夜雨聆风上篇文章我们聊了一件事：新能源投资的评估测算正在经历一场根本性崩溃。电价从常数变成随机变量，限电率从假设变成不可控，机制保障从 20 年缩水到 10 年，电网建设永远比电源慢两三年——而更狠的是，限电的统计口径还在帮你美化数字。
结论很简单：传统的那张 Excel 测算表，不管你有多少个 sheet ，都算不准了。
但"算不准"之后呢？总不能不做投资了。江能投资的做法是——换个工具。
传统测算模型的问题不是"算不准"，是"跟不上"
在开始讲江能做了什么之前，先想清楚一个问题：为什么传统的财务模型会失灵？
不是模型本身错了。 DCF 折现、 IRR 计算、 LCOE 成本分析——这些方法论在金融领域用了半个世纪，底层的数学逻辑没有问题。
问题出在输入端。
传统模型的三根支柱——电价假设、电量假设、成本假设——全部变成了动态变量。电价每天在变、限电率每个季度在变、电网接入条件随着基建进度在变。你上周填进去的数字，这周可能已经过时了。
更关键的是，这些变量之间不是独立的。电价和限电率互相影响（限电高了现货电价反而可能走高），电网投资和消纳率互为因果，政策调整直接改写全部假设。一个变量的变动会通过连锁反应传导到所有其他变量——而 Excel 里的公式，不会自动追踪这种传导。
这就造成了一个悖论：你月复一月地更新测算表，每次都觉得"这次够保守了"，但实际上你的保守假设可能又在某个维度偏乐观了。人脑的直觉在简单系统里很管用，在这个多变量、非线性、动态反馈的系统里——不太行。
江能做了什么： AI 评估模型 + 行业知识库
江能投资的解法，不是做一张更复杂的 Excel 表，而是建立了一套 AI 驱动的评估系统。
核心逻辑很简单：既然无法靠人工追踪几十个动态变量，那就让机器来。
这套系统由两部分组成。第一层是行业知识库，把电力行业的政策文件（从 2018 年的《清洁能源消纳行动计划》到 2025 年的 136 号文及各省细则）、交易规则、电网规划、装机数据、消纳报告——所有公开可获取的结构化和非结构化信息——系统性地纳入一个可以被 AI 检索和理解的数据库。国家能源局每月发布的电力工业统计数据、中电联的年度行业发展报告、各省电力交易中心的月度交易结果、全国新能源消纳监测预警中心的季度分析——这些散落在几十个网站和 PDF 里的公开信息，过去看一份算一份，现在全部结构化入库。不是拍脑袋查几份报告，是让机器能够从数万页行业数据中提取模式和趋势。
第二层是AI 评估模型，在知识库的基础上进行动态分析。它做的事情不是"输出一个 IRR 数字"，而是持续追踪三个核心维度的平衡状态：电源侧（装机增速、发电成本、出力特征）、电网侧（通道容量、投资进度、接入条件）、消纳侧（用电负荷、弃电率、市场化交易价格）。
三个维度的数据大部分来自开源渠道——国家能源局月度统计、中电联行业报告、各省电力交易中心披露的交易均价和成交量、电网公司公开的接入容量和投资完成额、新能源消纳监测预警中心的弃电率通报。不是买来的付费数据库，是公开信息。这本身就是一种选择：不用付费数据，意味着信息的可验证性更强——任何人拿到同样的开源数据，用同样的分析框架，应该得到相似的结论。不靠不可复现的黑箱，靠公开可审计的流程。
这意味着两点：第一，模型的基础数据输入端不受单一来源的限制，不会因为某份报告的观点倾向而产生系统性偏差；第二，任何对这个方法论感兴趣的人，理论上都可以复现这套分析框架。
不靠人判断，靠系统判断
传统评估流程里，最薄弱的一环是什么？是人的判断。
不是说判断力不行。是人在面对"电价预测"和"限电率假设"这种问题时，会不自觉地受到锚定效应、近因偏差和乐观偏见的干扰。你去年做了三个项目 IRR 都达标了，今年评测第四个的时候，潜意识里会觉得"应该也差不多"。人的判断，天然带着历史经验的惯性。
AI 模型不关心你去年投了几个项目。它只关心现在输入端的数据在说什么。
举个例子。当一个省份的电源装机增速连续三个季度超过 20%，而同期电网投资增速不到 5%，传统人工评估可能还在沿用去年的限电率假设——因为"去年也没出什么大问题"。但 AI 模型会在知识库里检索到这个省份过去三年装机增速 vs 电网投资增速的相关性，再结合该省消纳报告中的预警信号，自动标记出"限电率上行风险"。
这不是"AI 比人聪明"。是 AI 能够同时盯住几十个维度的数据而不疲劳、不遗漏、不受经验偏见影响。人做不到这一点，不是能力问题，是注意力带宽问题。
动态评估的实战价值：不再"算一次管一年"
这套系统最根本的优势，不在第一次算出来的数字有多准，而在于它能持续更新。
传统评估模式是：投前做一次详尽测算，投后每年复核一次。但在今天这个政策、市场、电网条件以季度甚至月度为单位变化的行业里，"每年复核一次"本质上是在用过期地图导航。
动态评估的逻辑是反向的：不给一个"确定性答案"，而是持续监控风险信号。电价跌破基准情景下限了吗？目标省份的电网投资进度落后计划了吗？弃电率连续两个季度上行了吗？任何一个风险信号触发，系统都能及时提示——不需要等到年底复核才发现"哦，年初的假设全错了"。
这种动态追踪还有一个被低估的价值：它可以覆盖在建项目和存量资产。不是只在投决环节用一次，而是贯穿项目全生命周期。对于融资租赁行业来说，从"投前尽调"到"租后管理"可以共用同一套评估框架——这在以前是不可想象的，因为两套工作用的是两个团队、两套方法论、两份数据源。有人可能觉得这种统一没什么了不起——直到你发现同一个项目在尽调报告里弃电率是 3%、租后巡检发现实际跑了半年弃电率是 7%，你才开始怀疑当年那份报告是怎么算出来的。
一篇总结，一个开始
上篇文章的结尾，我说了一句不太好听的话：以前评估模型回答的问题是"这个项目能赚多少"，现在要回答的是"在最差的情况下，这个项目会不会死"。
江能的 AI 评估模型，本质上就是为回答后一个问题而建的。它不承诺给一个精确的 IRR——在现在的市场结构下，任何承诺精确 IRR 的评估都值得怀疑。它的价值在于：让你在不确定性中，比别人更早看到风险信号在哪里。
这不是魔法。是系统性地把行业知识、公开数据和 AI 分析能力组合在一起的结果。而这个思路——用开源数据+行业知识库+AI 动态评估来替代基于历史假设的静态测算——可能不只是江能自己的解法，也值得整个新能源投资行业思考。
关于江能投资
江能投资（ Jano Power ）专注于新能源领域的项目投资，团队深耕光伏、风电、储能赛道，为合作伙伴提供「融资+产业+建设+退出」一体化解决方案。江能已经累计完成超过 1GW 的项目融资及投资。面对 AI 时代的电力新需求，我们期待与各方合作，共建绿色算力基础设施。
合作请联系：期待与新能源项目方、产业资本、金融机构携手合作，共同推动绿色能源产业发展。
