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 超級計算機首期部署 10 萬塊 NVIDIA H100GPU，到 2025 年底，整個園區(qū)目標算力推向 55 萬塊 GPU，功耗逼近 2GW。這大約相當于 150 萬戶美國家庭的負荷，或者阿姆斯特丹整個城市的電力消耗。

但問題是，孟菲斯當?shù)氐碾娋W(wǎng)根本無法在短時間內(nèi)接入如此龐大的用電負荷。于是在緊鄰孟菲斯的 Southaven，xAI 收購了一座廢棄電廠并架起數(shù)十臺燃氣輪機，配上大量 Tesla Megapack 儲能電池，最終實現(xiàn)了給 Colossus 超級計算機穩(wěn)定供電的目標。

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

而這，還只是開始。對 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。AI 的競爭并非停留在“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 AIDC（AI 數(shù)據(jù)中心）的負荷邁向 GW 級，AI 競爭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、綠色且可擴展的電力底座，誰才真正擁有下一輪 AI 擴張的門票。

AI 爭奪的，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，而在于其負荷特征發(fā)生了根本變化。專為 AI 訓(xùn)練和推理設(shè)計的數(shù)據(jù)中心，通常具有三個顯著特征：

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

其二，7×24 小時高負載運行。對供電連續(xù)性和電能質(zhì)量要求極高，哪怕毫秒級斷電，都可能讓價值數(shù)百萬美元的訓(xùn)練任務(wù)前功盡棄。

其三，負載波動劇烈。AI 訓(xùn)練任務(wù)啟動時，會帶來巨大的瞬時電流沖擊；這意味著，AI 對電力的需求早已不是簡單的“量”的問題，而是一個“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 的能源競爭，也正在從“有沒有電”轉(zhuǎn)向“如何用好每一度電”。

對于 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，到 2030 年，全球數(shù)據(jù)中心電力需求將較 2023 年增長 165%，總裝機容量達到約 122GW。國際能源署（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總量。

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

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”，那答案其實并不復(fù)雜：多建電源、多拉線路、多上設(shè)備即可。

但現(xiàn)實并非如此。真正棘手的，不是某個局部場景“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，支撐一種全新的負荷形態(tài)。

傳統(tǒng)電力系統(tǒng)的設(shè)計邏輯，建立在兩個前提之上：發(fā)電側(cè)相對可控，負荷側(cè)相對平穩(wěn)。以集中式火電為發(fā)電主力的舊式電力架構(gòu)，更擅長處理可預(yù)測的供給與緩慢變化的需求，通過增加裝機、預(yù)留冗余、依靠人工經(jīng)驗調(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，五部委出臺政策，提出到 2030 年，國家樞紐節(jié)點新建數(shù)據(jù)中心的綠色電力消費比例在 80% 基礎(chǔ)上進一步提升。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)幾個穩(wěn)定運行的大型電廠，而轉(zhuǎn)向分散、碎片化、實時波動的風(fēng)光資源網(wǎng)絡(luò)。

另一端是負荷側(cè)。AIDC 這類新型負荷不僅體量巨大，而且變化劇烈。GPU 集群在訓(xùn)練、推理、切換任務(wù)的過程中，會產(chǎn)生遠超傳統(tǒng)負荷特征的功率波動；高密度疊加持續(xù)高負載運行，使其對電能質(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)，正同時面對兩類波動：一類是不可控的可再生能源波動，另一類是高頻、高強度、高敏感的 AI 負荷波動。

而傳統(tǒng)系統(tǒng)的主要應(yīng)對手段，仍然是加大物理冗余：擴建電網(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，它們越來越難以滿足 AI 產(chǎn)業(yè)的現(xiàn)實需求。

原因在于三點。

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

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行冗余，去覆蓋高頻但不確定的風(fēng)險。這種方法可以換來局部穩(wěn)定，卻顯著抬高 AIDC 的建設(shè)和運營門檻。

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、更能預(yù)判波動。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，不只是因為系統(tǒng)承載能力有限，更因為它很難以低成本、可復(fù)制的方式管理一個高度波動、強耦合的新型能源場景。

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

當硬件堆疊走到極限，答案開始指向“物理 AI”

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

所謂物理 AI，是能夠理解物理世界規(guī)律、進行推理規(guī)劃并自主行動的 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，讓機器在真實環(huán)境中感知、推理、決策和行動。

這一定義放到能源系統(tǒng)中，幾乎天然成立。

因為能源系統(tǒng)本身就是一個典型的復(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)，而是一個實時運行、強耦合、強約束、零容錯的巨型基礎(chǔ)設(shè)施。頻率、功率、潮流、電池狀態(tài)、設(shè)備極限、氣象變化、電價波動——所有這些變量都不是抽象指標，而是真正決定系統(tǒng)安全與經(jīng)濟性的物理現(xiàn)實。

在 2025年 CES 的半年之后，在一場以“人工智能與未來能源系統(tǒng)”為主題的閉門科技會上，遠景科技集團董事長張雷發(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。“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——傳統(tǒng)的“冗余+人工”模式已無法承載一個高比例可再生能源、高波動負荷的新型電力系統(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“生成一個大概正確的答案”。它必須在真實的物理邊界內(nèi)運行，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。

從這個意義上說，AI 之所以成為解決 AI 電力問題的關(guān)鍵，不是因為“AI 很先進”，而是因為它可能是少數(shù)能夠同時處理以下四類任務(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；

它必須實時感知與預(yù)測：在毫秒到分鐘級時間尺度上識別氣象、功率、出力等波動并預(yù)判趨勢；

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)動真實設(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，不會是一個更會“說話”的模型，而是一個更能“讀懂物理世界并采取行動”的系統(tǒng)。這正是物理 AI 的價值所在。

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：認為只要算法足夠聰明，再疊加一層軟件，就能接管現(xiàn)實世界。

事實恰恰相反。物理 AI 的難點，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，它與真實設(shè)備之間就會始終隔著一層“認知斷層”：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，并在微秒級的瞬間做出不容置錯的決策，實現(xiàn)從“隔空指揮”到“具身智能”的飛躍。

這一點在能源領(lǐng)域，尤其在儲能場景中，體現(xiàn)得最為極致。

儲能不是簡單的電池堆疊，而是一個橫跨電化學(xué)、電力電子與電網(wǎng)動力學(xué)的復(fù)雜物理系統(tǒng)。在 GWh 級儲能電站中，單站包含百萬級電芯。如果 AI 不掌握電芯的化學(xué)邊界，它在云端計算出的“最優(yōu)策略”可能加速電池衰減甚至引發(fā)安全風(fēng)險；如果 AI 的指令要經(jīng)過多層協(xié)議轉(zhuǎn)換才能抵達設(shè)備，毫秒級的延遲，足以讓系統(tǒng)在電網(wǎng)波動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，遠景是目前行業(yè)內(nèi)少數(shù)具備儲能全棧能力的企業(yè)——從造電芯、做系統(tǒng)、寫算法，到全生命周期運營，形成一條完整的閉環(huán)。這意味著，AI 面對的不是一堆彼此割裂的零部件，而是一個可以被整體建模、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 年的安全運行與資產(chǎn)回報之中。

所以，儲能之所以成為物理 AI 在能源領(lǐng)域最先落地的核心場景，不是因為它“更需要概念”，而是因為它最需要一種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能系統(tǒng)的中樞神經(jīng)。

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

一套“物理 AI”驅(qū)動的算力電力底座如何煉成

當行業(yè)還在討論“AIDC 該怎么供電”時，有人已經(jīng)把答案寫進了真實的項目里。

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

答案是可以，但前提是一個被 AI 賦能的電力系統(tǒng)。

赤峰項目之所以能實現(xiàn) 100% 綠電穩(wěn)定運行，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-決策-執(zhí)行”的智能調(diào)度體系。

遠景自研的天機氣象大模型持續(xù)預(yù)判風(fēng)光出力變化，天樞能源大模型實時優(yōu)化儲能充放電與負荷匹配策略，構(gòu)網(wǎng)型儲能則在場站側(cè)主動支撐電網(wǎng)頻率和電壓。當風(fēng)力驟降或負荷跳變時，系統(tǒng)不需要人工應(yīng)急，而是在毫秒級完成策略調(diào)整。這正是物理 AI 在真實能源場景中閉環(huán)運轉(zhuǎn)的樣子——不是生成一個“建議”，而是直接驅(qū)動設(shè)備做出反應(yīng)。

當 AIDC 的規(guī)模從百兆瓦級向 GW 級躍遷，單點技術(shù)的優(yōu)化已遠遠不夠。遠景給出的系統(tǒng)方案覆蓋了四個層面：

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

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

三是全棧自研的軟硬件深度集成，實現(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)。每一臺風(fēng)機的出力數(shù)據(jù)、每一顆電芯的運行狀態(tài)、每一個時刻的電價信號，都在同一個系統(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體系內(nèi)深度耦合，而這恰恰是遠景堅持全棧自研的原因。從電芯、PCS、BMS 到 EMS、SCADA，從氣象大模型到能源大模型，遠景在全球 400 余座儲能電站、上億顆電芯的運行數(shù)據(jù)上持續(xù)訓(xùn)練和驗證這套系統(tǒng)。

最終形成的是一個“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)擴張?zhí)峁┰丛床粩嗟膭恿Α?/p>

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

結(jié)語

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

在這個過程中，儲能不是唯一答案，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 的能源競爭，也不會停留在“有沒有電”這個初級階段，而會越來越清晰地走向下一個問題：誰能以更低成本、更高穩(wěn)定性、更強綠電能力，把每一度電真正變成有效算力。

運營/排版：何晨龍