AI 越深入日常工作，算力成本就越难只按一次调用来算。智能体连续处理任务，企业把模型接入业务，都会增加对算力的长期需求。模型能完成什么工作，决定了用户是否愿意尝试；能否持续、稳定地提供服务，以及总共要花多少钱，则影响着应用能走多远。

11 月 5 日，第九届进博会英特尔展台展示的绿电储能算力一体化解决方案，让这笔成本账有了具体的讨论对象。它采用集装箱式设计，将计算设备、供配电和储能结合起来，算力与储能模块可按需求配置，既可以靠近绿电资源部署，也可以放到企业园区附近。英特尔此次参展的主题是 " 智算提效，绿色同行 "，这套方案把能源利用与 AI 部署直接联系了起来。

在当天的媒体群访中，我先向英特尔中国区董事长王稚聪提了一个问题：中国的绿电具有成本优势，这种优势如何转化为用户使用 AI 时的综合成本优势？随后又追问，涉及场地、电网、强电系统和众多零部件供应商，这套方案的推进节奏究竟如何？

两轮回答串起了英特尔此次展示中值得关注的一条线索：一家计算技术企业，正在更深入地参与中国的能源与算力基础设施协作。它所要解决的问题，也从计算设备本身延伸到了算力怎样建设、怎样供电，以及怎样被有效使用。

低电价还需要一套高效率的系统

王稚聪介绍，绿色算力舱的想法是一年多前在中国提出的。中国西部有丰富的风电、光伏等绿电资源，英特尔希望让算力更靠近能源，在当地完成 AI 推理，再通过算力网络与运营伙伴为用户提供服务。

这里的 " 储 "，指的是储能。新能源发电会随天气变化，计算负载也会波动，两者的节奏未必一致。储能可以在一定范围内缓冲供需变化，为系统供电提供支持；具体能够支撑多久，仍取决于储能容量、负载和供电条件。共同设计储能与算力，有助于让绿电供给与计算负载更好地匹配。

这也是我在采访中强调 " 综合成本 " 的原因。电费只是 AI 成本的一部分，设备采购、配电散热、网络、运维和利用率都要算进去。即使电价低，如果算力长时间闲置，或者软硬件配合不好，用户最终得到的服务也未必便宜。对企业而言，更有意义的是完成一项实际任务需要多少成本。

词元（Token）是模型处理文本时使用的基本单位。但单位词元成本与完成一项任务的成本并不相同：同一任务可能需要多轮调用、工具执行和失败重试，结果还可能需要人工核对。算力供给的成本改善，最终要经过这些使用环节，才能体现为企业工作效率和支出的变化。

例如，企业需要 AI 持续处理内部文档，就要同时考虑文档能否离开本地、任务量是否稳定，以及系统需要怎样的响应速度。采购价格与长期运行支出，都要进入预算。即便采用同一种模型，部署方式、任务调度和设备利用情况不同，最终的经济性也可能有差别。

王稚聪的回答同样涉及了算力调度。英特尔希望与具备运营、调度和优化能力的伙伴合作，把分布式资源组织起来，匹配不同用户的需求。电力侧提供条件，计算设备执行任务，软件把资源与需求对接起来，几部分效率共同影响最终成本。

算力舱对应两种部署思路。靠近能源，是利用当地供电条件服务适合远程运行的任务；靠近企业，则更多考虑数据安全、响应时间和本地业务需求。后一种情况下，算力舱可以接入市电或园区新能源。

这种设计与中国 " 十五五 " 时期推进的算电协同方向相呼应。绿电直连是其中的重要实现路径，通过专用线路就近供电，让新能源利用与新增算力需求衔接。对英特尔这样的跨国技术企业，理解中国市场需要深入到这些建设条件中，让计算平台与本地能源、设备制造和应用需求一起形成方案。

在展台上，王稚聪反过来问我参观感受时，我谈到的也是这一点。作为重度 AI 用户，我关注持续、稳定使用 AI 的能力。此次展示把能源、计算和应用一起考虑，让 " 绿色 " 与用户关心的可用性、成本有了更直接的联系。

三个季度的推进建立在多年工程积累上

不过，把计算设备装进集装箱，距离一套能够交付的基础设施还有不少工作。我的第二轮追问，重点就在协调和实施。

王稚聪给出的进度是：从储能、配电到算力模块，完成技术架构大约花了三个季度，参与协作的上下游伙伴有数十家。他预计，2027 年上半年可能开始出现初步落地的方案。

这个时间表区分了技术架构完成和项目落地两个阶段。三个季度的价值，在于不同领域的企业能够围绕共同目标，把设备、接口与系统设计逐步接起来。后续建设还要进入具体场地，结合供电条件和客户需求实施。

王稚聪在解释技术难点时，谈到了集装箱内部有限的空间。供配电系统需要控制体积和损耗，高密度部署的 CPU、GPU、内存及网络需要合适的连接方式。客户对这些资源的需求又不相同，标准化设计还要为不同配置留下余地。

液冷的细节尤其能说明这项工作的分量。王稚聪介绍，英特尔近五年来在中国与伙伴推进液冷管路和连接部件等方面的标准化设计。不同厂商的部件要能够配合，连接可靠，才有条件扩大应用并降低成本。

这类工作很少成为展台上最醒目的部分，却会直接影响交付。若每个项目都要重新解决接口和兼容问题，部署速度与规模化应用的成本就难以改善。三个季度形成架构，背后有此前的技术积累，也有对中国供应链的长期了解。英特尔的执行效率，在这里可以落到具体工程上。

协作范围也在扩大。王稚聪说，过去英特尔与强电行业的接触相对少，如今需要寻找发电、变电、储能和电池等领域的伙伴。进博会汇集多个行业，给这类跨行业合作提供了直接接触的机会。

对采购方，模块化设计的另一个意义是让建设节奏贴近需求。英特尔介绍，整套装备在工厂内完成定制约需 8 — 12 周，设备到场后最快一周内可投入运营。项目现场的场地、供电和网络准备，则应与装备定制协调推进。

AI 模型、硬件与应用变化很快，一次性规划的规模未必与几年后的业务吻合。先部署适当规模，再按实际负载扩容，可以减少过早投入过多设备的风险。工厂定制与模块化部署相结合，也让客户有机会根据需求调整建设安排。

这回应了 AI 投资中的一个难点：硬件投入与应用需求成熟的时间未必一致。分阶段建设能给客户留下观察业务增长、调整后续投入的空间。设备是否充分利用、供电与运维是否可靠，仍要在项目运行中检验，也会决定这套方案最终的经济性。

英特尔把系统协作做到了能源侧

要把部署方式的改进转化为客户能购买、能使用的产品，还需要明确产业分工。英特尔参与系统设计之后，哪些工作由自己完成，哪些交给伙伴，直接影响这套方案如何走向市场。

王稚聪在群访中明确了公司的定位：英特尔仍然从事基础技术研发，并向伙伴提供这些技术；它不太会推出英特尔品牌的算力舱直接卖给最终用户，而是希望与专业技术伙伴共同构建产品，满足不同市场的需求。

这延续了英特尔在 PC 与服务器产业中的重要做法。计算平台为产品开发提供基础，整机厂商和其他伙伴围绕客户形成产品与服务。到了储算一体，要让平台被更广泛地采用，英特尔就需要进一步解决供电、储能、散热和运营调度之间的配合问题。英特尔因此更早地参与系统共同设计，把计算平台的要求与其他行业的技术条件衔接起来。

在展台交流中，我还提到，电力侧、核心供应商和应用伙伴，都能在这套方案里找到自己的位置。这种分工值得关注：能源企业有供电与储能技术，IT 企业有设备设计制造能力，运营和应用伙伴了解具体负载。英特尔参与共同设计，专业伙伴围绕客户需求形成产品，才能让各自的能力组合起来。

对英特尔而言，系统与生态建设也由此同芯片业务更紧密地联系起来。客户需要的应用能够运行，伙伴能够完成部署，计算平台才会有更多使用机会。从计算设备延伸到能源侧，扩大了英特尔参与技术协作的范围，也让它有机会更深入地理解客户的建设成本和使用需求。

系统设计还要落实到不同位置的计算产品。此次展台展示了第三代英特尔酷睿 Ultra 处理器、英特尔至强 6+ 处理器及网络与边缘产品，并呈现企业本地部署的词元一体机和 PC 上的智能体应用。设备形态不同，需要解决的任务、响应时间和部署条件也有差别。

智能体执行工作，既涉及模型推理，也涉及数据处理、工具调用和任务调度。不同环节对计算资源的需求并不相同。PC 上的 CPU、GPU 与 NPU 需要软件配合，企业侧与云端则要按业务需要配置算力。让合适的计算资源处理合适的任务，才有条件减少资源浪费，发挥硬件性能。

王稚聪介绍，英特尔在上海设有 AI 软件栈工程团队，与国内模型及智能体厂商合作。他判断，未来五年左右，更多算力将用于推理，并靠近边缘侧部署。

对客户而言，数据安全与响应时间会影响部署选择。不同的部署条件，也会带来软件适配和系统优化需求。

英特尔在这类 AI 基础设施中的引领作用，可以从这些工作中理解：推动计算与能源系统共同设计，参与部件标准化，为不同部署位置提供计算平台，并同模型和应用伙伴完成适配。算力舱将这些工作组织到同一套架构中，使合作伙伴有共同的技术基础继续开发产品。

中国为这种协作提供了丰富的条件。这里有规模大、层次多的应用需求，也有电力设备、储能和 IT 制造等产业能力。储算一体方案从中国提出、在中国组织伙伴推进，本地需求因而直接参与了技术方案的形成。对英特尔来说，中国市场的价值也进一步延伸到共同研发和产品创新。

王稚聪回顾英特尔在中国的角色变化时，提到了从引入产品和技术，到帮助伙伴做系统开发，再到今天共同创新的过程。算力舱把这种变化落实到了开发分工中：英特尔带来计算技术与平台经验，中国伙伴带来能源、制造和应用能力，共同处理跨行业的部署问题。

AI 还会经历模型迭代、应用更替和投资节奏变化。对平台企业，持续解决客户的部署问题、跟随实际需求调整产品，有助于在不同阶段找到业务机会。对客户，能够分阶段投入、按负载配置资源，也给未来变化留出了调整空间。

这也是我看重此次展示的原因。AI 进入日常工作后，用户会不断追问完成任务的成本，企业也会追问长期投入的回报。英特尔与中国伙伴正在把这些问题提前带入基础设施设计。随着具体项目推进，电力、计算与应用之间能否配合得更好，将直接影响客户长期使用 AI 的成本账。