All insights

2026-11-16

AI与能源价值的传输

作者:Zem Gao

一个地区可能拥有丰富的可再生能源,在经济上却远离那些本可从中受益的人。一家企业可能拥有客户、资本和极具价值的 AI 应用,却难以在其计算设施集中的地方获得电力。这两类问题通常被分开看待,但也可以将它们理解为同一机遇的两个方面。

AI 使得某一地区所需的部分工作可以借助另一地区的电力来完成,并通过通信网络交付成果。因此,可再生资源可以服务于其电网在实际中无法触及的市场。其战略意义不止于数据中心的选址,还延伸到发电项目的融资、区域的发展以及能源生态系统的设计。

AI 可以成为输送能源经济价值的重要手段。 要实现这一可能性,需要在三个层面上做出决策:稳健的商业模式、与资源相适应的运营体系,以及能让各个部分协同运作的公共制度。

这一基本原理由来已久。一个地区可以出口资源,也可以在本地使用该资源,再出口由此产生的产品。铝生产就是后一种安排的常见例子。数十年来,冰岛的电力产业一直支撑着面向出口的冶炼业。计算则将这一原理延伸到了各类服务之中,这些服务的交付无需将成品作为实体货物运送。世界贸易组织已将云计算列为通过计算机网络跨境提供的服务之一。1 2

在《Bit & Coin》中,我曾把工作量证明(Proof-of-Work)描述为价值传输的“超导体”,并指出云计算是与之密切相关的机制。工作可以在能源占优势的地方进行,而其经济效果则在别处得以实现。这个早先的例子有助于说明其中的原理。如今,AI 通过训练、推理,以及面向企业和个人出售的各类服务,为这一原理提供了更广阔的战略应用空间。3

被传输的是工作的经济效果。电力在机器所在之处驱动其运转;模型、分析、预测及其他产出,则在另一个地点变得可用;款项则沿着连接各参与方的所有权和合同安排流动。同一个过程既能传输价值,也能创造新增价值,因为它使原本受地理隔阂阻碍的交换成为可能。

这些效应发生在不同的层面上。能源供应商提供电力;计算运营商把这些电力连同设备及其他投入转化为一项服务;客户则将该服务用于另一个目的。这一目的可能是生产性的、消费性的、投机性的,或者兼而有之。一项已经完成且具有经济价值的服务,即便客户后续的活动结果令人失望,依然是一次成功的传输。

这一区分对商业判断至关重要。我们应当分别评估:传输是否发生,运营商是否获得了足够的回报,客户是否以生产性的方式使用了该服务,以及社会是否从中受益。较高层面的需求会影响价格以及较低层面的未来可行性。然而,客户的企业倒闭,并不会抹去此前已经交付的工作。同样,一项盈利的传输业务本身,也并不足以证明它所支持的每一项活动都是有益的。

在财务分析中,“能源价值输送”(energy value transport)这一说法同样需要谨慎对待。AI 的收入反映的是芯片、软件、数据、技能、知识产权、分销渠道以及电力等多方面的贡献,不能把一项 AI 服务的全部售价都归功于电力投入。真正具有战略意义的事实在于:本地电力可以通过它所助力生产的服务,进入遥远的市场。

这改变了能源所有者面临的地理难题。传统上,所有者要么在电力可达的范围内寻找买家,要么修建输电线路通向更远的买家,要么吸引能够外运产品的产业。AI 则增添了一类不断壮大的产业:其客户可以远在千里之外,而相当一部分生产环节却转向电力供应所在之处。

这一点在可再生能源上尤为突出。

风、阳光、水和地热资源依自然地理分布,而需求则依据聚居、产业、财富与历史而集中。这两张地图只能不完全地重合。可再生能源发电还有时间维度:可用资源的出现时间与用户偏好的用电时段可能并不一致。距离、拥堵、并网延迟和时间错配,共同限制了这些资源能够被投入经济利用的程度。

这一制约的规模相当可观。国际能源署(International Energy Agency)在其 2023 年关于电网的研究中指出,电网可能成为能源转型的瓶颈,并强调需要建设新的输电走廊,把可再生资源与远方的需求连接起来。劳伦斯伯克利国家实验室(Berkeley Lab)2026 年的并网排队评估报告称,截至 2025 年底,美国有超过 2,060 GW 的拟建发电和储能项目在申请接入电网。这些只是提案,其中许多最终会被撤回,并非等待售电的在运电厂。然而,它们仍然表明并网流程已变得何等举足轻重。4 5

操作系统层面揭示了问题的另一个方面。据美国能源信息署(U.S. Energy Information Administration)统计,2024年,加州独立系统运营商(CAISO)弃用的公用事业规模太阳能和风能发电量达340万兆瓦时,比2023年高出29%。电网拥堵和供给过剩都是成因。这意味着,建设发电容量与创造条件使其得到充分的经济利用,是两项不同的任务。6

将合适的人工智能工作负载布置在此类资源附近,则开辟了另一条市场出路。一些原本要在受限的大都市区域消耗电力的工作,可以改在可再生能源供应地附近完成。远方的客户获得计算服务,而能源产地则多了一位买家。

这拓展了可再生能源的经济辐射范围,但并不意味着能在客户所在地向每一种负荷供电。工厂的电机或普通家庭,仍然需要各自的电力接入。输电与储能依然发挥着不可或缺的作用,高压直流等高效的远距离输电技术依然重要。计算为那部分工作可以转移的需求,增添了一种选择。7

应当区分三种商业情形。其一,能源已经被弃用:灵活的买家或许可以抓住原本会白白损失的销售机会。其二,供需存在长期的区域性失衡,输电受限使得本地生产颇具吸引力,即便电力本身的价格为正。其三,资源尚未开发:一位可信的计算客户,或许有助于为发电设施的建设提供最初的理由。

这几种情形需要不同的合同,也需要不同的资本投入。零星出现的过剩电力,可以支撑机会主义式的工作负载。而一个新的电力项目,则需要足够可靠的收入基础来收回投资。每天只有几个小时可用的廉价电力,不能当作持续供应的电力来评估。

AI 同样不能被视为单一类型的电力需求。它在地理布局上的灵活程度,取决于所出售的是哪一种工作。

AI 工作负载靠近能源布局的机会运行要求
大模型训练训练场地可以远离最终用户。可靠的电力供应、持续的设备利用率,以及计算集群内部的高速通信。
微调与独立实验各个独立任务可以分配到合适的地点。数据访问、兼容的设备、检查点和完成期限。
批量推理大量不紧急的工作可以排期安排,稍后交付。明确的截止时间、足够的吞吐量,以及对输入和输出的安全处理。
交互式推理部分服务可以容忍跨区域的距离,另一些则需要就近部署。响应时间目标、网络可靠性,以及需求高峰期间的充足容量。
实时控制与设备端推理严格的物理或响应约束往往更适合在本地执行。在靠近用户、机器或流程的地方保持可靠的性能。

与用户之间的距离,和相互协作的处理器之间的距离,这两者的区别尤为重要。训练集群可以远离其客户,同时保持 GPU 之间的紧密互联。NVIDIA 的文档强调训练节点之间需要高带宽、低延迟的网络。因此,能源价格低廉的地点仍然需要一座精心设计的计算设施;普通的广域网连接无法自动取代集群的内部网络。8

推理所提供的选择范围,比人们熟悉的聊天机器人形象所暗示的要宽广得多。文档分类、生成搜索嵌入、分析档案库、准备报告等任务,往往可以异步执行。谷歌的批量推理服务就明确面向这类不紧急的任务。交互式服务的要求更为严格,但其容忍度同样各不相同。国际能源署(IEA)指出,一些生成式 AI 任务的计算耗时足够长,因此把设施迁往离用户更远的地方,对总响应时间的增加相对有限。9 10

这意味着,可以按工作负载的灵活性,对 AI 产业作出一种切实可行的划分。电力供应可靠的地区,可以争取承接持续的训练与服务业务。盈余电力不稳定的地点,可以承担那些能够等待、暂停或拆分为独立作业的工作。靠近用户的设施,则可以专注于那些响应要求足以证明就近部署必要性的任务。

“迁移计算”这一说法背后,其实还藏着三种不同的决策。企业可以选择在何处建设算力。可以在现有站点之间分配新作业。也可以迁移一个正在运行的作业。其中第三种通常要求最高,因为软件状态、模型数据,有时还有体量庞大的检查点,都必须随之迁移。

考虑迁移的运营者,应当比较作业保存状态的大小、可用的网络带宽,以及可再生能源窗口期的长短。近期针对独立运行的单 GPU 作业所做的建模,说明了这些因素如何决定迁移的可行性。对企业而言,其启示是:先判断哪些具体工作负载适合迁移,而不是围绕“所有工作都能迁移”的假设去建设设施。11

对运营者来说,最有用的起点往往更简单:合理布局合适的算力,把所需数据带到那里,并对符合条件的作业进行智能调度。在尝试复杂的迁移之前,这样做就可能创造出切实可行的能源优势。

商业层面的比较,应当以在规定质量和期限内交付一项合格服务的全部成本为基础。电价只是其中一项。设备回收、利用率、网络接入、冷却、维护、融资、数据传输以及可靠性,共同决定了能源优势能否在交付环节中保留下来。

一个简单的例子可以说明这种思路。假设两处设施运行时各自耗电 1 MW,且年利用率均为 90%,那么每处设施一年耗电 7,884 MWh。在这些假设下,每千瓦时电价低五美分,意味着每 MW 每年可节省 394,200 美元。这笔节省可以用来抵补偏远选址所带来的额外成本,并产生回报。如果额外成本超过这一数额,廉价电力就没有造就具有竞争力的服务。

利用率可能使一个看似有吸引力的比较结果发生逆转。在设备和运行期间的吞吐量完全相同的情况下,将利用率从 90% 降至 40%,会使单位产出所分摊的年度固定资本负担增加到原来的 2.25 倍。这一算术并不意味着间歇性运行就此出局,而是确定了较低的能源成本、较便宜的设备、灵活的定价或其他优势必须达到多大的规模。

电力容量与能源消耗之间的区别同样重要。合同约定的兆瓦describes的是容量;兆瓦时描述的是一段时间内的能量。两者都没有说明设施将交付多少有偿工作量。企业需要知道哪些机器将运行、它们的有效吞吐量、客户将购买的时长,以及这些购买所附带的服务义务。

客户合同是能源架构的一部分。 付费要求即时响应的客户,与付费要求次日早晨前完成的客户,对电力的需求并不相同。运营商可以针对不同程度的灵活性提供不同的价格,前提是客户获得的正是他们在合同中约定的服务。

同样的原则也适用于电力合同。要实现不间断运行的设施,必须通过发电、电网接入、储能和备用电源等现有手段的组合,安排可靠的供电。接受中断的设施则需要明确的限度、通知安排、运行程序,以及能够承受停运时长损失的商业模式。算力合同与电力合同必须相互匹配。

正因如此,生态系统论点的意义,远比单纯寻找廉价电力更为重大。

一批可信的 AI 客户,可以支撑一项购电承诺。这项承诺有助于为发电和基础设施融资。合适的算力负载可以提高现有能源的利用效率。新增的基础设施还可能惠及当地居民、企业,并带动进一步的投资。在适当的条件下,每个环节都会改善其他环节的商业前景。

这是一个有可能形成的投资循环,而不是建设数据中心之后的必然结果。它的强度取决于需求的质量、风险的分配以及资产之间的兼容性。长寿命的发电设施与快速更新的计算设备,其投资周期并不相同。一个仅由单一弱势算力客户支撑的可再生能源项目,可能得到的不是可靠的市场,而是新的集中度风险。

运营商可以通过客户多元化、可信的交易对手、设备更换计划,以及能够服务历代硬件的设施来应对这种错配。政策制定者则可以通过使电网接入和合同安排具有可预期性来提供帮助。目标是让技术不同、寿命各异的企业之间形成富有成效的合作关系。

这种地理格局已经有了一些实际的例子。

2025年9月,冰岛国家电力公司Landsvirkjun宣布,与atNorth签订一项为期五年的协议,向其位于阿克ureyri的数据中心供应最高12兆瓦的电力,自2026年下半年起生效。该公司明确将这一机会与冰岛北部和南部之间的输电限制联系起来,并称人工智能和高性能计算是行业重心转变的一部分。这是计算能力在电力系统带来区域优势之处得以发展的一个具体实例。12

芬兰的LUMI系统则体现了更为广泛的组合。其运营方介绍了卡亚尼(Kajaani)的水电供应、通过欧洲科研网络提供的接入服务,以及为周边城市回收热能的安排。运营方称,所回收的热量最高相当于卡亚尼全年区域供暖需求的20%。计算服务可以为远方的用户服务,而另一项有用的产出则惠及附近的居民。这些机遇既取决于机器本身,也同样取决于周边的基础设施。13 14

灵活性也正从一个笼统的设想走向运营实践。谷歌报告称,2025年其与多家公用事业公司达成了协议,将机器学习工作负载作为需求响应的对象。另外,一篇已发布的预印本论文介绍了在凤凰城开展的现场演示:一个256块GPU的集群在三小时内将用电量降低了25%,同时仍保持其既定的服务保障。这一结果只涉及该集群及其工作负载组合,而非整个行业,但它证明了一种具有商业意义的能力。15 16

这种能力需要在服务设计之初就纳入考虑。可以延后完成的工作能够提供灵活性,必须即时响应的工作则可能需要持续运行。调度、电力管理和合同设计,决定了设施在不辜负客户的前提下,能在多大程度上响应电力系统的需求。

因此,一个地区应当从用途组合的角度来思考。本地居民与工业、稳定型算力、灵活型算力、储能以及实体电力外送,各自有不同的要求和收益。它们的比例应当与当地资源和市场状况相适应。灵活型算力可以在电力过剩时段充当有价值的买家,而可靠的本地需求和合同安排得当的稳定负荷,则有助于支撑更长期的投资。

算力设施也不能保证普遍改善环境。相关的比较对象,是有这项设施与没有这项设施时会发生什么。使用本来会被弃掉的电力,与占用本可替代化石能源发电、供其他用户使用的可再生电力,是两回事。新增发电、备用运行、网络能耗、用水以及设备制造,都会影响最终结果。仅凭年度可再生能源采购量,并不能说明实际用电的地点和时间。

因此,生态系统的目标应当是在提高有效经济产出的同时,改善清洁能源的使用与开发。这就要求对发电量、弃电、可靠性、排放和本地成本的实际变化进行衡量。仅有低廉的电价,并不能确立其中任何一项成果。

这一潜力同样存在规模上的限制。国际能源署(IEA)2026年的中性预测显示,2030年数据中心的总用电量约为950太瓦时,约占全球电力需求的3%;这一数字涵盖的远不止人工智能。因此,算力是一个具有战略意义的新增能源市场,尤其是在特定地区,但它并不是能够吸纳所有可再生能源资源的无限买家。17

对政策制定者而言,核心启示在于:需求的所在位置与性质,应当与供给的所在位置一样受到重视。能源战略应当明确:哪些地方的发电受到限制,这些限制中哪些属于空间性的、哪些属于时间性的,以及哪些生产性负荷能够做出响应。数字战略则应当明确:本地区能够可靠地提供哪些计算服务,以及哪些基础设施能让客户获得这些服务。

这两种战略应当放到同一张桌子上来谈。

政府可以发挥的作用包括:统筹电力与通信规划,明确并网接入要求,并允许对灵活需求采取技术上合适的安排。凡是本地发电与计算能够协同运行之处,监管处理方式应当体现它们与电网之间的实际互动。凡是它们依赖共用基础设施之处,其义务应当反映它们所带来的成本与可靠性要求。

公共激励应当奖励可以被证明的成果。一个项目的铭牌容量或已公布的资本支出,几乎无法说明它是否会减少弃电、扩大清洁发电、改善用电可及性,或创造持久的收入。与经过核实的基础设施贡献、运营绩效和本地效益挂钩的激励措施,比对一切冠以“AI”之名的项目一概青睐,更能说明问题。

成本分摊尤其需要谨慎对待。私营客户完全可以理性地寻求补贴电价,或由他人出资进行电网升级。但这并不能证明该地区获得了经济收益。政府应当评估:谁为新建基础设施买单,如果计算负荷迟迟未来或日后撤离,风险由谁承担,以及现有电力用户会受到怎样的影响。

与此同时,各地区也应认识到外部资本、技术和客户的价值。国际参与可以提供本地经济尚不具备的能力。战略上的任务,是对这种参与加以合理安排,使本地区获得持久的收入、基础设施、专业能力,以及本地企业自身的发展机会。

这些收益需要放在恰当的层级上去衡量。发电企业靠电力获利。托管业务靠设施与服务获利。算力提供商靠可用的机器算力获利。模型与应用企业则靠更进一步的能力和客户关系获利。每一类活动的资本需求、技能要求和风险各不相同。托管一座数据中心,并不会自动带来对其中运行的模型的所有权,也不会带来对别处销售的应用的所有权。

因此,区域繁荣所需要的,不只是统计流经某个设施的总收入。还需要追踪本地工资、本地供应商创造的增加值、公共财政收入,以及本地居民所有者保留下来的收益,同时计入基础设施方面的义务和被放弃的其他选择。更广泛的益处可能包括更好的网络连接、更强的工程能力,以及本地企业获得算力的渠道。这些都应当有意识地加以培育。

一个地区不必一次性进入所有层级。它可以从发电和可靠的托管起步,再逐步建立运维、托管式算力或专业化应用方面的能力。共同的培训项目、便利可及的数字基础设施以及商业合作,都有助于本地企业参与其中。当雄心与地区切实能够建立的能力相匹配时,才更加可信。

对企业运营者而言,相应的纪律始于需求。在确定算力设施的规模之前,先弄清客户是谁、工作负载是什么。确定哪些任务需要即时响应,哪些可以等待,哪些数据可以迁移,以及客户能够接受怎样的服务质量。这些决定界定了设施真正有用的灵活性。

接下来,要逐小时、逐季节地刻画电力供应的特征。弄清优势究竟来自区域内持续的富余、偶发的弃电、有利的合同,还是新建的发电项目。还要计入为使所承诺的服务稳定可靠而付出的成本。只有当电力供应的可得性与业务相匹配时,这样的电力报价才具有商业意义。

然后,应将选址作为一个完整的运营环境来评估。网络韧性、冷却条件、维护通道、技术人才、实体安保、融资以及处理客户数据的许可,都可能决定项目的成败。最便宜的发电机组,可能与最佳站点相隔一段距离。重要的是整个系统的优势。

在扩张之前,部署应先证明客户认可的产出和运营经济性。有用的衡量指标包括每个付费计算小时的收入、每项已完成任务的成本、服务性能、电力可用性、实际利用率以及中断造成的成本。能源与区域层面的成果则需要各自独立的衡量标准。将这些账目分开核算,就能识别系统中哪一部分运转良好,哪一部分需要调整。

随着时间推移,竞争可能削弱最初的区位优势。新增需求可能抬高当地电价。输电条件改善后,其他买家也可以接入。更高效的硬件和模型,会改变计算集群的价值。一个成功的项目应当能够随市场发展而调整;永久依赖异常廉价的富余电力,是一种脆弱的策略。

更广泛的经济含义在于,一个地区“互联互通”的意义发生了变化。

一种资源可能在物理上靠近电网,在商业上却远离有用的需求。另一种资源可能在电力上地处偏远,却通过计算和通信参与全球生产。人工智能扩大了这样一类服务的范围:能源消耗的地点与经济收益的地点可以分离。

这种分离既带来价值传输的机会,也带来价值创造的机会。它为能源所有者提供了更多买家,为人工智能企业提供了更多生产地点,也为各地区提供了进入国际贸易的更多途径。若组织得当,它还能帮助可再生能源项目获得使其具备可行性的需求和基础设施。

商业战略家的任务,是把这些可能性与一套可执行的安排连接起来。政策必须允许并支持正确的连接。运营商必须提供客户愿意购买的服务。投资者必须弄清回报从何而来,以及风险由谁承担。社区则必须获得与其所贡献的资源和基础设施相称的收益。

**人工智能能让可再生能源进入电网覆盖不到的市场。**那些理解这一点的地区和企业,会把发电、算力、通信、合同与本地发展统筹规划。这正是机遇所在:通过组织工作在何处完成、收益如何分配,来扩展能源的经济半径。

资料来源


  1. Landsvirkjun,Landsvirkjun 与 Norðurál 签署为期 7 年的购电协议,2026 年 3 月 24 日。



  2. 世界贸易组织,数字交付服务贸易数据集。



  3. ZeMing M. Gao,工作量证明(PoW)是防止腐败的唯一途径,《Bit & Coin》,关于能源与价值转移的章节。



  4. 国际能源署,电网与安全的能源转型,2023 年。



  5. 劳伦斯伯克利国家实验室与 GridTracker,Queued Up 2026 版,数据截至 2025 年底。



  6. 美国能源信息署,加利福尼亚州的太阳能和风能弃电量正在增加,2025 年 5 月 28 日。



  7. 美国能源部,以高压直流输电连接全国,2023 年 9 月 27 日。



  8. NVIDIA,多节点网络,NeMo Helix 文档。



  9. Google Cloud,使用 Gemini 进行批量推理。



  10. 国际能源署与韩国能源经济研究院,东亚的能源与人工智能,2026 年 4 月修订版,尤见第 15、71–72 和 93–94 页。



  11. Giuseppe Tomei 等,绿色分布式 AI 训练,扩展版,2026 年 5 月 27 日修订;可行性建模与仿真。



  12. Landsvirkjun,Landsvirkjun 与 atNorth Akureyri 签署新的绿色稳定电力购电协议,2025 年 9 月 2 日。



  13. LUMI,LUMI 数据中心荣获年度绿色数据中心奖,2023年3月9日。



  14. LUMI,借助超级计算打造独特的人工智能战略。



  15. Google,我们如何让数据中心更灵活,从而造福电网,2025年8月4日。



  16. Philip Colangelo 等,将人工智能数据中心转变为电网交互型资产,2025年7月1日,现场演示预印本;另请参阅其中所述的工作负载与部署限制。



  17. 国际能源署,能源与人工智能关键问题,2026年4月。