AI持续性算力消耗：从“算力扩张”走向“算电协同、算碳协同、算水协同”

目录

一、为什么AI算力消耗具有“持续性”特征？

（一）从训练峰值到推理常态：AI负荷结构正在变化

（二）从“IT问题”变成“能源问题”

二、全球格局：AI算力需求正在重塑电力系统边界

（一）全球数据中心用电进入高增长周期

1. 负荷集中性

2. 负荷刚性

3. 负荷速度

（二）美国：AI算力增长最激进，电网压力最突出

1. 区域电网拥堵

2. 电价与容量市场压力

3. 低碳承诺与现实电源结构矛盾

（三）欧洲：监管透明化先行，局部国家承压明显

三、中国实践：从“建算力”转向“算力—电力—碳效一体化”

（一）中国算力设施用电已进入高增长阶段

（二）政策框架：绿色低碳数据中心成为硬约束

（三）“东数西算”：不是简单西迁，而是算力分层

1. 西部适合什么？

2. 东部必须保留什么？

3. 中间层需要什么？

四、AI持续性算力消耗的核心机制

（一）芯片侧：性能提升可能带来“杰文斯效应”

来源

底层逻辑

（二）模型侧：不同任务能耗差异巨大

（三）数据中心侧：PUE不再足够，需要综合资源效率

五、海外实践：从购买绿电到重新设计数据中心

（一）绿电PPA与24/7无碳电力

（二）零水冷却与液冷

（三）AI反哺数据中心运维

六、中国绿色算力实践：从能效标杆到算电协同

（一）国家绿色算力设施的示范价值

（二）典型技术路径

1. 液冷与高密度机柜

2. AI节能运维

3. 余热利用

4. 算力调度参与电力系统

七、实践调研视角：企业应如何评估AI算力消耗？

（一）从“设备账”走向“任务账”

（二）企业AI能耗诊断的六步法

（三）重点问题清单

1. 是否存在“大模型滥用”？

2. 是否存在“重复推理”？

3. 是否存在“低利用率GPU”？

4. 是否建立“碳感知调度”？

5. 是否把水风险纳入选址？

八、深层矛盾：AI算力消耗的五个治理难点

（一）能效进步与总量增长的矛盾

（二）绿电承诺与物理消纳的矛盾

（三）东部需求与西部资源的矛盾

（四）水耗与电耗的矛盾

（五）安全冗余与资源效率的矛盾

九、战略建议：建设可持续AI算力体系

（一）国家层面：建立“算力—电力—碳排—水资源”统一规划

（二）区域层面：形成差异化算力功能定位

（三）企业层面：建立AI能耗预算和绿色FinOps

（四）技术层面：从“堆卡”转向“系统效率”

十、结论：可持续算力将成为AI竞争的新底座

资料依据与引用说明

干货分享，感谢您的阅读！

生成式人工智能正在把算力基础设施从过去以云计算、搜索、推荐为主的“通用数字底座”，推向以大模型训练、推理、智能体、多模态生成和具身智能为核心的“高密度持续负荷系统”。这一变化的关键不只是“算力规模更大”，而是“算力负荷更连续、功率密度更高、区域集聚更强、能源约束更显性”。全球数据中心用电量在2024年已成为电力系统中增长最快的新增负荷之一，预计到2030年前后将进入约千太瓦时量级；中国则在“东数西算”“全国一体化算力网”“算电协同”和绿色数据中心政策框架下，试图把算力增长与新能源基地、电网调度、能效标准、绿电交易和余热利用结合起来。

AI持续性算力消耗的本质并不是单一技术问题，而是一个横跨芯片、服务器、数据中心、电网、能源结构、水资源、资本开支、区域产业政策和碳治理的系统工程。未来竞争优势将从“谁拥有更多GPU”转向“谁能以更低能耗、更低碳强度、更低水风险、更高利用率和更强调度能力提供可持续算力”。

一、为什么AI算力消耗具有“持续性”特征？

（一）从训练峰值到推理常态：AI负荷结构正在变化

传统观点往往把AI能耗理解为大模型训练的“一次性高峰”：模型越大，训练越贵，电力消耗越高。但从产业实践看，真正改变数据中心长期用能曲线的是推理。训练是阶段性集中负荷，而推理是面向用户、业务流程和智能体系统的持续性负荷。一旦AI进入搜索、办公、客服、金融风控、代码生成、视频生成、工业控制和机器人等场景，调用频率会呈现高并发、低时延、全天候特征。

在中国语境下，国家数据局相关公开信息已明确指出，推理需求快速增长，未来推理算力需求与训练算力需求之比可能达到3:1甚至更高。这意味着AI算力消耗将不再只是“模型训练时的能源事件”，而会成为数字经济运行中的基础性、常态化能源需求。[资料7]

（二）从“IT问题”变成“能源问题”

数据中心内部的耗电由服务器、存储、网络、制冷、供配电、UPS和辅助设施共同构成。现代数据中心中，服务器通常占电力需求的大头；但在高温、高湿、老旧或低效设施中，制冷和环境控制也可能成为重要耗能环节。AI GPU集群进一步提高了单机柜功率密度，使得传统风冷、供电冗余和机房布局面临边界。[资料1]

因此，AI持续性算力消耗并不是“模型多耗电”这么简单，而是引发了四层联动：

二、全球格局：AI算力需求正在重塑电力系统边界

（一）全球数据中心用电进入高增长周期

根据IEA口径，2024年全球数据中心用电约为415TWh，约占全球用电量的1.5%；在基准情景下，到2030年全球数据中心用电预计约945TWh，接近翻倍，约占全球用电量的3%以内。其增长速度约为每年15%，明显高于多数传统电力需求部门。[资料1]

这一判断的重要性不在于“数据中心占全球电力比例是否绝对巨大”，而在于其增长具有三种特殊性：

1. 负荷集中性

数据中心不像居民空调、电动车那样广泛分布，而是高度集中在少数城市、园区、电网节点和跨境光缆枢纽。全球典型区域包括美国北弗吉尼亚、爱尔兰都柏林、荷兰阿姆斯特丹、新加坡—柔佛走廊、中国京津冀、长三角、成渝、贵州、内蒙古、甘肃、宁夏、青海和新疆等。

2. 负荷刚性

AI推理、在线服务和企业云业务对稳定性要求极高。很多数据中心要求全年高可用，不能像部分工业负荷那样轻易停产。因此，它对电网的挑战不仅是年用电量，更是峰值容量、备用容量、瞬时波动、接入排队和电能质量。

3. 负荷速度

一个大型数据中心建设周期可能短于电源、电网、变电站和输电线路建设周期。也就是说，AI产业侧的扩张速度可能快于电力基础设施侧的建设速度，进而形成“算力先到、电力滞后”的结构性矛盾。

（二）美国：AI算力增长最激进，电网压力最突出

美国是全球AI算力扩张最明显的市场。美国能源部和LBNL相关报告显示，美国数据中心2023年用电约176TWh，约占美国总用电量4.4%；到2028年可能增长至325—580TWh，约占美国总用电量6.7%—12%。[资料3]

美国案例说明了AI算力扩张的三个现实问题。

1. 区域电网拥堵

弗吉尼亚州因北弗吉尼亚“Data Center Alley”成为全球最大数据中心集聚区之一。EIA数据显示，2019—2025年弗吉尼亚商业用电销售增长显著，数据中心集聚是主要驱动因素之一；PJM也预计Dominion区域在2026—2030年夏季峰值需求将出现显著增长。[资料5]

2. 电价与容量市场压力

当数据中心用电增长过快，输电、变电、容量市场和备用电源成本可能转嫁到更广泛用户。美国部分地区围绕“谁应为数据中心新增电网成本买单”产生争议，其背后是AI算力的公共基础设施外部性问题。

3. 低碳承诺与现实电源结构矛盾

大型科技公司普遍通过PPA、绿证、长期购电协议和核能/地热投资宣示低碳目标，但从物理电力流看，数据中心实际接入的本地电网仍可能依赖天然气、煤电或其他化石能源。IEA也指出，全球数据中心新增电力需求到2030年前仍会有相当部分由天然气和煤电满足。[资料2]

（三）欧洲：监管透明化先行，局部国家承压明显

欧洲的特点不是总量最大，而是监管框架更快走向透明化。欧盟《能源效率指令》及其配套规则要求对具有显著能耗的数据中心进行能源绩效和水足迹相关信息报告，并建设欧洲数据中心数据库。[资料6]

爱尔兰是典型案例。爱尔兰中央统计局数据显示，2024年爱尔兰数据中心计量用电为6969GWh，占总计量用电量22%，高于城市家庭用电占比18%和农村家庭用电占比10%。[资料4] 这说明在电网规模较小、数据中心高度集聚的国家，数据中心并不是“边际负荷”，而可能成为影响国家电力规划和能源安全的核心变量。

三、中国实践：从“建算力”转向“算力—电力—碳效一体化”

（一）中国算力设施用电已进入高增长阶段

工业和信息化部相关公开材料显示，2024年我国算力设施用电量约1660亿千瓦时，约占全社会用电量1.7%；“十四五”以来，全国算力设施用电量年均增速超过10%。[资料8]

这一数据说明，中国AI算力消耗仍处于扩张早期，但已具有不可忽视的能源属性。与美国相比，中国的优势在于：电力系统规模大、特高压输电能力强、新能源装机增长快、具备“东数西算”这一国家级空间重构工具。但挑战也同样明显：东部业务需求强，西部绿电丰富但网络时延、跨区调度、应用迁移、数据合规和算力利用率仍需协调。

（二）政策框架：绿色低碳数据中心成为硬约束

《数据中心绿色低碳发展专项行动计划》提出，到2025年底，全国数据中心整体上架率不低于60%，平均PUE降至1.5以下，可再生能源利用率年均增长10%；新建及改扩建大型和超大型数据中心PUE降至1.25以内，国家枢纽节点数据中心项目PUE不得高于1.2；国家枢纽节点新建数据中心绿电占比超过80%。[资料6]

这些指标意味着，中国对数据中心治理已从“鼓励节能”进入“指标约束+布局约束+绿电约束+节能审查”的阶段。特别是“整体上架率”和“国家枢纽节点新增算力占比”的要求，直接指向过去部分地区存在的低利用率、重复建设和“小散旧”问题。

（三）“东数西算”：不是简单西迁，而是算力分层

“东数西算”的核心不应被理解为把所有业务都搬到西部，而是把不同类型任务按照时延、成本、能源和安全要求分层部署。

1. 西部适合什么？

西部新能源资源丰富、土地成本低、气候条件在部分地区更有利于自然冷却，更适合大规模训练、离线渲染、批处理、数据备份、非实时推理、科学计算和高弹性任务。

2. 东部必须保留什么？

东部用户密集、企业客户集中、金融和互联网业务时延敏感，更适合低时延推理、实时交互、边缘智能、金融交易、工业控制和城市智能体服务。

3. 中间层需要什么？

中间层需要全国一体化算力调度、统一计量、跨区域任务迁移、网络传输优化、隐私计算和数据合规能力。没有调度能力，西部绿色算力可能变成“建了但用不满”；没有电力协同，东部智算中心可能变成“用得上但供不起”。

四、AI持续性算力消耗的核心机制

（一）芯片侧：性能提升可能带来“杰文斯效应”

AI芯片单位性能能效持续提升，小模型、量化、稀疏化、MoE架构和推理优化都在降低单次调用成本。但这并不必然降低总能耗。原因在于，当单位推理成本下降，AI应用会扩展到更多场景，调用量可能快速放大，形成“效率提升—使用增加—总能耗继续上升”的杰文斯效应。

资源使用效率提升，非但没有减少资源总消耗，反而造成总体消耗量上升。

很多资料里：杰文斯效应 = 杰文斯悖论；学术细分上：✅ 回弹效应（Rebound Effect）：效率提高后，消费有所回升（节约被抵消一部分）✅ 杰文斯悖论 / 杰文斯效应：回弹＞100%，总消费量超过改进之前

来源

1865 年，英国经济学家 威廉・杰文斯 在《煤炭问题》中发现：瓦特改良蒸汽机，单位工作量消耗的煤炭变少。大众以为能节约煤炭；但现实是：动力成本下降，大量工厂、铁路、轮船开始普及蒸汽机，英国煤炭总消费量大幅暴涨。

底层逻辑

Epoch AI研究显示，近年来前沿模型训练计算量约以每年4—5倍速度增长；另一方面，Stanford AI Index相关资料显示，推理成本和硬件效率也在快速改善。[资料9][资料10] 这两者共同说明：AI系统正在同时发生“单次更便宜”和“总量更庞大”的双重变化。

（二）模型侧：不同任务能耗差异巨大

不同AI任务的推理能耗差异很大。文本分类、抽取式问答等任务通常较低，而图像生成、多模态生成和长上下文推理明显更高。相关研究对多类任务的每1000次推理能耗进行了测量，发现图像生成平均能耗显著高于文本生成，且不同模型之间差异很大。[资料11]

这说明企业做AI能耗治理时不能只看“调用次数”，还要看任务类型、模型大小、输入输出长度、并发峰值、上下文窗口、是否启用多模态、是否启用工具调用，以及是否存在重复无效调用。

（三）数据中心侧：PUE不再足够，需要综合资源效率

PUE是数据中心能效管理的基础指标，但在AI时代仅靠PUE已不足够。原因包括：

因此，AI数据中心应逐步形成“五维指标体系”：

其中，TUE可作为AI时代新增管理指标：不再只关心“数据中心是否节能”，而关心“每完成一个有效AI任务消耗多少能源和碳”。

五、海外实践：从购买绿电到重新设计数据中心

（一）绿电PPA与24/7无碳电力

海外大型科技公司普遍采用长期绿电购电协议、可再生能源项目投资、储能、地热和核能合作来支撑AI数据中心增长。但传统“年度绿电匹配”正在受到挑战。数据中心是全天候负荷，而风电光伏具有波动性，因此更高阶目标是“24/7小时级无碳电力匹配”，即在时间和地点上尽可能让实际用电与无碳电源同步。

（二）零水冷却与液冷

AI GPU功率密度上升使液冷从可选方案变为重要路线。微软公开表示，其新一代AI优化数据中心设计采用芯片级冷却，冷却环节不使用蒸发水，并称每个数据中心每年可避免超过1.25亿升用水；其上一财年数据中心平均WUE为0.30L/kWh。[资料12]

这类实践说明，未来数据中心设计会在“水—电—碳”之间做复杂权衡。蒸发冷却可能节电但耗水，机械制冷可能节水但增加耗电，液冷可能提高高密度部署能力但带来运维和泄漏风险。因此，真正先进的方案不是单点技术最优，而是因地制宜的综合最优。

（三）AI反哺数据中心运维

Uptime Institute 2025调查显示，数据中心运营商普遍更愿意把AI用于传感器数据分析、告警优先级和预测性维护，而对AI直接控制设备、修改配置仍然谨慎。[资料13] 这说明AI在数据中心运维中的价值首先是“辅助优化”，而不是完全自动接管。

六、中国绿色算力实践：从能效标杆到算电协同

（一）国家绿色算力设施的示范价值

工信部相关材料显示，2025年度国家绿色算力设施在能效水平、算电协同、算热协同方面形成示范：入选设施PUE平均值降至1.25，较全国算力设施PUE平均值低14.4%；可再生能源利用率平均值超过70%。[资料8]

这说明中国绿色算力实践已从“单纯降低PUE”扩展到三类协同：

（二）典型技术路径

1. 液冷与高密度机柜

大模型训练和推理集群对高功率GPU节点依赖显著，传统风冷在高密度机柜下能效和可靠性面临挑战。冷板式液冷、浸没式液冷、后门换热、热管和自然冷源结合，将成为智算中心降低制冷损耗的关键路径。

2. AI节能运维

通过数字孪生、传感器网络、负载预测、温度场模拟和AI控制，可以动态调节冷冻水温、风机频率、泵组运行、气流组织和服务器负载分布，降低无效制冷和局部热点。

3. 余热利用

北方采暖地区具备更强的余热利用条件。AI数据中心产生稳定低品位热量，如能与园区供暖、农业温室、生活热水和工业低温热需求结合，可以把“废热”变为“资源”。

4. 算力调度参与电力系统

未来智算中心不应只是电力负荷，也可以成为柔性负荷。对于非实时训练、批处理和部分推理任务，可根据电网峰谷、绿电出力、碳强度和电价进行迁移或延迟执行。

七、实践调研视角：企业应如何评估AI算力消耗？

（一）从“设备账”走向“任务账”

很多企业只统计GPU数量、机柜功率、云账单和数据中心PUE，但AI时代更关键的是“任务账”：

（二）企业AI能耗诊断的六步法

（三）重点问题清单

企业调研AI算力消耗时，应重点回答以下问题：

1. 是否存在“大模型滥用”？

很多任务不需要调用最大模型。文本分类、规则校验、结构化抽取、简单客服和摘要初筛，可能通过小模型、蒸馏模型、规则引擎或RAG缓存完成。

2. 是否存在“重复推理”？

相同问题、相似上下文、固定模板和批量任务应优先使用缓存、批处理、离线生成和结果复用。

3. 是否存在“低利用率GPU”？

GPU低利用率是AI基础设施中常见浪费。应通过多租户调度、MIG切分、任务排队、弹性伸缩和跨集群调度提高利用率。

4. 是否建立“碳感知调度”？

在多区域部署中，企业可以根据不同地区电网碳强度、绿电出力和电价，调度非实时任务到低碳低价区域。

5. 是否把水风险纳入选址？

在干旱、水资源紧张或社会敏感区域建设AI数据中心，即便PUE较优，也可能面临许可、舆论和生态风险。

八、深层矛盾：AI算力消耗的五个治理难点

（一）能效进步与总量增长的矛盾

芯片能效提升、液冷普及和算法优化会降低单位任务消耗，但AI应用范围扩大可能抵消节能收益。因此，政策和企业治理不能只看“单位效率”，还要看“总量边界”。

（二）绿电承诺与物理消纳的矛盾

年度绿证或PPA并不等于每小时真实使用绿电。AI数据中心需要稳定电力，而新能源出力波动较大。未来监管可能更关注小时级匹配、区域匹配和实际减排效果。

（三）东部需求与西部资源的矛盾

东部拥有用户、企业、数据和应用场景，西部拥有能源和土地。解决路径不是简单迁移，而是全国一体化调度、网络时延优化、数据分级流动和算力商品化。

（四）水耗与电耗的矛盾

蒸发冷却节电但耗水，机械制冷节水但耗电，液冷提高效率但增加系统复杂度。不同气候、不同水资源条件下的最优方案不同，不能用单一指标评价。

（五）安全冗余与资源效率的矛盾

数据中心为了高可用必须保留冗余电源、UPS、备用柴油机和冷却能力。但过度冗余会造成资本和能源浪费。AI时代需要从静态冗余走向弹性冗余、跨区域冗余和软件定义可靠性。

九、战略建议：建设可持续AI算力体系

（一）国家层面：建立“算力—电力—碳排—水资源”统一规划

建议将AI算力基础设施纳入能源、电网、水资源、国土空间和产业政策综合规划。对大型智算中心项目，应同步评估以下内容：

（二）区域层面：形成差异化算力功能定位

东部城市群应重点发展低时延推理、行业AI平台、边缘算力和高价值应用；西部国家枢纽应重点承接训练、离线推理、科学计算和数据备份；中部区域可承担连接东西部的调度、灾备和行业模型服务。

（三）企业层面：建立AI能耗预算和绿色FinOps

企业应把AI能耗纳入FinOps和ESG治理，将每个模型、每类任务、每个业务线的Token成本、电力成本和碳成本透明化。建议建立以下制度：

（四）技术层面：从“堆卡”转向“系统效率”

未来AI算力竞争不能只看GPU数量，而要看系统效率。关键方向包括：

十、结论：可持续算力将成为AI竞争的新底座

AI算力消耗的争议，不应被简化为“AI是否耗电”或“AI是否应该被限制”。更准确的判断是：AI作为新一代通用技术，必然带来新增能源需求；但这种需求能否被高效、低碳、低水风险和高利用率地满足，将决定AI产业的长期竞争力。

全球经验表明，AI数据中心正在成为电力系统、能源转型和数字经济之间的新连接点。美国的挑战在于电网接入和容量压力，欧洲的重点在于透明监管和能效标准，中国的战略优势在于新能源规模、电网基础设施和全国性算力布局能力。但中国同样需要警惕低水平重复建设、算力空置、绿电名义化、东部过密集和西部利用率不足等问题。

未来，高质量AI基础设施应满足五个标准：

AI时代真正稀缺的不是单纯的算力，而是可持续、可调度、可审计、可长期供给的绿色智能算力。谁能率先建立这样的体系，谁就能在下一轮AI产业竞争中占据更稳固的位置。

资料依据与引用说明

[资料1] IEA估算2024年全球数据中心用电约415TWh、2030年约945TWh，并说明服务器、存储、网络、制冷等数据中心耗电结构；其中服务器通常约占现代数据中心用电60%，制冷占比在高效超大规模数据中心和低效企业数据中心之间差异很大。Energy demand from AI – Energy and AI – Analysis – IEA

[资料2] IEA关于数据中心供电结构的预测显示，为满足数据中心需求的全球发电量将从2024年约460TWh增至2030年超过1000TWh；可再生能源将满足近一半新增需求，但天然气和煤电合计仍将满足到2030年前超过40%的新增需求。Energy supply for AI – Energy and AI – Analysis – IEA

[资料3] 美国能源部援引LBNL报告称，美国数据中心2023年耗电约176TWh，占美国总用电量4.4%；到2028年可能升至325—580TWh，占6.7%—12%。DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers | Department of Energy

[资料4] 爱尔兰中央统计局数据显示，2024年爱尔兰数据中心计量用电为6969GWh，占总计量用电22%，高于城市家庭18%和农村家庭10%。Key Findings Data Centres Metered Electricity Consumption 2024 – Central Statistics Office

[资料5] 美国EIA指出，2019—2025年弗吉尼亚商业用电销售增长显著，数据中心集聚是主要驱动因素之一；PJM预计Dominion区域2026—2030年夏季峰值需求增长主要受数据中心负荷推动。https://www.eia.gov/todayinenergy/detail.php?id=67664

[资料6] 欧盟已建立数据中心能源绩效和水足迹报告机制；中国《数据中心绿色低碳发展专项行动计划》提出PUE、上架率、可再生能源利用率、国家枢纽节点绿电占比等目标。Energy performance of data centres – Energy – European Commission

[资料7] 国家数据局公开报道显示，截至2026年3月底，全国智能算力总规模达188万PFLOPS（FP16），八大国家枢纽节点占比超过80%；并提及推理需求快速增长和“算电协同”成为国家任务。媒体报道 | 国家数据局明确算力基建四大方向-国家数据局

[资料8] 工信部相关材料称，2024年我国算力设施用电量约1660亿千瓦时，占全社会用电量约1.7%；2025年度国家绿色算力设施PUE平均值降至1.25，可再生能源利用率平均值超过70%。加快国家绿色算力设施建设，擦亮高质量发展底色

[资料9] Epoch AI研究认为，2010年至2024年5月，近期前沿/显著AI模型训练计算量大致以每年4—5倍速度增长。Training compute of frontier AI models grows by 4-5x per year | Epoch AI

[资料10] Stanford AI Index相关资料显示，AI推理成本和硬件效率持续改善，GPT-3.5水平系统的推理成本在2022年11月至2024年10月间大幅下降。Stanford HAI Publishes 2025 Artificial Intelligence Index Report – Library Journal infoDOCKET

[资料11] Luccioni等人的推理能耗研究比较了多类AI任务，显示文本生成、摘要、图像生成等任务的每1000次推理能耗差异显著，图像生成平均能耗明显高于文本类任务。https://arxiv.org/pdf/2311.16863

[资料12] 微软披露其新一代AI优化数据中心采用芯片级冷却和闭环循环，冷却环节避免蒸发用水；其称每个数据中心每年可避免超过1.25亿升用水，上一财年数据中心平均WUE为0.30L/kWh。https://www.microsoft.com/en-us/microsoft-cloud/blog/2024/12/09/sustainable-by-design-next-generation-datacenters-consume-zero-water-for-cooling/

[资料13] Uptime Institute 2025全球数据中心调查显示，行业面临成本上升、电力约束和AI密度需求挑战；平均PUE多年变化不大，机柜功率密度上升，数据中心运营商更信任AI用于传感器分析和预测维护，而对AI直接控制设备仍谨慎。https://datacenter.uptimeinstitute.com/rs/711-RIA-145/images/2025.Annual.Survey.Report.pdf