返回全部

2026-11-21

人工智能与能源价值的传输

作者:Zem Gao

一个地区可能拥有丰富的可再生能源,却在经济上与本可受益于这些能源的人群相距遥远。一家企业可能拥有客户、资本和极具价值的人工智能应用,却难以在其计算设施集中的地方获得电力。这些问题通常被视为彼此独立的难题,但也可以被理解为同一个机遇的两面。

人工智能使一个地区所需的部分工作,可以借助另一个地区的电力来完成,成果则通过通信网络传送。因此,可再生资源能够服务于其电网实际覆盖范围之外的市场。这一变化的战略意义,从数据中心的选址,延伸到发电项目的融资、地区的发展,乃至能源生态系统的设计。

人工智能可以成为输送能源经济价值的一种主要方式。 要实现这种可能性,需要在三个层面做出决策:稳健的商业模式、与资源相适配的运行体系,以及允许各部分协同运作的公共制度。

这一原理由来已久。一个地区可以直接出口某种资源,也可以先在本地使用该资源,再出口由此产生的产品。铝生产就是后一种安排中常见的例子。几十年来,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一类服务:这类服务的交付并不需要把成品当作实体货物运送。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,而其经济效应却可以在别处获得。这一早期的例子有助于我们辨明这一原理。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,让这一原理有了更广阔的战略应用。3

流动的是工作的经济效应。电力在机器所在的地点驱动机器运转。模型、分析、预测及其他产出则在另一个地点变得可用。款项通过连接各参与方的所有权安排和合同安排流转。同一过程既能传递价值,也能创造额外价值,因为它使地理上的分隔原本阻碍的交换成为可能。

这些效应发生在不同的层面。能源供应商提供电力。计算运营商将这些电力与设备及其他投入要素结合起来,转化为一项服务。客户则将这项服务用于另一种目的。一项已经完成、具有经济价值的服务,即便客户随后的活动结果令人失望,仍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:运输是否发生,运营方是否获得了足够的回报,客户是否有效地使用了这项服务,以及社会是否从中受益。上层的需求会影响下层的价格和未来的可持续性。然而,客户的业务崩溃并不会抹去此前已完成的工作。同样,运输业务盈利本身,也不足以证明它所支撑的每一项活动都是有益的。

能源价值输送这一说法,在财务分析中同样需要谨慎对待。人工智能的收入,体现的不仅是电力的贡献,还有芯片、软件、数据、技能、知识产权和分销渠道的贡献。一项人工智能服务的全部售价,不能都归因于其电力投入。具有战略意义的事实是:本地电力可以通过它所帮助生产的服务,参与到远方的市场之中。

这改变了能源所有者所面临的地理难题。传统上,所有者要么寻找电力可及范围内的买家,要么修建输电线路通往更远的买家,要么吸引能够外运产品的产业。AI 带来了一类日益壮大的产业:其客户可以留在远方,而生产的相当大一部分则向电力供应处转移。

在可再生能源领域,它的重要性尤为明显。

风能、阳光、水力和地热资源的分布取决于自然地理,而需求的集中则取决于聚落、产业、财富和历史。这两张地图并不能完全重合。可再生能源发电还有时间维度:可利用的资源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有多少能够转化为经济用途。

这一约束的规模相当可观。国际能源署(IEA)在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,将可再生能源资源与远方的需求中心连接起来。劳伦斯伯克利国家实验室2026年的并网排队情况评估报告称,截至2025年底,美国有超过2,060吉瓦的拟建发电和储能项目正在申请接入电网。这些只是提案,其中许多最终会被撤回,而不是等待售电的在运电厂。尽管如此,它们仍然表明,并网流程已变得多么举足轻重。4 5

运营系统揭示了问题的另一面。根据美国能源信息署的数据,2024 年加州独立系统运营商(CAISO)弃用了 340 万兆瓦时的公用事业规模太阳能和风能发电量,比 2023 年多出 29%。输电拥堵和供给过剩都是原因。这意味着,安装发电容量与创造条件使其在经济上得到充分利用,是两项不同的任务。6

将合适的 AI 工作负载部署在这类资源附近,也就开辟了另一条市场通路。原本要在电力紧张的大都市地区消耗电力的部分工作,可以转移到靠近可再生能源供应的地方完成。远方的客户获得计算服务,而产能地区则多了一位买家。

这拓展了可再生能源的经济覆盖范围,但并不意味着能向用户所在地的每一项负荷供电。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,高压直流等高效远距离输电技术也仍然十分重要。对于那部分工作可以转移的用电需求,计算则提供了一种新的选择。7

应当区分三种商业情形。其一是能源已经被弃用:灵活的买方可以抓住本来会错失的售电机会。其二是区域供需长期失衡,输电受限使得本地生产颇具吸引力,即便这些电力的价格为正。其三是资源尚未开发:一位可信的算力客户,或许能为兴建发电设施提供最初的理由。

这些情形需要不同的合同,也需要不同的资本投入。零星出现的富余电力,可以支撑机会型工作负载。而一个新的电力项目,则需要有足够稳定的收入基础来收回投资。仅在几个小时内可得的廉价电力,不能当作持续供应来评估。

AI 也不能被当作单一类型的电力需求。它在地理布局上的灵活程度,取决于所出售的是何种工作负载。

AI 工作负载 靠近能源选址的机会 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快速通信。
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,以及完成期限。
批量推理 大量非紧急任务可以排期处理,并在稍后交付。 明确的截止时间、充足的吞吐量,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。 在用户、机器或流程附近提供稳定可靠的性能。

用户距离与协作处理器之间的距离,二者的区别尤为重要。训练集群可以远离其客户,同时保持 GPU 之间紧密相连。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,能源成本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内部的网络。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广泛得多。文档分类、生成搜索嵌入、分析档案库以及准备报告,往往都可以异步完成。谷歌的批量推理服务就明确面向这类并不紧急的任务。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,某些生成式人工智能任务的计算耗时较长,因此将设施设在离用户更远的地方,对总响应时间的增加相对有限。9 10

这表明,人工智能行业可以依据工作负载的灵活程度进行务实的划分。电力供应稳定的地区,可以争取持续性的训练与服务运营业务。拥有波动性富余电力的地点,则可承接那些可以等待、暂停或拆分为独立作业的任务。靠近用户的设施,则可专注于那些因响应要求而值得就近部署的任务。

“移动计算”这一说法背后,其实还藏着三种不同的决策。企业可以选择在哪里建设算力容量,可以在现有站点之间分配新任务,也可以迁移一项正在运行的任务。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,都必须随任务一并迁移。

考虑迁移的运营方应当比较作业已保存状态的大小、可用的网络带宽以及可再生能源窗口的持续时间。近期针对自成一体的单 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,这意味着应先筛选出适合迁移的特定工作负载,而不是在假定所有工作都能迁移的前提下就去建设设施。11

对运营方而言,最有用的起点往往更简单:合理布局适当的算力容量,把所需数据送到那里,并对符合条件的作业进行智能调度。这样,在尝试复杂的迁移方案之前,就能先获得切实可行的能源优势。

商业层面的比较,应以按要求的质量和期限交付一项可验收服务的全部成本为衡量标准。电价只是其中一个组成部分。设备成本回收、利用率、网络接入、冷却、维护、融资、数据传输和可靠性,决定了能源优势能否在交付环节中保留下来。

一个简单的例子就能说明这条原则。假设两座设施运行时各自的功率为 1 MW,且年利用率均为 90%。每座设施一年消耗 7,884 MWh 电力。在这些假设下,每千瓦时五美分的电价优势,每 MW 每年可节省 394,200 美元。这笔节省的资金可用于抵补偏远选址带来的额外成本,并产生回报。如果额外成本超过这一数额,那么廉价电力就没有带来具有竞争力的服务。

利用率可能会扭转一项看似颇具吸引力的比较结果。在设备和运行时吞吐量完全相同的情况下,若利用率从 90% 降至 40%,单位产出所承担的固定年度资本负担将增加至 2.25 倍。这一算术结果并不意味着间歇运行就不可取,而是确定了较低的能源成本、更便宜的设备、灵活的定价或其他收益所必须带来的优势幅度。

功率容量与能源消耗之间的区别同样重要。合同约定的兆瓦描述的是容量;兆瓦时描述的则是一段时间内的能量。两者都无法说明该设施将完成多少有偿工作。企业需要了解哪些机器将投入运行、它们的有效吞吐量、客户将购买的时长,以及与这些购买相关联的服务义务。

**客户合同是能源架构的一部分。**为即时响应付费的客户,与为次日清晨前完成任务付费的客户,会产生不同的电力需求。运营商可以针对不同程度的灵活性提供不同的价格,前提是客户获得的服务与其实际签约的内容一致。

同样的原则也适用于电力合同。要实现不间断运行的设施,必须通过现有的发电、电网接入、储能和备用电源的组合,来安排可靠的供电。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。

这正是生态系统论点比单纯寻找廉价电力更具现实意义的地方。

一个可信的人工智能客户组合,可以为购电承诺提供支撑。这种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。额外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。

这只是一种可能出现的投资周期,而非建设数据中心后的必然结果。其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迭代的计算设备,投资周期并不相同。若一个可再生能源项目依赖于某个实力薄弱的算力客户,它得到的未必是可靠的市场,反而可能是新的集中度风险。

运营商可以通过客户多元化、可靠的交易对手、设备更换计划,以及能够服务于多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、生命周期各异的企业之间形成富有成效的合作关系。

随着时间推移,竞争可能会削弱最初的区位优势。新增需求可能推高当地电价。输电条件的改善可能让更多买家接入。更高效的硬件和模型也可能改变算力集群的价值。成功的项目应当能够随市场的发展而调整;长期依赖异常廉价的过剩电力,是一种脆弱的策略。

这种地理格局已经有了切实可见的例子。

2025年9月,冰岛国家电力公司(Landsvirkjun)宣布与 atNorth 签署一份为期五年的协议,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。 Wait—I must output only the translation. Final: 2025年9月,冰岛的 Landsvirkjun 宣布与 atNorth 达成一项为期五年的协议,向其位于阿克雷里(Akureyri)的数据中心供应最高 12 兆瓦的电力,自 2026 年下半年起生效。这家电力公司明确指出,这一机遇与冰岛南北之间的输电限制有关,并称人工智能和高性能计算是行业重心转变的一部分。这是算力容量在电力系统带来区域优势之处得以发展的一个具体例证。12

芬兰的 LUMI 系统体现了一种更广泛的组合。其运营方介绍说,该系统依托卡亚尼(Kajaani)的水力发电供应,通过欧洲科研网络提供接入,并设有为周边城市回收余热的安排。运营方称,回收的热量最高相当于卡亚尼全年区域供暖需求的 20%。计算服务可以服务远方的用户,同时另一种有用的产出则服务于附近的居民。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

灵活性也正从一般性的提议走向实际运营。谷歌报告称,其在2025年与公用事业公司达成了多项协议,将机器学习工作负载纳入需求响应的范围。另外,一篇已公开的预印本论文介绍了在凤凰城进行的一次现场示范:一个由256块GPU组成的集群在保持既定服务保障的前提下,将用电量降低了25%,持续三小时。这一结果只涉及该集群及其工作负载组合,并不代表整个行业,但它证明了一种具有商业价值的能力。 15 16

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

因此,一个地区应当以组合的思路来考虑电力的用途。本地居民和工业、稳定算力、灵活算力、储能以及实物电力外送,各自的需求与收益并不相同。它们的比例应当反映资源禀赋和市场状况。灵活算力可以在电力过剩时段充当买家,发挥其价值;而可靠的本地需求以及经过合理签约的稳定负荷,则有助于支撑更长期的投资。

计算设施同样不能保证带来环境改善。相关的比较对象,是有这一设施和没有这一设施两种情形下各自会发生什么。使用本来会被弃用的电力,不同于占用本来可以替代其他用户化石能源发电的可再生电力。新增发电、备用电源运行、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改善清洁能源的使用与发展的同时,提高有益的经济产出。这就要求衡量发电量、弃电、可靠性、排放和本地成本的实际变化。仅凭低廉的电价,并不能确立其中任何一项成果。

这一潜力同样存在规模上限。国际能源署(IEA)2026年的基准预测显示,到2030年全球数据中心总用电量约为950太瓦时,约占全球电力需求的3%;这一数字所涵盖的远不止人工智能。因此,计算是一个具有战略意义的新增能源市场,在特定地区尤其如此,但它并不是每一种可再生能源的无限买家。17

对于企业运营者而言,这套方法要从需求入手。在确定计算设施的规模之前,先要弄清客户是谁、工作负载是什么。要明确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。这些决定划定了设施真正可用的灵活空间。

接下来,要逐小时、逐季节地刻画电力供应的特征。要弄清楚这种优势究竟源于区域电力长期充裕、偶发的弃电、有利的合同,还是新建的发电项目。还要计入让所承诺的服务稳定可靠所需的成本。只有当供电的可得性与业务需求相匹配时,一份电力报价才具有商业意义。

然后,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、维护通行条件、技术人员、物理安全、融资,以及处理客户数据的许可,都可能决定项目的成败。最便宜的发电设备,或许与最佳站点相距甚远。关键在于整体系统的优势。

在扩张之前,部署应当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。能源和区域成效则需要各自独立的衡量指标。把这些账目分开核算,便能分辨系统的哪一部分运转良好,哪一部分需要调整。

对政策制定者而言,核心启示在于:除了供给所在之处,需求的所在位置与特征同样值得关注。能源战略应当明确发电在何处受到制约,这些制约属于空间性的还是时间性的,以及哪些生产性负荷能够作出响应。数字战略则应当明确该地区能够可靠提供哪些计算服务,以及哪些基础设施能够让客户用上这些服务。

这两种策略应当相提并论。

政府可以发挥的作用包括:统筹电力与通信规划,明确并网要求,并允许为灵活负荷采用技术上适宜的安排。在本地发电与计算能够协同运行的情况下,监管处理应当体现二者与电网之间的实际互动。在二者依赖共享基础设施的情况下,其义务应当反映它们所带来的成本和对可靠性的要求。

公共激励措施应当奖励那些可以被证实的成果。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、改善电力可及性,或创造持久的收入。与其笼统地偏爱任何贴着“AI”标签的项目,不如将激励与经核实的基础设施贡献、运营绩效和本地惠益挂钩,这样更能说明问题。

成本分摊尤其值得审慎对待。私营用户完全可以理性地争取补贴电价,或让他人出资为其升级电网。但这并不能证明区域经济由此获益。政府应当评估:谁来为新基础设施买单,若计算负荷迟迟未至或日后撤离,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。国际参与能够提供本地经济尚不具备的能力。战略上的任务,在于合理设计这种参与方式,使本地区获得持久的收入、基础设施、专业能力,以及本地企业发展的机会。

这些收益需要在适当的层级上加以衡量。电力生产商靠电力赚钱。托管业务靠设施和服务赚钱。算力提供商靠可用的机器算力赚钱。模型和应用企业则靠进一步的能力和客户关系赚钱。每种业务的资本需求、技能要求和风险各不相同。托管一座数据中心,并不会自动让人拥有在其中运行的模型,也不会拥有在别处销售的应用。

因此,区域繁荣所需要的,不止是统计流经某一设施的总收入。它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的收入,同时核算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通、更强的工程能力,以及本地企业能够获得算力。这些都应当有意识地加以培育。

一个地区不必一次性进入每一个层级。它可以从发电和可靠的托管服务起步,再逐步在运营、托管计算或专业化应用方面培育能力。共享的培训项目、便捷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。当雄心与该地区切实能够培育的能力相契合时,才更具说服力。

一种资源可能在地理上靠近电力网络,在商业上却远离有效需求。另一种资源可能在电力上位置偏远,却能通过计算与通信参与全球生产。人工智能扩大了这样一类服务的范围:其能源消耗的地点与经济收益的归属地可以彼此分离。

这种分离为价值输送和价值创造都带来了机会。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,也为各个地区开辟了更多融入国际贸易的路径。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恰当的连接。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,风险由谁承担。社区所获得的收益,必须与其所贡献的资源和基础设施相称。

AI 能够让可再生能源触达输电线路无法覆盖的市场。 那些理解这一点的地区和企业,将把发电、算力、通信、合同和本地发展统筹规划。这正是机遇所在:通过统筹安排工作在何处完成、成果如何惠及各方,来拓展能源的经济辐射范围。

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,数字化交付服务贸易数据集。
  3. ZeMing M. Gao,Proof-of-Work (PoW) is the Only Way to Prevent Corruption,Bit & Coin,关于能源与价值转移的章节。
  4. 国际能源署(International Energy Agency),《电网与安全能源转型》(Electricity Grids and Secure Energy Transitions),2023年。
  5. 劳伦斯伯克利国家实验室与 GridTracker,《Queued Up 2026 年版》,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,Multinode Networking,NeMo Helix 文档。
  9. Google Cloud,Batch inference with Gemini。
  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》(Energy and AI in East Asia),2026年4月修订,尤见第15页、第71–72页和第93–94页。
  11. Giuseppe Tomei 等,Green Distributed AI Training,扩展版修订于 2026 年 5 月 27 日;可行性建模与仿真。
  12. Landsvirkjun,Landsvirkjun and atNorth Akureyri Sign New Green Firm PPA,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,Creating a unique AI strategy with supercomputing。
  15. Google,How we’re making data centers more flexible to benefit power grids,2025年8月4日。
  16. Philip Colangelo 等,Turning AI Data Centers into Grid-Interactive Assets,2025年7月1日,现场示范预印本;另请参阅其中所述的工作负载与部署限制。
  17. 国际能源署(International Energy Agency),《能源与人工智能的关键问题》,2026年4月。