夜雨聆风当AI大模型朝着千亿、万亿参数狂飙，当算力集群的规模突破天际，一个被忽略的核心命题逐渐浮出水面：AI的终极瓶颈从来不是算法迭代，而是电力供给。2025年秋，美国孟菲斯的一座废弃家电工厂，在短短122天内完成了一场惊人蜕变——它被改造为xAI的Colossus超级计算机集群，首期便部署10万块NVIDIA H100 GPU，到2025年底，其目标算力将搭载55万块GPU，功耗直逼2GW，这一数值相当于150万户美国家庭的总用电负荷，甚至比肩阿姆斯特丹整座城市的电力消耗。
这场算力扩张的背后，是电力系统的极限承压。孟菲斯当地电网根本无法承载如此庞大的瞬时负荷，xAI最终选择在毗邻的Southaven收购废弃电厂，架设数十台燃气轮机，并搭配大量Tesla Megapack储能电池，才勉强搭建起专属供电体系。这并非个例，2026年初，全球范围内已有至少五座GW级AI数据中心（AIDC）处于在建或规划阶段，Anthropic与亚马逊联手的NewCarlisle项目、Meta的Prometheus集群、OpenAI的StargateAbilene基地，以及微软在Fayetteville的算力枢纽，都陷入了同一个困境：当地电网容量不足，要么漫长等待电网升级，要么自寻出路搭建独立供电系统。
更值得警惕的是，AI对电力的需求，早已超越了“量”的层面，迈入“质”的竞争。对AI系统而言，真正稀缺的不是电力总量，而是能够被稳定、低成本、高效率转化为有效算力的电力。在大模型时代，单token能耗成本成为衡量算力效率、电力消耗与商业可行性的核心指标，AI产业的竞争早已跳出“谁拥有更多电”的初级阶段，转向“谁能将每一度电转化为更多有效token”的深层博弈——单位电力的token产出效率，正在成为AI时代的核心生产力，直接决定企业的生存与发展边界。
过去多年，人们谈论AI时，目光始终聚焦在算力、模型与芯片上，却忽略了电力这一底层支撑。但当AIDC的负荷迈入GW级，AI竞争的底层约束已经发生根本性变化：未来，谁能同时掌握算力资源与稳定、低成本、绿色可扩展的电力底座，谁才能真正握住下一轮AI扩张的入场券。这一转变，不仅重塑了AI产业的竞争格局，更将电力系统推向了前所未有的挑战边缘，而传统电力系统的固有缺陷，正在成为AI持续发展的“绊脚石”。
AI争夺的，从来不是“更多电”，而是“更优质的电”
AIDC与传统数据中心的核心差异，不在于规模大小，而在于负荷特征的彻底重构。专为AI训练与推理设计的AIDC，其负荷呈现出三个极具挑战性的特征，彻底打破了传统电力系统的适配逻辑。
其一，高功率密度碾压传统场景。AIDC单机柜功耗是传统数据中心的50至100倍，大量GPU集群的密集部署，使得单位面积的电力需求呈指数级攀升，传统数据中心的供电架构根本无法承载这种高密度负荷；其二，7×24小时不间断高负载运行，对供电连续性与电能质量提出了近乎苛刻的要求——哪怕是毫秒级的断电，都可能导致价值数百万美元的AI训练任务功亏一篑，造成难以挽回的损失；其三，负荷波动极具突发性，AI训练任务启动、切换时，会产生巨大的瞬时电流冲击，这种高频、剧烈的波动，让电力供给必须具备极强的响应能力。
这意味着，AIDC的能源竞争，已经从“有没有电”转向“如何用好每一度电”。对AI企业而言，获取电力资源已不再是核心难题，如何在单位电力消耗下，实现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，才是决胜关键。电力不再是算力的“配套配角”，而是成为决定算力效率、模型成本与商业可行性的核心变量。
行业预测数据更能凸显这一趋势的紧迫性：高盛指出，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122GW；国际能源署（IEA）的判断更为直接，到2030年，全球数据中心年用电量将翻倍至945TWh，这一数值接近日本全国一年的电力消费总量。当AI算力持续高速扩张，电力系统正被推向一个此前从未被认真探讨过的边界，而传统电力系统的设计逻辑，早已无法适配这种新型负荷需求。
传统电力系统的困局：无法适配AI的“新需求”
如果AI的电力难题仅仅是“缺电”，那么解决方案其实很简单：多建电厂、扩建电网、增加供电设备即可。但现实远比想象中复杂，真正的痛点不在于“有没有电”，而在于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AI带来的全新负荷形态。
传统电力系统的设计逻辑，建立在两个核心前提之上：发电侧相对可控，负荷侧相对平稳。以集中式火电为核心的旧式电力架构，擅长处理可预测的供给与缓慢变化的需求，通过增加装机容量、预留冗余、依靠人工经验调度等方式，维持系统平衡。但在AI时代，这两个前提被彻底打破，电力系统陷入了“双向波动”的困境。
一端是供给侧的变革。随着“双碳”目标推进，全球能源结构加速向绿色转型，2025年3月，我国五部委联合出台政策，明确到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。风电、光伏等可再生能源大规模并网，使得发电曲线越来越受气象条件支配，电力供给不再来自少数几个稳定运行的大型电厂，而是转向分散、碎片化、实时波动的风光资源网络——风速变化、光照强弱，都会直接导致供电量的剧烈波动，这种不可控性，给电力系统的调度带来了巨大挑战。正如中国工程院院士杜祥琬所言，提升科技投入、控制可再生能源的波动性，是推进能源绿色转型的关键。
另一端是负荷侧的颠覆。AIDC这类新型负荷，不仅体量巨大，而且波动剧烈。GPU集群在训练、推理、任务切换过程中，会产生远超传统负荷的功率波动，再加上高密度、不间断运行的特点，对电能质量、供电连续性和系统响应速度的要求，已经超出了传统电力系统的承载能力。
如今的电力系统，正同时面临两类难以调和的波动：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。而传统电力系统的应对方式，依然停留在“加大物理冗余”的层面——扩建电网、增加后备电源、部署更多UPS、提高设备规格，试图用“硬件堆叠”的方式抵消复杂性。但这种方式，正在逐渐失效。
首先，速度不匹配。AI项目的部署节奏以月为单位，企业需要快速落地算力集群以抢占市场先机，而电网扩容、线路建设、审批流程等传统基础设施升级，往往需要以年为单位，二者的时间差，足以让企业错失发展机遇。其次，成本过高。单纯依靠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，覆盖高频但不确定的风险，这种方式虽然能换来局部稳定，却大幅抬高了AIDC的建设和运营门槛，让很多中小企业望而却步。最后，系统缺乏智能。硬件越堆越多，并不意味着系统能理解波动、预判波动，它只是用更厚的“物理缓冲”掩盖了复杂性，却没有真正提升系统的认知、判断和协同能力。
在我看来，传统电力系统难以支撑AI的发展，核心症结不在于“承载能力不足”，而在于“系统不够智能”。当AI带来的负荷波动超出了人工调度和传统控制的能力范围，当可再生能源的随机性与AI负荷的突发性形成叠加，单纯的硬件升级已经走到尽头，我们需要一种全新的技术路径，来破解这场“电力困局”——而物理AI，正是这场变革的核心答案。
物理AI：破解AI电力困局的唯一出路
2025年，黄仁勋在CES主舞台的主题演讲中，系统梳理了AI的演进路径，提出了一个极具前瞻性的概念——物理AI（Physical AI）。他指出，过去十几年，AI经历了两个核心阶段：感知AI（让机器学会“看”）、生成式AI（让机器学会“写”和“画”），而现在，AI正迈入第三个阶段：物理AI，即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。与只能处理虚拟数据的大语言模型、图像模型不同，物理AI需要直面重力、摩擦力、惯性等物理规律，在真实的三维世界中完成感知、推理、决策与行动。
这一定义，与能源系统的需求完美契合。能源系统本身就是一个典型的复杂物理系统，它不是单纯的数据系统或软件系统，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，都不是抽象的数字，而是决定系统安全与经济性的物理现实。无论是风光出力的波动，还是AI负荷的冲击，本质上都是物理世界的规律作用，而这，正是物理AI的核心优势所在。
2025年下半年，在“人工智能与未来能源系统”闭门科技会上，远景科技集团董事长张雷将物理AI的概念引入能源行业，他的观点一针见血：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让AI拥有“身体”，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，已无法承载高比例可再生能源与高波动AI负荷并存的新型电力系统。
我认为，物理AI之所以能成为破解AI电力困局的答案，核心在于它能够解决传统系统无法应对的“复杂性”与“实时性”难题，它具备四大核心能力，而这四大能力，正是AI电力系统所必需的。其一，读懂物理边界：能够精准理解风光出力规律、电池运行状态、设备极限约束，不脱离物理现实进行决策；其二，实时感知与预测：在毫秒到分钟级的时间尺度上，识别气象、功率、负荷等各类波动，并精准预判趋势，为决策争取时间；其三，自主决策与优化：能够根据实时数据，自主生成充放电、功率平滑、削峰填谷、电力交易等最优策略，无需人工干预；其四，闭环执行：能够直接驱动真实设备完成响应，将决策落地到每一个电芯、每一台风机、每一个供电节点，而不是停留在分析和建议层面。
更重要的是，能源行业所需的物理AI，与聊天、写作、图像生成所依赖的AI有着本质区别。它不能“差不多”，更不能“生成大概正确的答案”，它必须在真实的物理边界内运行，每一步决策都要经得起设备约束和系统安全的检验——哪怕是微秒级的延迟、毫厘级的误差，都可能引发系统崩溃，造成巨大损失。这也决定了，物理AI的落地，离不开“全栈能力”的支撑，没有全栈，就没有真正的“物理”。
全栈能力：物理AI落地的核心支撑
行业内普遍存在一种误区：认为只要算法足够聪明，再叠加一层软件，就能接管现实世界的物理系统。但事实恰恰相反，物理AI的难点，从来不是算力和模型，而是能否真正理解物理边界，并将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存在一道无法逾越的“认知断层”：看得见数据，却摸不到设备极限；算得出最优解，却无法落地执行。
而全栈能力，正是消除这道断层的唯一前提。所谓全栈，不是简单地将硬件、软件和算法堆砌在一起，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，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。
这种全栈能力，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，每一颗电芯的化学状态、每一次充放电的电流电压，都直接影响系统的安全与效率。如果AI不掌握电芯的化学边界，它在云端计算出的“最优充放电策略”，可能会加速电池衰减，甚至引发安全风险；如果AI的指令需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。
从行业实践来看，远景是目前少数具备储能全栈能力的企业——从电芯研发、系统集成、算法编写，到全生命周期运营，形成了一条完整的闭环。这种全栈能力，让AI面对的不再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；既能优化一次充放电的收益，也能将这种优化延伸到25年的安全运行与资产回报之中。
在我看来，全栈能力不仅是物理AI落地的基础，更是未来AI电力竞争的核心壁垒。随着AIDC规模向GW级跃迁，单点技术的优化已无法满足需求，只有具备全栈能力，才能实现硬件与软件的深度耦合，让物理AI真正穿透物理边界，成为能源系统的中枢神经。而储能作为物理AI在能源领域最先落地的核心场景，正是这种全栈能力的最佳试金石——它让储能从被动的能量容器，转变为能感知、能判断、能响应、能进化的智能资产，也让AIDC的供电底座，从被动备电升级为主动支撑。
物理AI驱动的算力电力底座：从理论到实践的突破
当行业还在争论“AIDC该如何供电”时，远景与腾讯在内蒙古赤峰的合作项目，已经给出了答案——全球首个100%绿电直供的数据中心，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。这个项目不仅打破了“零碳电力无法支撑AIDC稳定运行”的行业偏见，更完美展现了物理AI驱动的电力系统的实际价值。
赤峰项目的成功，核心不在于堆砌更多的备用设备，而在于一套贯穿“感知-预测-决策-执行”的物理AI智能调度体系。远景自研的天机气象大模型，能够精准预判风光出力的实时变化，提前规避供电波动风险；天枢能源大模型则实时优化储能充放电与负荷匹配策略，最大化利用绿电资源；构网型储能在场站侧主动支撑电网频率和电压，当风力骤降或AI负荷跳变时，系统无需人工应急，在毫秒级就能完成策略调整，直接驱动设备做出响应——这正是物理AI在真实能源场景中闭环运转的样子，它不是生成一个“建议”，而是直接成为能源系统的“大脑”与“手脚”。
无独有偶，在海拔超过4000米、冬季气温低至零下40℃的青海三江源，天合储能的AIDC全域融合解决方案也实现了突破，不仅达成100%绿电供电，还将电费成本降低超过一半。其核心逻辑与赤峰项目异曲同工：通过构网型储能打造独立“小电网”，实现300毫秒内独立建网，应对AI负荷的瞬时冲击；依托高压预制化电力架构，减少电能传输损耗；借助ElecOS智能能源操作系统，实现绿电、储能与负荷的协同调度，让“看天吃饭”的绿电变得稳定可靠。
结合这两个案例，我认为，一套成熟的物理AI驱动的算力电力底座，需要具备四大核心特征。其一，全场景全链路布局：电网侧实现风光配储绿电直连，缩短并网周期、压低用电成本；场站侧通过构网型储能平抑负荷波动，稳定供电质量；负荷侧用直流储能取代传统UPS，平抑毫秒级功率波动，保障算力设备稳定运行。其二，模块化集成设计，支持快速扩展与升级，适配百兆瓦级大型计算集群的交付需求，匹配AI项目快速落地的节奏。其三，全栈自研的软硬件深度集成，实现供电链路效率最大化，降低AIDC全生命周期的用电与运维成本，这也是东吴证券所强调的“算电协同”的核心落地路径。其四，极速交付能力，核心系统部署周期较传统方案大幅缩短，解决AI项目与电网升级的时间差问题。
这四层方案的核心，在于共用一套数据闭环——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。这就要求硬件和软件必须在同一个体系内深度耦合，而这正是远景、天合等企业坚持全栈自研的核心原因。远景在全球400余座储能电站、上亿颗电芯的运行数据上，持续训练和验证物理AI系统，最终形成了“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。
结语：物理AI重构AI与电力的共生关系
AI的尽头是电力，这句话的本质，是AI的发展终究要受制于底层能源系统的支撑能力；而电力的答案指向物理AI，则是因为只有物理AI，才能破解传统电力系统的困局，实现电力供给与AI需求的精准匹配。
在我看来，物理AI的出现，不仅是技术层面的突破，更重构了AI与电力的共生关系——过去，电力是AI的“支撑者”，被动为算力提供能量；未来，物理AI将让电力系统成为AI的“合作伙伴”，主动适配算力需求，实现“比特驱动瓦特、瓦特支撑比特”的智能闭环，这也是国家政策所推动的“算电协同”的核心内涵。
储能作为物理AI在能源领域最先跑通闭环的场景，无疑将成为这场变革的关键抓手，但它绝不是唯一答案。未来，物理AI还将渗透到电力系统的每一个环节，从风光发电的精准预测，到电网的智能调度，再到AIDC的负荷优化，全方位提升电力系统的效率、稳定性与经济性。
AI产业的竞争，终将从算力竞争转向电力底座的竞争，而物理AI，正是这场竞争的核心壁垒。当越来越多的企业意识到，真正的AI优势，不仅在于算法与芯片，更在于对电力的掌控能力，物理AI的落地速度将进一步加快。未来，谁能掌握物理AI的核心技术，谁能构建全栈能力的壁垒，谁就能在AI与电力的共生变革中，抢占未来产业的制高点。而这场变革，不仅将破解AI的电力困局，更将推动能源系统的智能化、绿色化转型，为人类社会的可持续发展注入新的动力。
