夜雨聆风GE Vernova自从2024年4月独立上市以来已经涨了超过8倍；年初至今也涨了超过57%。
这家老牌工业巨头用爆发的股价和业绩在告诉人们，AI真正的瓶颈，正在从芯片延伸到电网，从数据中心延伸到变压器、高压电缆和燃气轮机。
先给大家看一个非常夸张的数字。
仅仅一个季度，GE Vernova来自数据中心的订单就达到24亿美元，而且已经超过这个领域2025年全年的订单总和。
注意，这24亿美元不是科技巨头用来买顶级GPU的钱，而是用来买变压器、高压电缆、配电系统和能源管理设备的钱。
换句话说，科技巨头突然发现，AI不只是缺算力，它还缺电，而且缺的是稳定、可靠、不能中断的高质量电力。
所以今天我们就围绕三个问题，通过拆解GE Vernova这份财报来理解AI推动的电力周期。
第一，AI为什么突然开始抢电？
第二，AI需要的电，到底从哪里来？
第三，GE Vernova能不能把这轮需求真正变成利润？
第一部分：AI为什么突然开始抢电？
我们先从第一个问题开始：AI为什么突然开始抢电？
过去我们总有一种错觉，觉得互联网和人工智能是隐形的。你只要轻轻敲一下键盘，答案就会从屏幕上跳出来；你让AI生成一张图片，或者帮你写一份报告，整个过程看起来特别干净，特别轻盈，好像它真的发生在云端。
但现实并不是这样。
每一次AI推理，每一次模型训练，每一次数据中心响应请求，背后都需要真实的服务器、真实的芯片、真实的散热系统、真实的电网，以及真实的钢铁和铜线。
所以，AI看起来越轻，背后的物理世界其实越重。
这就是GE Vernova这份财报最有意思的地方。它不是一家大模型公司，也不是一家GPU公司，而是一家能源设备和电力基础设施公司。但它的财报却把AI背后的物理底座暴露得非常清楚。
第一季度，GE Vernova总订单同比增长71%，达到183亿美元。自由现金流达到48亿美元，甚至超过了它2025年全年的水平。
但是最值得关注的，不只是总订单，而是订单从哪里来。
在电气化业务，也就是Electrification业务里，GE Vernova的收入增长了61%，有机增长达到29%，订单量达到71亿美元。
而其中最亮眼的，就是数据中心。
仅仅第一季度，数据中心这个垂直领域就贡献了24亿美元订单。这个数字不只是高，而是已经超过了数据中心领域整个2025年的订单总和。
同时，北美和亚洲的设备订单几乎翻了三倍。
这说明科技巨头们已经意识到，AI数据中心的瓶颈正在从“有没有GPU”，转向“电网能不能撑住”。
他们当然有钱买芯片，也有钱建机房。但问题是，现有电网不一定能承受这些超级数据中心的胃口。
一个大型AI数据中心，不只是用电多，更麻烦的是它对电力质量的要求极高。
普通家庭用电，电压有一点波动，最多可能就是灯泡轻微闪一下，甚至你根本感觉不到。
但对于一个正在满负荷训练大模型的GPU集群来说，情况完全不同。几万张、十万张GPU同时运行的时候，哪怕只是几毫秒的电压跌落，都可能导致训练中断、数据损伤，甚至造成数百万美元级别的损失。
所以，AI数据中心需要的不只是“有电”，而是稳定、可靠、不能中断的电。
这也是为什么GE Vernova会在今年2月份火速完成对大型变压器制造商Prolec的收购。
这一步非常关键。
到第一季度末，Prolec已经贡献了5亿美元收入，它的变压器储备订单也增长了25%，达到50亿美元。
这意味着GE Vernova不再只是站在数据中心外围，帮它们接入电网、建设变电站，而是越来越深入数据中心内部，提供更完整的供配电系统。
以前你可以把它理解成卖电力设备，现在它更像是在卖一整套数据中心电力基础设施。
管理层在电话会上提到一个说法，叫构建“一串珍珠项链”。意思是，他们不只是卖某一个单点设备，而是把变压器、中压不间断电源、固态变压器、能源管理系统这些设备和软件逐渐串起来，形成完整方案。
这个变化非常重要。
因为AI数据中心的电力问题，不是简单把电线接进去就结束了。
它真正需要的是一套“稳电系统”。
第一层是物理层面的稳定。
GE Vernova在大量部署一种设备，叫同步调相机。
这个名字听起来很专业，但你可以把它理解成一个直接接入电网、重达几百吨的巨大金属飞轮。
它一直高速旋转，里面储存着巨大的动能。当电网电压突然下降的时候，这个巨大飞轮会依靠惯性继续旋转，把动能瞬间转化成电能，反过来补给电网，硬生生把电压撑住。
这是一种非常重工业、非常物理的稳定机制。
用几百吨旋转的钢铁，去保护最精密的AI芯片，这就是AI时代很有意思的反差。
第二层是数字层面的稳定。
财报里反复提到GridOS和GridBeats这样的系统。它们不是普通的软件，而是电网调度的大脑。
你可以把现在的电网想象成一栋100层的大楼。以前大家用水、洗澡、做饭的时间不完全一样，所以水压相对稳定。
但现在，大楼里突然搬进一批超级AI机器人，它们会在某一个时间点，在每一层、每一个房间，同时打开所有水龙头。
这时候，传统的水管系统很可能瞬间承压，甚至爆裂。
电网也是一样。
传统电网面对的是相对可预测的工业和居民负荷，但AI数据中心带来的负荷是大规模、集中化，而且可能突然爆发。再叠加风电、光伏这些新能源的波动性，电网的调度难度就会急剧上升。
GridOS这样的系统，就是要提前预测天气、新能源出力、数据中心用电峰值，然后在问题发生之前，提前调度全网的电力流向。
所以，GE Vernova不是简单在卖软件，而是在卖现代预测性自主电网的大脑。
到这里，我们就能理解为什么AI突然开始抢电。
不是因为科技巨头单纯缺电，而是因为它们需要一整套能够输电、配电、稳电、管电的基础设施。
AI的第一层瓶颈，已经从GPU机柜，延伸到了变压器、高压电缆、同步调相机和电网软件。
但这只是问题的一半。
因为不管是变压器、同步调相机，还是GridOS，本质上都只是在搬运、稳定和管理电力。
真正更大的问题是：这么多电，到底从哪里来？
第二部分：AI需要的电，到底从哪里来？
这就进入第二个问题：AI需要的电，到底从哪里来？
如果说第一部分讲的是“怎么把电稳定送进数据中心”，那么第二部分讲的就是“这些电本身从哪里来”。
而这也是GE Vernova这份财报最有争议、也最值得思考的地方。
在一个所有人都在谈碳中和、谈绿色能源的时代，GE Vernova的燃气轮机订单反而卖疯了。
第一季度，GE Vernova发电业务订单增长59%。其中，燃气发电设备订单直接同比翻倍，利润率也扩大了500个基点。
更重要的是，他们在第一季度签下了21GW的新燃气协议，储备总规模从83GW提高到100GW。
其中，有整整20%是专门为了给数据中心供电。
也就是说，AI数据中心不只是推高了配电设备需求，也直接推高了发电设备需求。
而且产能已经紧张到什么程度？
客户现在抢的已经是2029年和2030年的生产槽位。目前大概只剩下十几GW的余量。
在这种供不应求的情况下，定价权自然会发生变化。
GE Vernova管理层提到，2026年新订单的每千瓦定价，预计会比2025年第四季度高出10%到20%，而且不需要做任何价格让步。
这就是典型的卖方市场。
问题在于，为什么偏偏是燃气轮机？
这听起来很反直觉。
科技巨头一边说自己的数据中心要使用绿色能源，一边又在现实中推动燃气轮机订单翻倍。那这是不是意味着能源转型在倒退？
我认为不能这么简单理解。
这里真正的矛盾，不是科技公司突然不在乎碳中和，而是碳中和愿景和物理现实之间存在一个时间差。
风电和光伏当然重要，也确实是未来电力系统的重要组成部分。但它们有一个无法回避的问题：间歇性。
太阳下山以后，光伏就不发电了。
风停下来以后，风电就不发电了。
可是AI训练不会因为太阳下山就停下来，数据中心也不会因为风停了就自动关机。
AI需要的是7×24小时、连续稳定、高可靠性的电力供应。
有人可能会说，那可以用电池储能。白天用光伏充电，晚上放电，不就解决了吗？
理论上可以，但现实中，目前的电池储能还很难承担这种角色。
电池适合短时调峰、应急支撑和局部平滑波动，但要支撑一个千兆瓦级别的数据中心连续运行几天几夜，目前无论是成本、规模，还是放电时长，都还远远不够。
所以，电池现在更像是百米冲刺时的补给，而不是跑马拉松时的主粮。
在长效储能、核能或者其他稳定清洁能源真正成熟之前，天然气发电仍然是少数能够大规模、快速响应，并且相对稳定供电的现实选择。
这就是燃气轮机订单为什么会爆发。
它不是最理想的终局，但它是当下最现实的桥梁。
对于科技巨头来说，如果没有稳定电力，AI的发展可能明天就会卡住。所以它们必须在长期理想和短期物理现实之间做选择。
这也是为什么GE Vernova的燃气发电设备会突然变得这么抢手。
当然，长期看，稳定清洁电源仍然是关键方向。
在这份财报里，核能，尤其是小型模块化反应堆SMR，也开始被重新放到台前。
比如加拿大安大略发电公司的Darlington项目，相关机组马上要安装一个重达200万磅的底座。
资料中还提到，美国和日本政府已经宣布，将为相关SMR项目提供高达400亿美元的支持。
但从商业角度看，政府信用的介入，确实会改变这类重资产项目的风险模型。
只是核能的问题在于，它的建设周期和审批周期更长。即使SMR有模块化、标准化的潜力，它也不可能在短期内立刻解决所有AI数据中心的电力需求。
所以，短期真正能够快速补上缺口的，还是燃气发电。
这就是AI电力周期最现实的一面
它不是简单的新能源替代旧能源，也不是一句“碳中和”就能解释清楚的线性故事。
它更像是在规模、稳定性、速度、成本和环保目标之间寻找一个现实组合。
AI越快发展，电力系统承受的压力就越大。电力系统越难快速升级，能够提供稳定基础电源的资产就越稀缺。
这就是GE Vernova突然站到AI产业链核心位置的原因。
但问题也随之而来。
需求这么强，订单这么多，价格还在上涨，这听起来当然是好事。
可是，重工业和软件不一样。
软件可以快速复制，燃气轮机、变压器、高压设备都必须一台一台造出来。
所以第三个问题就来了：GE Vernova真的能把这轮需求变成利润吗？
第三部分：GE Vernova能不能把这轮需求变成利润？
现在我们进入第三个问题：GE Vernova能不能把这轮需求真正变成利润？
从表面看，这家公司几乎站在了AI电力周期的正中央。
第一季度，总订单达到183亿美元，同比增长71%。
自由现金流达到48亿美元，甚至超过了2025年全年水平。
总储备订单高达1630亿美元。
这不是一般意义上的景气，而是非常典型的供不应求。
但对于一家重工业公司来说，订单只是第一步。真正重要的是，它能不能交付，能不能控成本，能不能把订单变成收入、利润和现金流。
否则，订单越多，反而可能意味着交付压力越大。
尤其是在燃气轮机、变压器这种重型设备领域，扩产并不是多招几个人、多开几台服务器那么简单。它需要工厂、设备、供应链、熟练工人、质量控制和长期交付管理。
GE Vernova也意识到了这个问题。
为了应对需求，他们在燃气工厂安装了280台新机器，预计年中能够达到20几GW的产能。
但是，单纯买机器还不够。
更关键的是制造效率。
所以管理层在电话会上反复强调一个词，Kaizen，也就是精益生产里的“改善”。
他们搞了一个改善周，2000名员工完成了200项具体改善活动，并发现未来有机会直接释放1亿美元利润提升空间。
其中最有代表性的例子，就是Prolec变压器工厂。
他们只是通过重新设计车间布局，优化工人的移动路线，就把变压器油箱装配的返工时间减少了将近70%，产量提高了近40%。
这其实说明一个问题：在这一轮AI电力周期里，GE Vernova拼的不只是产品，更是工业组织能力。
谁能更快扩产，谁能更稳定交付，谁能在不牺牲质量的情况下提高效率，谁就能真正吃下这轮需求。
更有意思的是，GE Vernova自己也在用AI改造内部流程。
这家公司不只是给AI提供电力基础设施，它自己也在用AI提高运营效率。
财报中提到，内部流程转型项目从13个增加到26个。
比如针对全球庞大的燃气轮机群，他们用AI预测备件需求，自动匹配库存，还用AI进行采购发票核对。
这些项目节省了数千万美元和数万小时人工。
同时，他们还淘汰了15个遗留数据平台，每年节省1500万美元。
仔细想想，这里面形成了一个非常有意思的闭环。
GE Vernova正在使用AI，提高制造和服务效率，然后再制造那些给AI供电的设备。
这就是AI时代的工业闭环。
但是，我们也不能只看乐观的一面。
真实的商业世界从来不是完美的，GE Vernova也不是一家没有瑕疵的公司。
它最明显的拖累，就是风电业务。
第一季度，风电板块出现了3.82亿美元亏损，收入下降25%。
这听起来很反直觉。
既然能源转型是大趋势，全世界都在谈清洁能源，为什么风电业务反而在亏钱？
短期原因是2025年订单疲软，导致陆上风电设备交付量减少。
但更深层的原因，是产业链和审批流程中的系统性梗阻。
在美国，很多风电项目的许可审批非常缓慢，往往要耗上好几年。项目动不了工，订单自然就很难释放。
同时，风电设备需要大量钢材，所以也会受到关税和原材料成本的影响。
管理层提到，美国232条款带来了较大不确定性。预计2026年，相关关税会产生2.5亿到3.5亿美元的净影响。
更麻烦的是，很多老合同没有办法把成本完全转嫁给客户，所以利润会被压缩。
不过，管理层也认为，风电业务下半年可能会有所好转，原因包括服务盈利能力提高，以及订单周期逐渐改善。
所以，对GE Vernova的判断不能太简单。
它确实站在AI电力需求爆发的风口上，电气化业务和燃气发电业务都非常强，订单、现金流、定价权和积压订单都显示出明显景气。
但同时，它也必须面对重工业交付、供应链、成本控制、风电亏损和政策不确定性的约束。
这家公司真正值得观察的，不只是它能不能拿到订单，而是它能不能把1630亿美元的储备订单，高质量地转化为未来几年的收入、利润和现金流。
结语
回到最开始的问题。
AI为什么突然开始抢电？
因为AI不是只发生在云端，也不是只发生在GPU里。越先进的算法，越依赖底层的物理世界。
它需要芯片，也需要服务器。
它需要数据中心，也需要变压器。
它需要模型训练，也需要燃气轮机、输电网络和电网调度系统。
GE Vernova这份财报真正重要的地方，不只是告诉我们一家能源设备公司业绩很好，而是提醒我们：AI时代并不是一个完全虚拟的时代。
恰恰相反，AI越往前走，它和现实世界的连接就越深。
它会向下穿透到电网、发电厂、工厂产线、供应链和能源政策之中。
所以未来真正重要的问题，可能不只是“谁的模型更强”，也不只是“谁的GPU更多”。
还有一个非常现实的问题：
谁能稳定、持续、低成本地给AI供电？
这就是GE Vernova突然被推到AI产业链核心位置的原因。
