瞭望 | 算电协同：系统破解AI用电考题

先问一个问题：当AI的“大脑”越来越庞大，支撑它运转的“心脏”——电力，还跟得上吗？

“AI的尽头是算力、算力的尽头是电力”，这句在行业内广为流传的判断，正在全球范围内得到印证：微软CEO曾表示，“我们最大的问题不是算力不足，而是电力”；埃隆·马斯克买下整座电厂拆运回国；谷歌斥资48亿美元收购发电公司。电力供给的充裕度、灵活度和电价水平，正在成为影响AI产业竞争力的关键变量。

在中国，一张名为“算电协同”的战略蓝图正在铺开。2026年，“算电协同”被写入政府工作报告，列为新基建工程，标志着这一模式正式上升为国家战略。值得注意的是，“算电协同”不是简单的“把数据中心建在电站旁边”，而是一场重构算力与电力关系的系统性工程：通过空间布局让算力靠近绿电，通过调度机制让算力跟随绿电波动，通过制度创新打通算力与电力之间的壁垒。

AI算力狂奔，电力需求有多紧迫

理解“算电协同”的紧迫性，首先应看清算力对电力的需求有多大、增长有多快。

中国信通院的数据勾勒出一条上升曲线：我国数据中心年用电量从2019年的824亿千瓦时，增至2024年的1660亿千瓦时，五年间用电量翻了一番，超过一些省份的年全社会用电量。据预测，到2030年全国数据中心年耗电量可能逼近万亿千瓦时。中国移动呼和浩特数据中心副总经理李程贵给出更具体的参照：“一个智算中心万卡集群，目前一年消耗约1亿度电。”

从全球来看，国际能源署大幅上调了对数据中心用电量的预测——在基准情景下，全球数据中心电力需求将从2024年的约415TWh攀升至2030年的约945TWh，增长超过一倍，占全球电力需求增量的比重显著上升。

同时，芯片效率提升带来成本下降，成本下降刺激需求快速增长，总能耗不降反升。数据显示，大模型训练算力年增长4至5倍，对应的电力负荷需求年增长2.2至2.9倍，电力需求正加速增长。

其次，还要看“这些新增算力将以何种形式、在何地、于何时转化为多大的电力需求。”北京理工大学碳中和系统工程北京实验室主任魏一鸣团队介绍。

这需要拆解AI运行的两大阶段。首先是如同“培养一个博士生”的训练阶段，需要上万块GPU连续运行数周、数月，以一个万卡训练集群为例，其瞬时功率可达数十兆瓦，相当于一个小型工业园区的用电负荷。其次是如同“心脏不停跳动”的推理阶段，用户每向AI提出一个问题，背后都是一次推理计算。单次耗电小，但主流AI产品日均请求量能达到数万亿次，日耗电量可抵千万户家庭的日生活用电量。

换句话说，训练阶段的用电模式体现为阶段性、高强度的集中冲击，推理阶段则体现为长期、持续、广覆盖的负荷增长，两者对电网运行和资源配置的需求具有明显差异。

面对如此量级且使用模式复杂的电力需求，电力供给的充裕度、灵活度和电价水平，成为影响AI产业竞争力的关键变量。以一个大型数据中心年耗电30亿度为例，每度电便宜一毛钱，利润就能多出3亿元。这正是国际科技巨头从“买电”转向“抢电”“造电”的原因。

位于呼和浩特的内蒙古华电新能源分公司和林格尔数据中心集群绿色能源供给示范项目风机（2026 年 6 月 4 日摄） 李志鹏摄 / 本刊

“算电协同”如何落地

在这场全球算力与电力的角力中，中国手握一张独特的王牌——全球第一电力系统。我国发电装机容量连续多年稳居世界首位，其中风电、光伏装机规模遥遥领先。充裕的电力供给、持续下降的绿电成本、全球最完整的电力装备产业链，以及纵横东西、绵延数万公里的特高压输电网络，构成了我国应对AI用电挑战的坚实基础，为“算电协同”提供了其他国家难以复制的起步优势。

依托坚实基本盘，中国开始了一场从空间布局到时间调度的系统性安排。2026年，国家发展改革委等四部门联合印发《关于促进人工智能与能源双向赋能的行动方案》，提出统筹大型新能源基地与国家算力枢纽规划布局。

“算电协同”落地的第一个维度，是解决“算力枢纽在哪建、电力从哪来”的空间匹配课题。这背后的基本国情是：中国算力需求与能源资源地理错位。李程贵用“算力的胡焕庸线”来描述这一格局——胡焕庸线以东地区集中了全国约85%的数据资源和算力需求，但土地紧缺、能源成本高；以西地区数据资源占比不足15%，但坐拥全国约70%的可再生能源装机，风电、光伏资源富集，电价低廉。

“东数西算”工程是破解空间错配的国家级部署。2024年启动至今，全国已布局八大算力枢纽和十大数据中心集群。将东部大规模、集中式、时延要求低的可迁移任务跨地域调度至能源成本更优的数据中心，这是解决空间错配课题的核心思路。

其中，内蒙古作为西部四大枢纽之一，新能源装机规模位居全国前列，气候冷凉，全年近6个月可实现机房自然冷却。其核心承载地和林格尔新区被定位为“服务全国的绿算保障基地、数据加工基地、大模型训练基地”，承接京津冀低时延业务与全国非实时任务。李程贵提供的数据显示，内蒙古和林格尔数据中心用电价格约0.36元/度，明显低于北京数据中心用电价格。

第二个维度，要回答“何时用、怎么用”的时间调度课题。这里的核心逻辑是，新能源发电具有间歇性——光伏白天出力、风电夜间波动，传统数据中心的用电负荷则是刚性的、不间断的。让大量绿电“喂饱”算力中心，需要让算力变得“柔性”起来。

北京理工大学碳中和系统工程北京实验室副教授韩特认为，实现算力“柔性”的路径之一，是建立面向不同业务场景的算力任务分级管理机制。刚性任务，如在线交易、实时交互，必须保障连续供电，不能按时段进行调配；可平移任务，如AI训练、影视渲染，可在数小时至数天内灵活安排执行时间，能够依据新能源发电的时段特性灵活规划。基于此，可通过算力调度平台对后一类任务错峰调度，在不影响核心业务的前提下，将算力负荷曲线主动匹配电网的峰谷和新能源的波动。

这一模式已经从理论走向实践。2025年7月，中国电信在行业首次验证了算力跨省无感迁移：上海临港智算谷接到调峰指令后，用3分钟将AI推理任务迁移至湖北十堰，依据能源供给特点灵活规划任务执行时段，上海侧单机用电负荷同步下降75%，实现了“零丢包、低延迟”的无感切换。

李程贵进一步描绘了理想的调度图景：“训练任务‘昼用光伏、夜用风电、错峰迁移’，实现高绿电消纳率。”在他的构想中，未来的智算中心不是电网的沉重负担，而是可根据新能源分布情况灵活调节的“柔性负荷”，成为电网调峰调频的重要力量。

从“可以干”到“干得成”还有多远

顶层设计和工程试点已经展开，但“算电协同”从“盆景”变成“风景”，还须闯过制度完善、人才培养、技术迭代和风险防范等一系列深层挑战。

制度完善方面，魏一鸣团队认为，当前算力与电力系统在规划体系、市场机制和评价标准等方面还需进一步统一，主要体现在规划协同、市场协同以及收益分配协同等方面。

一是充分打通规划接口。算力中心建设周期通常为1至2年，配套电网建设需要3至5年或更久，“易出现‘算等电’或‘电等算’的错配”，李程贵表示，应将相关规划有效对接，实现算力负荷与电力供给更紧密衔接。

二是统一市场与交易接口。受访专家介绍，当前数据中心参与绿电交易、现货市场、需求响应和辅助服务的路径还需畅通，跨省跨区绿电交易中各地规则存在部分差异，建议建立全国统一的“算电协同”市场交易范式。

三是持续完善核算接口与收益分配接口。围绕绿电消费比例如何认定、环境权益如何归属、跨区域调度产生的调节收益如何分配等课题，构建稳定透明的规则。魏一鸣团队表示：“这样能够让西部在承担数据中心建设带来的能源消耗与环境压力的同时，共享算力产业链的高附加值红利，实现东西部在能源供给与产业发展上的共赢。”

人才支撑方面，魏一鸣团队认为，“算电协同”是能源、信息与人工智能、热管理、市场交易等领域的深度交叉融合，对复合型人才需求高。长期以来我国人才培养体系多按学科分类，出现“学校按学科培养，产业按场景用人”的结构性错位。一个智算中心的运维工程师需同时理解服务器功耗特性、供配电架构、液冷系统原理和电力市场规则。李程贵估算，全国懂能源、懂算力的复合型人才缺口超过15万。

魏一鸣团队建议，依托国家枢纽节点和智算中心园区，推动高校与运营商、电网企业、设备厂商联合建立场景化培养平台，形成可复制、可推广的人才供给闭环。

数据中心基础设施运行方面，北京理工大学碳中和系统工程北京实验室副教授王永真表示，随着AI算力规模快速扩张，需关注潜在风险。比如非IT基础设施的供给水平，当前单柜功率密度已从传统的3千瓦至5千瓦向30千瓦至50千瓦乃至更高区间快速抬升，或将带来变压器、断路器等关键电力装备的供给压力。

极端天气下的供电韧性也应关注。李程贵表示，高温热浪、暴雪沙尘等极端天气频发，多数数据中心在专项预案方面还需补齐，建议将“算电协同”电力安全技术纳入国家重点研发计划，建立数字孪生预警系统，实现极端天气的72小时超前预警。

正视这些挑战，更清晰地看到“算电协同”的战略价值。它不是算力单向地向电力“伸手”，而是让二者成为相互赋能的队友。正如业界所展望：“算力正从技术工具变为生产要素，如同电力、网络一样，成为所有行业数字化、智能化转型的底座。”

展望未来，“算电协同”的目光将超越国界。中国西部富集的绿电服务国内“东数西算”的同时，有潜力转化为驱动全球AI的“Token”，实现“电力不出境、价值已出海”。

这意味着算电布局需从“国内一盘棋”升级为“全球一盘棋”：在国内，依托“沙戈荒”新能源基地与算力枢纽的深度绑定，打造兼具成本与零碳优势的全球算力“生产基地”；在周边，推动云南、新疆等沿边省区建设面向东南亚、中亚的区域算力枢纽门户，实现跨境光缆与电力互联互通；在全球，于绿电富集区投资建设算力中心，同步输出中国特高压与智能调度标准。

这一进程仍需跨越高性能芯片、绿电认证、数据跨境流动等复杂课题。但方向已然清晰：“算电协同”将推动中国迈向“全球智能算力引擎”，用中国的绿电，算世界的难题。