[智能应用]AI的尽头是电力，电力的答案为什么指向“物理AI”？ [复制链接]

2025 年 9 月，美国孟菲斯，一座废弃的家电工厂在 122 天内就被改造成了地球上最大的 AI 训练集群。xAI 的 Colossus 超级计算机首期部署 10 万块 NVIDIA H100GPU，到 2025 年底，整个园区目标算力推向 55 万块 GPU，功耗逼近 2GW。这大约相当于 150 万户美国家庭的负荷，或者阿姆斯特丹整个城市的电力消耗。
但问题是，孟菲斯当地的电网根本无法在短时间内接入如此庞大的用电负荷。于是在紧邻孟菲斯的 Southaven，xAI 收购了一座废弃电厂并架起数十台燃气轮机，配上大量 Tesla Megapack 储能电池，最终实现了给 Colossus 超级计算机稳定供电的目标。
2026 年初，全球已有至少五座在建或规划中的 GW 级数据中心，包括 Anthropic 与亚马逊的 NewCarlisle、Meta 的 Prometheus、OpenAI 的 StargateAbilene、微软在 Fayetteville 的项目。但是，每个项目都面临同样的问题：当地电网容量不够，要么排队等待电网升级，要么自己想办法。
而这，还只是开始。对 AI 系统来说，真正稀缺的并不只是电力总量，而是可被稳定、低成本、高效率转化为有效算力的电力。
在大模型时代，单 token 能耗成本正成为衡量算力效率、电力消耗与总体成本的核心指标。AI 的竞争并非停留在“谁有更多电”，而更在于“谁能把电转化成更多的有效 token”。单位电力的 token 产出效率，将成为 AI 时代的核心生产力。
过去，人们讨论 AI，更多聚焦算力、模型和芯片；但当 AIDC（AI 数据中心）的负荷迈向 GW 级，AI 竞争的底层约束条件正在发生变化——谁不仅拥有算力，而且拥有稳定、低成本、绿色且可扩展的电力底座，谁才真正拥有下一轮 AI 扩张的门票。
AI 争夺的，已经不只是“更多电”
AIDC 与传统数据中心最大的不同，不在于规模，而在于其负荷特征发生了根本变化。专为 AI 训练和推理设计的数据中心，通常具有三个显著特征：
其一，高功率密度。单机柜功耗远高于传统数据中心，常常达到后者的 50 至 100 倍；
其二，7×24 小时高负载运行。对供电连续性和电能质量要求极高，哪怕毫秒级断电，都可能让价值数百万美元的训练任务前功尽弃。
其三，负载波动剧烈。AI 训练任务启动时，会带来巨大的瞬时电流冲击；这意味着，AI 对电力的需求早已不是简单的“量”的问题，而是一个“质”的问题：不仅要有电，还要高可靠、高响应、高效率、可持续地供电。
因此，AIDC 的能源竞争，也正在从“有没有电”转向“如何用好每一度电”。
对于 AI 企业而言，真正关键的已不是获取更多的电力资源，而是如何在单位电力消耗下，获得更高的有效算力产出、更高的 GPU 利用率，以及更可控的全生命周期成本。电力不再只是算力的配套资源，而逐渐成为决定算力效率、模型成本和商业可行性的核心变量。
据高盛预测，到 2030 年，全球数据中心电力需求将较 2023 年增长 165%，总装机容量达到约 122GW。国际能源署（IEA）的判断更为直白：到 2030 年，数据中心年用电量将翻倍至约 945TWh，接近日本一年的电力消费总量。
算力高速扩张的背后，AI 正把电力系统推向一个此前少有人认真讨论过的边界。
传统电力系统为什么越来越难支撑新 AI
如果说 AI 数据中心的问题只是“缺电”，那答案其实并不复杂：多建电源、多拉线路、多上设备即可。
但现实并非如此。真正棘手的，不是某个局部场景“有没有电”，而是现有电力系统能否以足够快、足够稳、足够低成本的方式，支撑一种全新的负荷形态。
传统电力系统的设计逻辑，建立在两个前提之上：发电侧相对可控，负荷侧相对平稳。以集中式火电为发电主力的旧式电力架构，更擅长处理可预测的供给与缓慢变化的需求，通过增加装机、预留冗余、依靠人工经验调度来维持平衡。
但这套逻辑在今天正被双重变化打破。
一端是供给侧。2025 年 3 月，五部委出台政策，提出到 2030 年，国家枢纽节点新建数据中心的绿色电力消费比例在 80% 基础上进一步提升。随着风电、光伏等可再生能源大规模并网，发电曲线越来越受气象条件支配。电力供给不再主要来自少数几个稳定运行的大型电厂，而转向分散、碎片化、实时波动的风光资源网络。
另一端是负荷侧。AIDC 这类新型负荷不仅体量巨大，而且变化剧烈。GPU 集群在训练、推理、切换任务的过程中，会产生远超传统负荷特征的功率波动；高密度叠加持续高负载运行，使其对电能质量、供电连续性和系统响应速度提出了近乎苛刻的要求。
也就是说，今天的电力系统，正同时面对两类波动：一类是不可控的可再生能源波动，另一类是高频、高强度、高敏感的 AI 负荷波动。
而传统系统的主要应对手段，仍然是加大物理冗余：扩建电网、增加后备电源、部署更多 UPS、提高设备规格、预留更厚的安全边界。理论上，这些做法并非无效；但问题在于，它们越来越难以满足 AI 产业的现实需求。
原因在于三点。
第一，速度不够。AI 项目的部署节奏往往以月为单位，而电网扩容、线路建设、审批和传统基础设施升级往往以年为单位。二者在时间尺度上并不匹配。
第二，成本太高。单纯依赖硬件堆叠和高规格冗余，本质上是用大量资本开支和运行冗余，去覆盖高频但不确定的风险。这种方法可以换来局部稳定，却显著抬高 AIDC 的建设和运营门槛。
第三，系统依然不够聪明。硬件越堆越多，并不意味着系统就更理解波动、更能预判波动。它只是用更厚的“物理缓冲”去抵消复杂性，却没有真正提升系统的认知、判断和协同能力。
这正是问题的关键所在：传统电力系统难以支撑新 AI，不只是因为系统承载能力有限，更因为它很难以低成本、可复制的方式管理一个高度波动、强耦合的新型能源场景。
今天的矛盾，已经不是单纯的“扩容问题”，而是一个系统智能问题。
当硬件堆叠走到极限，答案开始指向“物理 AI”
2025 年，黄仁勋在重返 CES 主舞台的主题演讲中，系统梳理了 AI 的演进路径，并提出“物理 AI”概念 —— 过去十几年，AI 经历了感知 AI（让机器学会“看”）、生成式 AI（让机器学会“写”和“画”）两个阶段，现在正在进入第三个阶段：物理 AI（Physical AI）。
所谓物理 AI，是能够理解物理世界规律、进行推理规划并自主行动的 AI 系统。现行的大语言、图像、视频模型都无法理解和操控三维的物理世界。物理 AI 要处理的是重力、摩擦力、惯性、因果关系这些物理规律，让机器在真实环境中感知、推理、决策和行动。
这一定义放到能源系统中，几乎天然成立。
因为能源系统本身就是一个典型的复杂物理系统。它不只是数据系统，也不只是软件系统，而是一个实时运行、强耦合、强约束、零容错的巨型基础设施。频率、功率、潮流、电池状态、设备极限、气象变化、电价波动——所有这些变量都不是抽象指标，而是真正决定系统安全与经济性的物理现实。
在 2025年 CES 的半年之后，在一场以“人工智能与未来能源系统”为主题的闭门科技会上，远景科技集团董事长张雷发表演讲，将物理 AI 的概念带入了能源行业。他指出，这种“人脑难以驾驭”的复杂巨系统，恰恰是 AI 的绝佳战场。“语言模型读懂文字，物理人工智能读懂世界，而能源是一切系统的基石。”
如果说黄仁勋关注的是如何让 AI 拥有“身体”以感知物理世界，那么张雷则敏锐地捕捉到了能源系统的边界危机——传统的“冗余+人工”模式已无法承载一个高比例可再生能源、高波动负荷的新型电力系统。
这也是为什么，能源行业所需要的 AI，与聊天、写作、图像生成所依赖的 AI 并不相同。它不能“差不多”，更不能“生成一个大概正确的答案”。它必须在真实的物理边界内运行，且每一步决策都要经得起设备约束和系统安全的检验。
从这个意义上说，AI 之所以成为解决 AI 电力问题的关键，不是因为“AI 很先进”，而是因为它可能是少数能够同时处理以下四类任务的工具：
它必须读懂物理边界：理解风光出力、电池状态、设备极限和约束；
它必须实时感知与预测：在毫秒到分钟级时间尺度上识别气象、功率、出力等波动并预判趋势；
它必须自主决策与优化：形成充放电、功率平滑、削峰填谷、电力交易等策略；
它还必须闭环执行，直接驱动真实设备完成响应，而不是仅停留在分析和建议层面。
换句话说，解决 AI 电力矛盾的，不会是一个更会“说话”的模型，而是一个更能“读懂物理世界并采取行动”的系统。这正是物理 AI 的价值所在。
物理 AI 的另一半：没有全栈，就没有“物理”
行业中普遍存在一种数字化惯性思维：认为只要算法足够聪明，再叠加一层软件，就能接管现实世界。
事实恰恰相反。物理 AI 的难点，从来不只是算力和模型，而是能否真正理解物理边界，并把决策准确无误地执行到物理系统之中。如果 AI 只是外挂在硬件之上的软件层，它与真实设备之间就会始终隔着一层“认知断层”：看得见数据，却摸不到约束；算得出最优解，却未必落得下去。
全栈能力，就是消除这道断层前提。
所谓全栈，不是简单地把硬件、软件和算法堆在一起，而是让 AI 从最底层的物理特性出发，向上贯通感知、控制、执行和优化的完整链条。只有掌握从感知元器件、动力执行器到核心算法模型的全路径，AI 才能真正理解硬件极限，并在微秒级的瞬间做出不容置错的决策，实现从“隔空指挥”到“具身智能”的飞跃。
这一点在能源领域，尤其在储能场景中，体现得最为极致。
储能不是简单的电池堆叠，而是一个横跨电化学、电力电子与电网动力学的复杂物理系统。在 GWh 级储能电站中，单站包含百万级电芯。如果 AI 不掌握电芯的化学边界，它在云端计算出的“最优策略”可能加速电池衰减甚至引发安全风险；如果 AI 的指令要经过多层协议转换才能抵达设备，毫秒级的延迟，足以让系统在电网波动的瞬间失去支撑能力。
但算法再聪明，如果穿不透硬件，就与盲人摸象无异。
从公开信息来看，远景是目前行业内少数具备储能全栈能力的企业——从造电芯、做系统、写算法，到全生命周期运营，形成一条完整的闭环。这意味着，AI 面对的不是一堆彼此割裂的零部件，而是一个可以被整体建模、整体调度、整体优化的系统。
它既能感知一颗电芯的健康状态，也能理解一座电站对电网的支撑方式；它既能优化一次充放电的收益，也能把这种优化延伸到 25 年的安全运行与资产回报之中。
所以，储能之所以成为物理 AI 在能源领域最先落地的核心场景，不是因为它“更需要概念”，而是因为它最需要一种真正穿透物理边界的智能。
AI 只有走到电芯、PCS、构网和电网协同这一层，才不只是“更聪明”，而是开始真正成为储能系统的中枢神经。
只有这样，储能才可能从被动的能量容器，变成能感知、能判断、能响应、还能持续进化的智能资产。也只有这样，在 AIDC 场景下，储能才可以从被动的备电设备，进化成一整套为 AI 算力持续供电的能源底座。
一套“物理 AI”驱动的算力电力底座如何炼成
当行业还在讨论“AIDC 该怎么供电”时，有人已经把答案写进了真实的项目里。
在内蒙古赤峰，远景与腾讯合作建成了全球首个 100% 绿电直供的数据中心。这个项目没有接入一度火电，综合能源成本降低超 40%，年碳减排达 18 万吨。它正面回答了一个行业普遍认为不可能的问题：零碳电力能不能撑住一座真实运行的数据中心？
答案是可以，但前提是一个被 AI 赋能的电力系统。
赤峰项目之所以能实现 100% 绿电稳定运行，依赖的不是堆砌更多的备用设备，而是一套贯穿“感知-预测-决策-执行”的智能调度体系。
远景自研的天机气象大模型持续预判风光出力变化，天枢能源大模型实时优化储能充放电与负荷匹配策略，构网型储能则在场站侧主动支撑电网频率和电压。当风力骤降或负荷跳变时，系统不需要人工应急，而是在毫秒级完成策略调整。这正是物理 AI 在真实能源场景中闭环运转的样子——不是生成一个“建议”，而是直接驱动设备做出反应。
当 AIDC 的规模从百兆瓦级向 GW 级跃迁，单点技术的优化已远远不够。远景给出的系统方案覆盖了四个层面：
一是全场景全链路方案布局：在电网侧，风光配储绿电直连，缩短并网周期、压低用电成本；在场站侧，构网型储能主动平抑负荷波动，稳定供电质量；在负荷侧，直流储能取代传统 UPS，平抑毫秒级功率波动，保障算力设备稳定运行。
二是模块化集成设计，支持快速扩展与便捷升级，可满足百兆瓦级大型计算集群的 EPC 交付需求；
三是全栈自研的软硬件深度集成，实现供电链路效率最大化，大幅降低 AIDC 全生命周期的用电、运维成本；
四是极速交付能力，核心系统部署周期较行业传统方案缩短 70%，可快速响应 AI 算力项目落地需求，匹配 AI 模型快速迭代的行业特性。
四层方案之间不是各自为政，而是共用一套数据闭环。每一台风机的出力数据、每一颗电芯的运行状态、每一个时刻的电价信号，都在同一个系统中被感知、处理和响应。
这要求硬件和软件必须在同一个体系内深度耦合，而这恰恰是远景坚持全栈自研的原因。从电芯、PCS、BMS 到 EMS、SCADA，从气象大模型到能源大模型，远景在全球 400 余座储能电站、上亿颗电芯的运行数据上持续训练和验证这套系统。
最终形成的是一个“AI 管理 AI”的闭环：物理 AI 保障电力系统的稳定、经济与绿色，而稳定、低成本的零碳电力底座又为 AI 算力的持续扩张提供源源不断的动力。
从赤峰的落地案例来看，它所验证的不只是一种技术方案，而是一种可能性：当能源系统具备了像算力一样的柔性与智能，AI 产业的扩张才不会被电力卡住脖子。
结语
AI 的尽头是电力，而电力的未来，越来越像一个由物理 AI 驱动的智能系统。
在这个过程中，储能不是唯一答案，但很可能是最先跑通闭环、最先形成产业规模的关键抓手。
而 AIDC 的能源竞争，也不会停留在“有没有电”这个初级阶段，而会越来越清晰地走向下一个问题：谁能以更低成本、更高稳定性、更强绿电能力，把每一度电真正变成有效算力。

物理 AI：解锁 AI 电力困境与算力扩张的新密钥
在 AI 飞速发展的当下，算力需求呈爆炸式增长，数据中心规模不断扩大，对电力的需求也与日俱增。然而，传统电力系统在面对 AI 带来的全新负荷形态时，逐渐暴露出诸多问题，难以满足 AI 产业快速扩张的需求。在此背景下，物理 AI 应运而生，为解决 AI 电力矛盾、构建稳定高效的算力电力底座提供了新的思路和方向。
AI 算力扩张下的电力挑战
GW 级数据中心崛起，电力需求激增
2025 年 9 月，xAI 在美国孟菲斯将一座废弃家电工厂在 122 天内改造成地球上最大的 AI 训练集群 Colossus 超级计算机，首期部署 10 万块 NVIDIA H100GPU，年底目标算力达 55 万块 GPU，功耗逼近 2GW，相当于 150 万户美国家庭或阿姆斯特丹整个城市的电力消耗。2026 年初，全球至少有五座在建或规划中的 GW 级数据中心，如 Anthropic 与亚马逊的 NewCarlisle、Meta 的 Prometheus 等，但都面临当地电网容量不足的问题，要么排队等待电网升级，要么自行解决电力供应。
AI 竞争焦点转变：从“量”到“质”
在大模型时代，单 token 能耗成本成为衡量算力效率、电力消耗与总体成本的核心指标。AI 竞争不再局限于拥有更多电力，而在于谁能将电更高效地转化为有效 token，单位电力的 token 产出效率成为 AI 时代的核心生产力。同时，AIDC 与传统数据中心不同，具有高功率密度、7×24 小时高负载运行、负载波动剧烈等特征，对电力的需求从“量”转变为“质”，要求电力高可靠、高响应、高效率、可持续供应。
传统电力系统难以为继
传统电力系统设计基于发电侧相对可控、负荷侧相对平稳的前提，以集中式火电为主，擅长处理可预测的供给与缓慢变化的需求。然而，随着风电、光伏等可再生能源大规模并网，发电曲线受气象条件影响，电力供给转向分散、碎片化、实时波动的风光资源网络；同时，AIDC 等新型负荷体量巨大且变化剧烈，产生高频、高强度、高敏感的功率波动。传统电力系统通过加大物理冗余来应对，但存在速度不够、成本太高、系统不够聪明等问题，难以满足 AI 产业需求，矛盾已从单纯的“扩容问题”转变为系统智能问题。
物理 AI：应对挑战的新路径
物理 AI 的概念与内涵
2025 年，黄仁勋提出“物理 AI”概念，认为 AI 经历了感知 AI、生成式 AI 阶段，正进入物理 AI 阶段，即能够理解物理世界规律、进行推理规划并自主行动的 AI 系统。能源系统是典型的复杂物理系统，具有实时运行、强耦合、强约束、零容错等特点，物理 AI 在能源系统中天然适用。能源行业所需的 AI 不同于聊天、写作、图像生成所依赖的 AI，它必须在真实物理边界内运行，决策要经得起设备约束和系统安全检验。
物理 AI 解决电力矛盾的关键能力
物理 AI 之所以能成为解决 AI 电力问题的关键，是因为它能同时处理四类任务：读懂物理边界，理解风光出力、电池状态、设备极限和约束；实时感知与预测，在毫秒到分钟级时间尺度上识别气象、功率、出力等波动并预判趋势；自主决策与优化，形成充放电、功率平滑、削峰填谷、电力交易等策略；闭环执行，直接驱动真实设备完成响应。
物理 AI 落地的关键：全栈能力
全栈能力消除认知断层
行业中存在数字化惯性思维，认为算法叠加软件就能接管现实世界，但物理 AI 的难点在于理解物理边界并将决策准确执行到物理系统中。全栈能力是消除认知断层的前提，它不是简单堆砌硬件、软件和算法，而是让 AI 从底层物理特性出发，贯通感知、控制、执行和优化的完整链条，掌握全路径，理解硬件极限，做出精准决策，实现从“隔空指挥”到“具身智能”的飞跃。
储能领域对全栈能力的极致体现
储能是横跨电化学、电力电子与电网动力学的复杂物理系统，GWh 级储能电站包含百万级电芯。若 AI 不掌握电芯化学边界，云端“最优策略”可能加速电池衰减或引发安全风险；若指令经多层协议转换抵达设备，毫秒级延迟会使系统在电网波动时失去支撑能力。远景是行业内少数具备储能全栈能力的企业，从造电芯、做系统、写算法到全生命周期运营形成完整闭环，使 AI 能整体建模、调度和优化储能系统。
物理 AI 驱动的算力电力底座实践：赤峰项目
项目概况与成果
远景与腾讯在内蒙古赤峰合作建成全球首个 100% 绿电直供的数据中心，未接入一度火电，综合能源成本降低超 40%，年碳减排达 18 万吨，证明了零碳电力可支撑真实运行的数据中心。
实现稳定运行的关键：智能调度体系
赤峰项目依赖一套贯穿“感知 - 预测 - 决策 - 执行”的智能调度体系实现 100% 绿电稳定运行。远景自研的天机气象大模型预判风光出力变化，天枢能源大模型优化储能充放电与负荷匹配策略，构网型储能在场站侧主动支撑电网频率和电压，系统在毫秒级完成策略调整，无需人工应急。
远景系统方案的四个层面
远景为 AIDC 提供的系统方案覆盖四个层面：全场景全链路方案布局，在电网侧风光配储绿电直连，场站侧构网型储能平抑负荷波动，负荷侧直流储能保障算力设备稳定运行；模块化集成设计，支持快速扩展与便捷升级，满足百兆瓦级大型计算集群 EPC 交付需求；全栈自研软硬件深度集成，实现供电链路效率最大化，降低全生命周期用电、运维成本；极速交付能力，核心系统部署周期较行业传统方案缩短 70%，匹配 AI 模型快速迭代特性。四层方案共用一套数据闭环，要求硬件和软件深度耦合，这也是远景坚持全栈自研的原因。
结语
AI 的发展离不开电力支持，而电力的未来将是一个由物理 AI 驱动的智能系统。储能虽不是解决 AI 电力问题的唯一答案，但很可能是最先跑通闭环、形成产业规模的关键。AIDC 的能源竞争将聚焦于谁能以更低成本、更高稳定性、更强绿电能力将电力转化为有效算力。物理 AI 为构建稳定、高效、绿色的算力电力底座提供了可能，将推动 AI 产业持续扩张，不被电力问题束缚。

关于“AI的尽头是电力”而“电力的答案指向物理AI”的内在逻辑，可以从以下三个层面展开分析：

一、AI的电力依赖：算力增长的能源瓶颈
算力与电力的强耦合关系
当前AI模型的训练与推理需消耗海量算力，而算力硬件（如GPU集群）的能耗呈指数级增长。例如，单个AI数据中心的耗电量堪比10万户家庭用电，且全球数据中心用电量预计2030年将翻倍12。电力已成为制约AI发展的核心瓶颈，其稳定性和成本直接决定算力扩张的可行性。

电力供给的结构性矛盾

地域错配：绿电资源（风光水电）集中于西部，而算力需求集中在东部，需依赖特高压电网实现“西电东送”45。
时间错配：可再生能源的间歇性难以满足AI数据中心7×24小时供电需求，需基荷电源（如核电）或储能系统填补缺口78。
二、物理AI：电力系统的智能化升级
“物理AI”指通过AI技术优化能源系统的物理层（发电、输电、调度），实现电力与算力的协同。其核心价值在于：

电网智能化调度

AI驱动的“源网荷储一体化”系统可实时平衡供需，例如南方电网的“算力—电力映射模型”能精准预测任务能耗，提升电网效率20%8。
虚拟电厂通过聚合分布式资源（如储能、电动车），动态响应算力中心的峰值负荷7。
清洁能源与算力直联

绿电富集区配套建设数据中心（如贵州山洞机房），通过“东数西算”工程降低传输损耗513。
核能、地热等稳定基荷电源与算力中心共址部署，例如微软自建燃气电厂、Meta签约核电企业1124。
硬件级能效优化

液冷技术、高密度服务器降低单位算力功耗；
固态变压器等新型电网设备提升输电效率49。
三、物理AI的战略意义：重构AI竞争力底层
成本与效率优势
中国依托特高压和绿电布局，使东部算力中心电价低于美国30%-60%，西部枢纽电价可达0.2元/千瓦时414，为AI训练提供全球最低成本环境。

可持续性保障
物理AI推动绿电占比提升（国家要求2025年新建数据中心绿电占比超80%16），避免AI发展受限于碳排放约束。

地缘竞争维度
美国电网老化、分区割裂，算力扩张受制于电力基建；而中国集中式资源调配能力支撑AI规模优势，形成“电力即国力”的新竞争范式425。

总结
“物理AI”本质是能源与智能的深度融合：以AI技术优化电力系统，再以高效电力反哺AI算力，形成闭环。其指向的不仅是技术路径，更是重构AI时代基础设施的核心战略——唯有将电力系统升级为“会调度的智能体”，才能突破能源天花板，释放AI的终极潜力。