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？

图｜远景携手腾讯在内蒙古赤峰落地全球首个 100% 绿电直供的数据中心

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。

运营/排版：何晨龙