6 月 5 日，北京国家会议中心，原本能容纳上千人的会场被挤得水泄不通。

这场爆满的对谈，主角是腾讯集团高级执行副总裁汤道生、腾讯首席 AI 科学家姚顺雨。

这是姚顺雨加入腾讯半年多以来的首次线下公开亮相，这位明星 AI 科学家在会上抛出了一个关键判断——

AI 下半场最重要的问题，不再只是找到更好的方法，而是找到真正值得解决的问题。

腾讯也借此次对话释放明确信号：AI 竞争早已跳出模型参数、算力规模的单一比拼，进入模型、产品、场景、组织协同并行的全新阶段。

而其中一个关键问题在于，当下 Agent 成为技术核心，Token 效率则是所有玩家必须攻克的难关。

" 我也听到很多客户甚至同事们，也在紧盯着积分消耗或者 Token 消耗 "，汤道生坦言，Token 成本的爆发式增长已经成为行业共同的焦虑。

但 Token 焦虑背后，还有一个更底层的物理问题：每一个 Token 的生成，最终都要转化为 GPU 的一次次运算，转化为数据中心的一度度电。

当行业继续追逐模型、芯片和应用时，电力系统正在从后台的配套保障，走向 AI 基础设施的前台。

就在这场对谈的 11 天前，一场横跨能源与科技领域的高规格会议，已经点破了 AI 产业发展的这一核心矛盾。

电力系统：从配套到主体

5 月 26 日，国家能源局在深圳召开全国 " 人工智能 +" 能源现场推进会，中国石油、国家电网、国家能源集团、阿里云和腾讯等能源、科技巨头企业齐聚一堂。

在这场高规格会议上，远景科技集团董事长张雷抛出了一个判断：

电力系统正在成为人工智能的主体工程，而非配套。

在他看来，能源不只是 AI 的底座，更是血脉和肌体。

如果解决不了智能生产全链路的能量管理问题，再强大的芯片也发挥不了作用。

这个判断，现在正被 AI 产业的现实压力不断验证。

姚顺雨曾在今年初另一场峰会上坦率地指出，中国目前在电力供应和基础设施方面具有显著优势，但主要瓶颈仍集中在高端制造环节——光刻机和软件生态系统。在他眼中，电力不是短板，而恰恰是底牌。

但底牌能否真正变成优势，取决于电力系统能否跟得上 AI 基础设施的迭代速度。

大模型的每一次进步都伴随着数据中心功耗的指数级攀升。

据 OpenRouter 数据预测，从 2025 年到 2030 年，全球 Token 调用量将增长 212 倍。

而 Token 的每一次生成，最终都要转化为 GPU 的每一次运算，转化为数据中心的每一度电。

国际能源署最新报告显示，2025 年全球数据中心总耗电量已达到 485 太瓦时，其中人工智能相关负载独占 170 太瓦时，占比超过三分之一；到 2030 年，全球数据中心年耗电量将几乎翻一番，达到 950 太瓦时，届时仅 AI 专用算力的耗电就将飙升至 465 太瓦时，这一数字已经超过了日本全国的年度用电量。

在中国，情况同样紧迫：2025 年人工智能耗电量约为 4500 亿度，占全社会用电量的 3.8%；到 2026 年，这一数字预计将达到 6000 亿度，占比升至5%，几乎相当于全国钢铁行业一整年的用电量。

过去，数据中心被视为电网中的一类重要负荷；未来，AI 数据中心可能成为重塑电力系统规划、建设和调度逻辑的超级变量。

当机柜功率冲向 300kW

传统数据中心的时代，单个机柜的功率密度通常在 3kW 到 5kW 之间，整个机房的设计、配电、散热和运维都是围绕这一稳定区间建立的。

但 AI 数据中心正在彻底改写这一前提。

随着英伟达 Blackwell 架构的部署，单个机架在满负荷运行时的功耗已达到约 130kW；而计划于 2027 年推出的 Rubin 架构，目标功率将直接冲向 600kW，部分概念验证系统甚至指向 1MW。

这意味着，单个机架的耗电量已经与数百户家庭的用电量相当。

GPU 再强大，如果不能实现高功率密度的电流输入和高效散热，机柜功率就无法跃升至 200kW、300kW。在这样的硬性物理约束下，再强大的芯片也只是一堆无法通电的硅片。

这场跃迁带来的冲击是全方位的。

首先是供电架构的彻底失效。

传统数据中心依赖的 UPS 配电体系、市电直供模式，在面对数百千瓦级脉冲式负载时，不仅效率骤降，更可能在毫秒级的功率波动中崩溃。

AI 训练任务具有剧烈的脉冲式波动特征，成千上万块 GPU 在特定阶段瞬间同步启动，导致电力负荷在毫秒级内飙升又回落，这种高波动负载对电网的冲击远超传统云计算的平稳需求。

其次是散热瓶颈的急剧放大。

当机柜功率突破百千瓦，传统风冷技术已难以为继，液冷方案虽在快速普及，但据市场研究机构 IDC 预测，2025 年中国液冷数据中心市场规模将突破 200 亿元，其部署仍面临与电力系统协同设计的复杂挑战。

更深层的问题在于电网接入能力。

在美国最大电力市场 PJM Interconnection 覆盖的区域，包括弗吉尼亚、马里兰、宾夕法尼亚等十个州，正是 AI 基础设施最密集的区域之一，而 2025 年该区域的电价已出现高达 76% 的 " 不可逆转 " 上涨。

电网互联的排队等待时间在部分地区长达 5 至 10 年，变压器、燃气轮机等电力设备的供应链紧张，正在物理层面限制数字世界的无限扩张。

张雷用了一个极具历史感的类比来概括这一矛盾：大模型大约每 6 个月就有一次重大迭代，芯片几乎是 12 个月一个版本，但电力系统在过去一百年间几乎没有发生大的变化。

当模型和芯片的指数级迭代，遇上电力系统的线性演进，AI 基础设施的主要瓶颈，就会从 " 算力够不够 " 延伸到 " 电力系统能不能支撑算力持续增长 "。

电力系统由此从后台走向前台，从配套保障变成主体工程。

解法不是加设备，而是重构系统

当机柜功率冲向 300kW，传统 " 能源归能源、算力归算力 " 的机械拼接模式难以为继。

能源企业在电网侧考虑的是稳定供电和负荷平衡，算力中心在机房侧考虑的是服务器密度和 PUE，两者之间隔着规划审批、并网协议、电价谈判和物理距离，几乎没有任何实时协同。

张雷在发言中形容这种状态是 " 机械的割裂 " ——电源、储能、电网、电力电子、算力和大模型各自独立运转，像六台转速不同的齿轮强行咬合，摩擦损耗巨大。

这种行业割裂的代价已逐步显现。

在内蒙古、贵州等东数西算节点，算力中心建设速度远超电网接入和绿电消纳能力，只能依赖火电兜底；东部沿海负荷密集区域，又因土地、绿电指标受限，算力成本居高不下。

传统 " 先建能源、后搭算力 " 的线性建设思维，已然无法适配行业发展。

AI 数据中心已经不再是电网中的普通负荷，而是高密度、高波动、全天候运行的超级负荷。它要求电力系统同时具备稳定性、灵活性、低碳性和经济性。

这也是"AI 电力系统 "提出的背景。

张雷认为，"AI 电力系统 " 将成为破局关键。其本质上是能源系统与智能系统融合的人工智能基础设施，核心价值是打通电源、储能、电网、电力电子、算力与大模型，打破各环节各自为政的僵局。

要把这套理念落地，产业界需要回答三个关键问题：

如何在相同的功率带宽下接入更多的 GPU；

如何在相同的电量条件下产出更多的智力；

如何在相同的投资水平下显著降低电力成本。

张雷认为，AI 电力系统可通过三层系统性突破，逐一解决行业痛点。

第一，搭建系统级智能中枢。

依托智能物联操作系统，接入风电、光伏、储能、算力设施等全品类设备，构建毫秒级实时协同体系，打造全域联动的 " 能源神经系统 "，实现电力流与数据流的同步调度，替代传统人工事后调度模式。

第二，落地物理人工智能。

普通大语言模型缺乏物理规律约束，易产生决策偏差。

行业需融合数据智能与物理定律，依托气象、能源专属大模型，实现风光资源精准预测、算力与能源场站实时调控，推动行业从数字孪生向智能闭环进化。

第三，重构新型电力基础设施。

依托风光储一体化控制器、高压直流、构网型储能、智能机柜等新技术，完成从芯片到电网的系统性硬件重构，为智能化调度提供硬件支撑，而非简单叠加电力设备。

当算力中心单机柜功率冲向 300kW，高功率密度供电与高效散热成为刚性约束；在有限的供电能力下实现机柜集群的动态功率管理、避免对电网造成冲击，同时以吉瓦级可再生能源稳定支撑算力中心运行，这些挑战必须依靠能源系统与智能系统的深度融合才能解决。

作为 AI 电力系统的开创者，远景走在了这场范式转移的最前沿，但这条路的终点，必将是整个产业的共同奔赴。

算电协同：中国的独特实践

在电力系统这个领域，中国也正在探索一条截然不同的道路。

全球算力竞赛的终局正在从 " 谁有更多卡 " 转向 " 谁有更多电 "。

但在中国，算力与电力的关系正在探索一条不同的解法——不是算力中心被动等待电网供电，而是让算力主动跟着风光出力曲线走。

这种 " 算力跟着风光走 " 的实践已非孤例。

但目前已有不少玩家实现了不同程度的高比例绿电供应，但其实践仍停留在绿电采购层面，能源系统与算力系统之间并未实现实时耦合。

更深层的融合，要求算力调度与电力调度进入同一套控制逻辑。远景在内蒙古的探索，代表了这种深度耦合的工程验证。

在赤峰，远景联合腾讯打造了全球首个系统级 " 算电协同 " 样本。

基于 2GW 级 100% 新能源独立电力系统，通过 EnOS 智能物联操作系统和能源大模型，实现风电、光伏、储能、算力和氢能之间的动态实时协同——

当风光出力波动时，系统自动调整制氢负荷与算力任务编排，让每一度绿电流向价值最高的环节。

公开信息显示，这是全球首个实现 100% 绿电直供的数据中心项目。该项目不仅构建了从发电到算力的全链路绿电供给体系，还将数据中心综合能源成本降低了 40% 以上。

与传统数据中心主要依赖电网供电、绿色属性难以追溯不同，远景 AIDC 强调 " 破墙重构 " ——打通从风机、光伏、储能到末端 PDU（电源分配单元）的完整链路，对供能、配电、散热与调度进行一体化设计。

这一模式推动数据中心从过去单纯关注 PUE（电能利用效率），迈向关注" 每一度绿电能产出多少 token" 的 " 算效 " 新阶段。

与此同时，远景在乌兰察布打造的 " 星河基地 "，尝试吉瓦级能源系统与算力系统的一体化原生融合，从风电光伏的出力预测，到储能系统的毫秒级响应，再到算力集群的任务编排，全部在同一套 AI 电力系统内完成闭环。

在远景看来，中国方案的独特性不在于单纯堆叠算力规模，而在于能源与算力的一体化融合，以及可持续的绿色电力供给。

从赤峰的能源自洽到乌兰察布的算力协同，这些项目验证了一个核心命题：未来的 AIDC 招标，电力系统方案的重要性将超越服务器配置。

决定一个算力中心能否落地、能否低成本运行、能否持续扩张的，可能不只是有多少张 GPU，而是能否解决高功率密度供电、高效散热、动态功率管理和低成本绿电供给。

当算力竞赛的瓶颈从芯片延伸到电力，从模型参数延伸到能量管理，AI 基础设施的竞争逻辑正在被重写。

谁能率先打通电源、储能、电网、电力电子和大模型能力，谁就有机会在 AI 下半场掌握新的主动权。

* 本文系量子位获授权刊载，观点仅为原作者所有。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见