AI能源危机：短缺真相与创新应对

人工智能技术的终极挑战指向能源供应。微软首席执行官萨提亚·纳德拉在近期访谈中侧面印证了这一观点，他表示：“由于电力短缺，微软的大量GPU设备闲置在库房中无法运行。”

谷歌最新推出的‘捕日者计划’，将TPU芯片送入太空利用太阳能供电，仿佛是对纳德拉言论的直接呼应。

然而，令人疑惑的是，尽管纳德拉的言论看似利好能源行业，但资本市场反应平淡。从11月初至今，A股能源板块涨幅为零，纳斯达克能源板块最大公司的涨幅仅为0.77%。

一方面科技巨头连呼缺电，甚至探索太空解决方案；另一方面，市场信号却迟迟未现。这引发了一个核心疑问：AI产业是否真的面临电力危机？

OpenAI首席执行官山姆·奥特曼的见解是：既是，也不是。他承认短期存在缺电现象，但认为问题的本质是AI产能过剩。他预测，最多不超过六年，AI发展将超越实际需求，从而降低对电力的依赖。

换言之，AI产业短期内遭遇电力瓶颈，但长期来看，随着能效提升和需求平衡，问题将逐步化解。

01

谷歌在2025年11月初公布了‘捕日者计划’，该方案旨在将TPU计算集群部署到太空，直接利用太阳能进行供电。

太阳每秒释放的能量高达3.86×10^26瓦，相当于全球当前发电总量的百万亿倍以上。部署在晨昏太阳同步轨道上的卫星，其太阳能板几乎能持续接收光照，年接收能量是地球中纬度地区的八倍。

捕日者计划与卫星公司Planet Labs合作，在650公里低地球轨道上部署由81颗卫星组成的AI计算集群。这些卫星将在半径1公里空域内协同工作，间距保持在100至200米。计划于2027年初发射首批两颗试验卫星进行验证。

尽管谷歌声称已将Gemini模型单次查询能耗降低33倍，但对电力的需求依然迫切。

太空太阳能发电并非新概念，但长期以来受困于电力传输难题。无论是微波束还是激光束，能量传输中的损耗和地面环境风险都制约了大规模应用。

‘捕日者计划’巧妙避开了这一环节，选择在太空中直接利用电力进行计算，仅将结果传回地球。

地面TPU超级计算机集群使用定制化低延迟光学芯片互连技术，每芯片吞吐量达每秒数百吉比特。而商用卫星间光通信链路速率仅1-100Gbps，难以满足AI集群大规模数据交换需求。谷歌提出采用密集波分复用技术，理论可使卫星间链路总带宽提升至约10Tbps。

谷歌详细解释了集群编队控制、辐射抵抗等挑战的解决方案，却未提及如何解决散热问题。

真空中缺乏空气对流，热量只能通过辐射散发。谷歌论文中提及需使用先进热界面材料和被动式热传输机制，但未披露具体技术细节。

事实上，太空数据中心构想并非谷歌独有。此前，初创公司Starcloud已发射搭载英伟达H100芯片的卫星，计划建设5吉瓦天基数据中心。埃隆·马斯克也表示SpaceX将涉足此领域。2025年5月，中国之江实验室与国星宇航合作的‘三体计算星座’首批12颗计算卫星已成功发射组网。

因此，尽管太空AI计算听起来新颖，但各方目标一致：在地面电力不足时，向太空寻求能源解决方案。

02

AI对电力的渴求，很大程度上归因于英伟达。其GPU产品从Ampere架构到Blackwell架构，仅四年间功耗增长数倍。

使用Hopper架构GPU的服务器机架功率约10千瓦；而Blackwell架构因GPU数量增加，机架功率接近120千瓦。

此外，GPU间通信依赖NvLink技术，每条链路功耗4-6瓦，两块GPU间18条链路，再通过NvSwitch实现非阻塞连接，每个NvSwitch功耗50-70瓦。

对于一个万块H100的GPU集群，需157个NvSwitch和9万条NvLink链路，额外功耗约730-1100千瓦。

散热亦是耗电大户。常见的8卡H100服务器采用风冷系统，功耗达150瓦，万卡集群散热需187千瓦。

当前，科技巨头间的竞争指标已从计算能力转向吉瓦级能源消耗。OpenAI和Meta等公司计划未来几年增加超10吉瓦计算能力。

作为参照，AI行业消耗1吉瓦电力可供应约100万个美国家庭日常用电。国际能源署2025年报告估计，到2030年AI能源消耗将翻番，增速近乎电网增速的四倍。

高盛预测，2027年全球数据中心电力需求将增长50%至92吉瓦。美国数据中心电力需求占比将从2023年的4%升至2030年的10%。大型数据中心园区电力请求单个项目可达300兆瓦至数吉瓦。

然而，有趣的现象出现了。

北美最大可再生能源公司NextEra Energy过去52周涨幅11.62%，公用事业ETF XLU涨幅14.82%，同期标普500指数涨幅19.89%。

若AI行业真面临严峻电力短缺，作为供应方的能源板块理应获得超额回报，而非跑输大盘。

对此，纳德拉指出关键线索：‘电网接入审批需5年’，且‘输电线路建设需10-17年’。

与此同时，GPU采购周期以季度计，数据中心建设周期1-2年，AI需求爆发以季度为单位变化。

这些时间尺度的数量级差异造成错配，正是纳德拉所言AI缺电的本质。

此外，纳德拉面临另一现实烦恼。2020年微软承诺‘实现碳负排放、用水净增并实现零废弃’。

但现实是，微软数据中心电力近60%仍来自天然气等化石燃料，年度二氧化碳排放量约相当于54000户美国家庭总和。

另一方面，国际能源署2025年10月《可再生能源报告》指出，全球发电能力增速可能超越包括AI在内的新增电力需求。

报告称，2025至2030年全球可再生能源装机容量将增4600吉瓦，相当于中国、欧盟和日本当前装机容量总和。这五年新增容量将是之前五年增量的两倍。

特别值得关注的是核能。核能是唯一能提供稳定、大规模、低碳电力的选择。传统核电站建设周期长、成本高、风险大，但小型模块化反应堆正改变局面。SMR可像汽车一样在工厂批量生产标准化模块，现场组装，类似‘乐高积木’式建造。

SMR单机容量50-300兆瓦，远小于传统核电站的1000-1600兆瓦，但这也是其优势：更短建设周期、更低初始投资、更灵活选址。SMR在工厂批量生产后运至现场组装，大幅降成本和风险。

SMR是当前最受瞩目的发电方式。谷歌与Kairos Power签署协议购买500兆瓦SMR核电，成为科技公司首次直接投资SMR技术。微软于2024年1月聘请前Ultra Safe Nuclear Corporation核战略总监担任核技术总监，旨在开发SMR及更小的微型模块化反应堆。

换言之，微软缺乏的不是电力，而是时间。

03

相较于能源供应，降低AI自身功耗亦是关键路径。

奥特曼认为，每单位智能成本每年下降40倍，可能几年后就不再需要如此庞大规模的基础设施。若技术持续突破，个人级通用AI或可在笔记本上运行，进一步减少发电需求。

奥特曼曾撰文以自家产品为例解释此现象。从2023年初GPT-4到2024年中GPT-4o，仅一年时间，每个token成本降低约150倍。在算力不变前提下，同样业务在AI不同发展阶段所需电力减少。

他表示，如此幅度的价格下降仅靠硬件成本线性降低无法实现，必得益于算法优化、模型架构改进和推理引擎效率提升的综合作用。

斯坦福大学2025年人工智能指数报告证实此说法：18个月内，达到GPT-3.5水平的AI模型调用成本从2022年11月的20美元/百万token骤降至2024年10月的0.07美元/百万token，成本下降280倍。

硬件方面，GPU新增能效衡量单位TOPS/W和FLOPS per Watt，以直观体现能效突破。

例如Meta发布的第五代AI训练芯片Athena X1，低精度下能效比达32TOPS/W，较前代提升200%，空载功耗降87%。英伟达H100在FP8精度下能效比仅5.7TFLOPS/W。

但高精度训练任务仍需H100，这正是Meta大规模采购数十万块英伟达GPU的原因。

Epoch AI研究显示，机器学习硬件能效正以每年40%的速度提升，每2年翻一番。新一代AI芯片能效提升显著。

英伟达H200 GPU较H100能效提升1.4倍，显示仍有巨大提升空间。

从宏观视角，数据中心能效才是最关键的指标，通常用PUE衡量。PUE理想值为1.0，意味所有电力用于计算，无辅助系统浪费。十年前数据中心平均PUE为2.5，现为1.5，谷歌最新数据中心已降至1.1。这意味着同样计算任务现仅需当年一半电力。液冷技术、免费冷却、AI驱动能源管理系统正持续推低此数值。

无论结局如何，能源行业已因AI而重塑。即便未来AI需求减少，能源行业的兴盛也将推动其他领域发展。