之后，在一場(chǎng)以“人工智能與未來能源系統(tǒng)”為主題的閉門科技會(huì)上，遠(yuǎn)景科技集團(tuán)董事長(zhǎng)張雷發(fā)表演講，將物理 AI 的概念帶入了能源行業(yè)。他指出，這種“人腦難以駕馭”的復(fù)雜巨系統(tǒng)，恰恰是 AI 的絕佳戰(zhàn)場(chǎng)。“語言模型讀懂文字，物理人工智能讀懂世界，而能源是一切系統(tǒng)的基石。”

如果說黃仁勛關(guān)注的是如何讓 AI 擁有“身體”以感知物理世界，那么張雷則敏銳地捕捉到了能源系統(tǒng)的邊界危機(jī)——傳統(tǒng)的“冗余+人工”模式已無法承載一個(gè)高比例可再生能源、高波動(dòng)負(fù)荷的新型電力系統(tǒng)。

這也是為什么，能源行業(yè)所需要的 AI，與聊天、寫作、圖像生成所依賴的 AI 并不相同。它不能“差不多”，更不能“生成一個(gè)大概正確的答案”。它必須在真實(shí)的物理邊界內(nèi)運(yùn)行，且每一步?jīng)Q策都要經(jīng)得起設(shè)備約束和系統(tǒng)安全的檢驗(yàn)。

從這個(gè)意義上說，AI 之所以成為解決 AI 電力問題的關(guān)鍵，不是因?yàn)椤癆I 很先進(jìn)”，而是因?yàn)樗赡苁巧贁?shù)能夠同時(shí)處理以下四類任務(wù)的工具：

它必須讀懂物理邊界：理解風(fēng)光出力、電池狀態(tài)、設(shè)備極限和約束；

它必須實(shí)時(shí)感知與預(yù)測(cè)：在毫秒到分鐘級(jí)時(shí)間尺度上識(shí)別氣象、功率、出力等波動(dòng)并預(yù)判趨勢(shì)；

它必須自主決策與優(yōu)化：形成充放電、功率平滑、削峰填谷、電力交易等策略；

它還必須閉環(huán)執(zhí)行，直接驅(qū)動(dòng)真實(shí)設(shè)備完成響應(yīng)，而不是僅停留在分析和建議層面。

換句話說，解決 AI 電力矛盾的，不會(huì)是一個(gè)更會(huì)“說話”的模型，而是一個(gè)更能“讀懂物理世界并采取行動(dòng)”的系統(tǒng)。這正是物理 AI 的價(jià)值所在。

物理 AI 的另一半：沒有全棧，就沒有“物理”

行業(yè)中普遍存在一種數(shù)字化慣性思維：認(rèn)為只要算法足夠聰明，再疊加一層軟件，就能接管現(xiàn)實(shí)世界。

事實(shí)恰恰相反。物理 AI 的難點(diǎn)，從來不只是算力和模型，而是能否真正理解物理邊界，并把決策準(zhǔn)確無誤地執(zhí)行到物理系統(tǒng)之中。如果 AI 只是外掛在硬件之上的軟件層，它與真實(shí)設(shè)備之間就會(huì)始終隔著一層“認(rèn)知斷層”：看得見數(shù)據(jù)，卻摸不到約束；算得出最優(yōu)解，卻未必落得下去。

全棧能力，就是消除這道斷層前提。

所謂全棧，不是簡(jiǎn)單地把硬件、軟件和算法堆在一起，而是讓 AI 從最底層的物理特性出發(fā)，向上貫通感知、控制、執(zhí)行和優(yōu)化的完整鏈條。只有掌握從感知元器件、動(dòng)力執(zhí)行器到核心算法模型的全路徑，AI 才能真正理解硬件極限，并在微秒級(jí)的瞬間做出不容置錯(cuò)的決策，實(shí)現(xiàn)從“隔空指揮”到“具身智能”的飛躍。

這一點(diǎn)在能源領(lǐng)域，尤其在儲(chǔ)能場(chǎng)景中，體現(xiàn)得最為極致。

儲(chǔ)能不是簡(jiǎn)單的電池堆疊，而是一個(gè)橫跨電化學(xué)、電力電子與電網(wǎng)動(dòng)力學(xué)的復(fù)雜物理系統(tǒng)。在 GWh 級(jí)儲(chǔ)能電站中，單站包含百萬級(jí)電芯。如果 AI 不掌握電芯的化學(xué)邊界，它在云端計(jì)算出的“最優(yōu)策略”可能加速電池衰減甚至引發(fā)安全風(fēng)險(xiǎn)；如果 AI 的指令要經(jīng)過多層協(xié)議轉(zhuǎn)換才能抵達(dá)設(shè)備，毫秒級(jí)的延遲，足以讓系統(tǒng)在電網(wǎng)波動(dòng)的瞬間失去支撐能力。

但算法再聰明，如果穿不透硬件，就與盲人摸象無異。

從公開信息來看，遠(yuǎn)景是目前行業(yè)內(nèi)少數(shù)具備儲(chǔ)能全棧能力的企業(yè)——從造電芯、做系統(tǒng)、寫算法，到全生命周期運(yùn)營(yíng)，形成一條完整的閉環(huán)。這意味著，AI 面對(duì)的不是一堆彼此割裂的零部件，而是一個(gè)可以被整體建模、整體調(diào)度、整體優(yōu)化的系統(tǒng)。

它既能感知一顆電芯的健康狀態(tài)，也能理解一座電站對(duì)電網(wǎng)的支撐方式；它既能優(yōu)化一次充放電的收益，也能把這種優(yōu)化延伸到 25 年的安全運(yùn)行與資產(chǎn)回報(bào)之中。

所以，儲(chǔ)能之所以成為物理 AI 在能源領(lǐng)域最先落地的核心場(chǎng)景，不是因?yàn)樗案枰拍睢保且驗(yàn)樗钚枰环N真正穿透物理邊界的智能。

AI 只有走到電芯、PCS、構(gòu)網(wǎng)和電網(wǎng)協(xié)同這一層，才不只是“更聰明”，而是開始真正成為儲(chǔ)能系統(tǒng)的中樞神經(jīng)。

只有這樣，儲(chǔ)能才可能從被動(dòng)的能量容器，變成能感知、能判斷、能響應(yīng)、還能持續(xù)進(jìn)化的智能資產(chǎn)。也只有這樣，在 AIDC 場(chǎng)景下，儲(chǔ)能才可以從被動(dòng)的備電設(shè)備，進(jìn)化成一整套為 AI 算力持續(xù)供電的能源底座。

一套“物理 AI”驅(qū)動(dòng)的算力電力底座如何煉成

當(dāng)行業(yè)還在討論“AIDC 該怎么供電”時(shí)，有人已經(jīng)把答案寫進(jìn)了真實(shí)的項(xiàng)目里。

在內(nèi)蒙古赤峰，遠(yuǎn)景與騰訊合作建成了全球首個(gè) 100% 綠電直供的數(shù)據(jù)中心。這個(gè)項(xiàng)目沒有接入一度火電，綜合能源成本降低超 40%，年碳減排達(dá) 18 萬噸。它正面回答了一個(gè)行業(yè)普遍認(rèn)為不可能的問題：零碳電力能不能撐住一座真實(shí)運(yùn)行的數(shù)據(jù)中心？

答案是可以，但前提是一個(gè)被 AI 賦能的電力系統(tǒng)。

赤峰項(xiàng)目之所以能實(shí)現(xiàn) 100% 綠電穩(wěn)定運(yùn)行，依賴的不是堆砌更多的備用設(shè)備，而是一套貫穿“感知-預(yù)測(cè)-決策-執(zhí)行”的智能調(diào)度體系。

遠(yuǎn)景自研的天機(jī)氣象大模型持續(xù)預(yù)判風(fēng)光出力變化，天樞能源大模型實(shí)時(shí)優(yōu)化儲(chǔ)能充放電與負(fù)荷匹配策略，構(gòu)網(wǎng)型儲(chǔ)能則在場(chǎng)站側(cè)主動(dòng)支撐電網(wǎng)頻率和電壓。當(dāng)風(fēng)力驟降或負(fù)荷跳變時(shí)，系統(tǒng)不需要人工應(yīng)急，而是在毫秒級(jí)完成策略調(diào)整。這正是物理 AI 在真實(shí)能源場(chǎng)景中閉環(huán)運(yùn)轉(zhuǎn)的樣子——不是生成一個(gè)“建議”，而是直接驅(qū)動(dòng)設(shè)備做出反應(yīng)。

當(dāng) AIDC 的規(guī)模從百兆瓦級(jí)向 GW 級(jí)躍遷，單點(diǎn)技術(shù)的優(yōu)化已遠(yuǎn)遠(yuǎn)不夠。遠(yuǎn)景給出的系統(tǒng)方案覆蓋了四個(gè)層面：

一是全場(chǎng)景全鏈路方案布局：在電網(wǎng)側(cè)，風(fēng)光配儲(chǔ)綠電直連，縮短并網(wǎng)周期、壓低用電成本；在場(chǎng)站側(cè)，構(gòu)網(wǎng)型儲(chǔ)能主動(dòng)平抑負(fù)荷波動(dòng)，穩(wěn)定供電質(zhì)量；在負(fù)荷側(cè)，直流儲(chǔ)能取代傳統(tǒng) UPS，平抑毫秒級(jí)功率波動(dòng)，保障算力設(shè)備穩(wěn)定運(yùn)行。

二是模塊化集成設(shè)計(jì)，支持快速擴(kuò)展與便捷升級(jí)，可滿足百兆瓦級(jí)大型計(jì)算集群的 EPC 交付需求；

三是全棧自研的軟硬件深度集成，實(shí)現(xiàn)供電鏈路效率最大化，大幅降低 AIDC 全生命周期的用電、運(yùn)維成本；

四是極速交付能力，核心系統(tǒng)部署周期較行業(yè)傳統(tǒng)方案縮短 70%，可快速響應(yīng) AI 算力項(xiàng)目落地需求，匹配 AI 模型快速迭代的行業(yè)特性。

四層方案之間不是各自為政，而是共用一套數(shù)據(jù)閉環(huán)。每一臺(tái)風(fēng)機(jī)的出力數(shù)據(jù)、每一顆電芯的運(yùn)行狀態(tài)、每一個(gè)時(shí)刻的電價(jià)信號(hào)，都在同一個(gè)系統(tǒng)中被感知、處理和響應(yīng)。

這要求硬件和軟件必須在同一個(gè)體系內(nèi)深度耦合，而這恰恰是遠(yuǎn)景堅(jiān)持全棧自研的原因。從電芯、PCS、BMS 到 EMS、SCADA，從氣象大模型到能源大模型，遠(yuǎn)景在全球 400 余座儲(chǔ)能電站、上億顆電芯的運(yùn)行數(shù)據(jù)上持續(xù)訓(xùn)練和驗(yàn)證這套系統(tǒng)。

最終形成的是一個(gè)“AI 管理 AI”的閉環(huán)：物理 AI 保障電力系統(tǒng)的穩(wěn)定、經(jīng)濟(jì)與綠色，而穩(wěn)定、低成本的零碳電力底座又為 AI 算力的持續(xù)擴(kuò)張?zhí)峁┰丛床粩嗟膭?dòng)力。

從赤峰的落地案例來看，它所驗(yàn)證的不只是一種技術(shù)方案，而是一種可能性：當(dāng)能源系統(tǒng)具備了像算力一樣的柔性與智能，AI 產(chǎn)業(yè)的擴(kuò)張才不會(huì)被電力卡住脖子。

結(jié)語

AI 的盡頭是電力，而電力的未來，越來越像一個(gè)由物理 AI 驅(qū)動(dòng)的智能系統(tǒng)。

在這個(gè)過程中，儲(chǔ)能不是唯一答案，但很可能是最先跑通閉環(huán)、最先形成產(chǎn)業(yè)規(guī)模的關(guān)鍵抓手。

而 AIDC 的能源競(jìng)爭(zhēng)，也不會(huì)停留在“有沒有電”這個(gè)初級(jí)階段，而會(huì)越來越清晰地走向下一個(gè)問題：誰能以更低成本、更高穩(wěn)定性、更強(qiáng)綠電能力，把每一度電真正變成有效算力。

運(yùn)營(yíng)/排版：何晨龍