陈成 张国祯 李中阳 唐珂

人工智能正从大规模语言模型训练，向世界模型、多模态模型和智能体、自主决策系统加速演进，算力需求也从阶段性的训练任务，扩展为持续性、高强度、高波动的计算服务需求。人工智能的快速发展也把智算中心的能源挑战推升到人工智能可持续发展的核心位置。当波动的绿色电力遇上同样起伏的训练、推理与更加复杂的智能体生产力负载，单独优化计算或能源都已不够。算电协同要做的，是在规划、调度和市场三个层面，让算力需求与电力供给在时间和空间上精准相遇。

近年来，以大语言模型为代表的新兴人工智能技术，引发了人们对AI带来颠覆性生产力变革乃至通用人工智能的巨大期待。然而，人工智能在展现巨大潜力的同时，也带来了高昂的计算成本和能源消耗，这一瓶颈正日益制约其可持续发展。依据公开信息对GPT-5的能耗估计，单次训练规模为50,000张GPU、总耗电量约数亿度电；而一次ChatGPT请求（推理）的能耗约为一次普通谷歌搜索的十倍，与过去二十年逐步普及的数据检索、流媒体和通信等应用相比，大模型服务呈现出显著更高的能耗强度。

更值得关注的是，大语言模型的应用形态正在快速演进。早期的大模型以简单的对话问答为主，而当前以智能体（Agent）为代表的新一代应用模式，正在推动人工智能从“单次响应”向“复杂任务自主执行”转变。一个完整的智能体任务通常需要经历多轮模型推理、工具调用、环境交互以及结果反馈等过程，模型调用次数更多、持续时间更长、计算链路更复杂。虽然算法优化和芯片技术进步不断提升单位计算任务的能源效率，但模型规模扩大、应用范围扩展以及任务复杂度提升，仍推动着人工智能整体能耗持续放大。

国际能源署2026年的评估显示，2025年全球数据中心用电量约为4850亿度电，同比增长17%；到2030年，这一数字预计接近9500亿度电，其中人工智能数据中心用电量将增至2025年的三倍以上。

根据相关机构预测，我国数据中心用电量由2025年的约1700亿度电增至今年的超过5000亿度电，到2030年接近或超过10,000亿度电，甚至超过了国际能源署对全球数据中心用电量的预计。

因此，人们有理由担忧：如果算力与电力仍沿用各自独立扩张的路径，人工智能和数据中心的快速发展，可能在不久的将来对电力供应形成显著压力。

应对人工智能日益增长的能源消耗，通常有两条路径：一是从计算技术入手，降低模型复杂度在不显著损失性能的前提下减少能耗，或降低芯片能耗在同等算力条件下减少能耗；二是从电力供给入手，增加风能、太阳能等清洁能源供应。然而，单一举措难以彻底奏效：模型规模与应用复杂度仍在持续高速增长，而电力供给的大幅增长又受到资源禀赋、基础设施和建设周期等多重现实约束。

更深层的挑战在于：算力需求与绿色电力供给都不是一条平稳的直线。

分布式风电和光伏发电高度依赖天气，具有明显的间歇性与波动性；大模型训练和推理等阶段的计算负载差异显著，功耗也随之大幅变化且均要求高供电可靠性。如果二者在时间和空间上错位，既可能造成电网运行不稳定，也可能导致能源浪费或供给短缺。反过来，如果能够让高密度、大规模的算力需求与绿色能源供给在合适的时间和地点相遇，就有望同时提升成本效益、能源效率和可持续性。

基于这一判断，我们倡导加大对“算电协同”这一新兴领域的基础研究投入。如今，算电协同已不乏初步的政策与工程实践，但统一的理论框架、方法体系和评价标准仍未形成。它需要整合计算机科学、人工智能、工业与系统工程、电气工程和能源经济等多学科知识，系统应对算力需求与电力供给在时空维度上的失衡。

这一协同的价值是多方共赢的，对算力用户，可提高能源利用效率和绿色算力比例；对绿色电厂，可减少弃风弃光、提升收益；对电网，可平衡供需关系、增强稳定性；对人工智能产业，则可提供稳定、经济、可靠的电力保障。

实现算电协同，首先需要理解电力供给与算力需求的时空特征。与传统用电负荷相比，人工智能计算负荷具有更强的动态性、异构性和可调节潜力；与此同时，未来电力系统也将更多依赖具有波动性的新能源供给。二者之间的精准匹配，是算电协同的基础。

从供给侧看，新能源发电的不确定性是核心挑战。风电和光伏出力高度依赖气象条件，具有随机性和波动性，需要结合气象预测、电力系统分析和人工智能方法，建立多时间尺度的新能源功率预测体系，提高绿色能源供给的可预测性，为算力调度提供可靠依据。

从需求侧看，人工智能计算负荷区别于传统刚性负荷（如通用计算等），其能源消耗由任务类型、模型规模和资源配置共同决定，具有明显的异构性。模型训练、推理服务和自主决策等不同计算任务，在时间约束、响应要求和能源消耗模式上存在显著差异。其中，部分计算任务具有时间和空间迁移能力，可通过算力网络调度至能源成本更低、绿色能源更充足的区域，提升新能源消纳能力和计算资源利用效率。

但计算负荷的调节能力并非无限，需要更加精细的量化——空间调节存在异构技术挑战，时间调节存在服务质量和响应速度下降的风险。并且，由于智算中心投资规模大，计算资源具有较高价值密度，调节算力面临着经济可行性的挑战。因此，算电协同并非简单降低数据中心能耗，而是在计算性能、服务质量、能源成本和碳排放之间寻求综合最优。

未来，需要建立连接“电力供给—计算任务—算力资源”的统一优化框架，回答不同计算任务的能源消耗规律、能源投入与计算价值关系，以及满足服务约束下计算任务的调节潜力等关键问题。这是推动算电协同从工程实践走向理论体系的重要基础。

在规划层面，核心目标是通过算力网络与电网基础设施的前瞻性协同布局，缓解算力需求与电力供给之间的长期失衡。

宏观层面，中国“东数西算”工程正在形成“8个国家枢纽节点、10个国家数据中心集群、3个算电协同试点地区”的布局，并持续完善跨枢纽光纤通道，将东部地区的数据需求引导至西部计算资源，既缓解东部算力紧张，也有利于利用西部清洁能源。随着人工智能的发展，芯片功率密度与算力投资强度在同步提升，单机柜功率已从千瓦级快速跃升至兆瓦级，吉瓦级数据中心不断涌现，数据中心的供电已对电网安全带来挑战。在此背景下，如何合理规划数据中心布局成为新的课题，既要考虑电网乃至备用电源（如柴油发电机供油）的建设周期和响应能力，还要考虑基于枢纽节点的高价值目标过于集中对其他安全的潜在影响。

微观层面，将数据中心与包含可再生能源和储能系统的自备电力微电网结合，正日益受到关注。但要真正落地，仍需回答一系列问题：如何在微电网内优化发电容量、电力负荷和储能配置？如何设计微电网与主电网的交互机制？在集中式、分布式或混合式电网结构下，算力中心应如何选择电力技术路线或供电结构？这些问题的深入探索，将决定算力和电力能否在建设之初就形成更优协同。

与多数用电负荷相比，计算负载有一项独特优势：它可以不依赖电网改造，直接在时间和空间上转移。利用这种灵活性，可以把算力需求调度到电力更充足、碳强度更低或成本更合适的时段与地区。

2022年，阿里巴巴在中国开展的小规模实验，已经验证了数据中心间负载迁移的可行性。但“能搬”并不等于“随意搬”。推理负载迁移可能增加网络和计算延迟，进而影响服务质量，而服务质量恰是商业数据中心的核心关切。大型语言模型任务还有自身的能耗特征。基于Transformer架构的推理过程，既包含计算密集的预填充阶段，也包含内存密集、计算需求相对较低的令牌生成阶段。输入和输出长度不同的请求，例如代码编写与文本摘要，会呈现不同的“能耗—性能”特征。尽管已有若干初步探索，但这种异构性在面向大型语言模型设计调度算法时，仍未得到足够重视。因此，未来调度算法必须充分考虑能耗特性、带宽约束、服务水平协议等实际条件。

与推理任务相对应，很多从业者对训练任务的可调度能力更加关注，通用训练框架的30分钟回滚机制确实可以通过训练任务的“暂停”或“重启”实现时间层面的调节，但由于当前训练任务具有数据量大、计算强度大、机会成本高等特性，在非应急场景下进行调度或调节不太具有经济可行性。但值得关注的是，快速发展的智能体任务会打开未来计算负载的可调节空间，智能体作为生产力变革的主要载体，其在千行百业中的应用使得任务具有更强的成本敏感性、更多元的时延要求，例如，清鹏电力交易智能体需要实盘响应时延要求高，而研发智能体具备小时级甚至跨天级别的调节空间。当智能体任务成为主流，才会产生算力调度领域更海量的“灵活性资源”。

在市场层面，关键问题是建立能够促进电力市场与算力市场价格协同的机制，引导算力与电力协调运行。

当前研究主要关注电网如何通过定价和激励，引导用户调整用电需求，也就是需求响应。尽管需求响应已得到广泛研究和应用，数据中心却不同于商业建筑、居民用户和工业企业等传统参与者。数据中心用户对服务质量的要求更严苛：空调温度升高1摄氏度或许尚可容忍，但推理任务延迟1分钟往往难以接受。参与需求响应可能引发服务质量风险，而这类风险未必能够被节省的电费抵消。同时，数据中心承载着高价值计算资源，如果设备因需求响应而闲置，相关投入可能难以在运营周期内充分摊销，反而造成经济损失。在当下人工智能竞赛的关键时点，需求响应缺少双方都能接受的定价方案，也会降低数据中心参与需求响应的积极性。

因此，需要针对数据中心的特点设计专门的定价或激励机制，充分挖掘其在需求响应中的潜力。数据中心能耗密度高、用能调节灵活，本身具备良好条件；真正的难点，是在保障服务质量的前提下制定参与策略。当前，价格机制和响应策略往往由不同主体分别设计。如何从更高层次出发，让价格机制与响应策略双向互动、实现全局优化，仍是有待破解的重要问题。

算电协同是一个多维度、跨尺度的研究领域：小到一次推理请求的算力分配，大到跨区域算力网络与电网的长期规划，都属于它的研究范围。它并不是简单地为数据中心寻找更多电力，也不是单纯要求人工智能降低能耗，而是让计算技术、电力系统和市场机制从各自优化走向共同优化。

随着智能体、世界模型、多模态模型以及未来自主智能系统的发展，人工智能正在从一次性的模型调用走向持续运行的智能基础设施。届时，算力与能源之间的关系将更加紧密。只有将计算系统、电力系统和市场机制纳入统一优化框架，才能在保障人工智能性能的同时，实现能源成本降低、绿色能源消纳提升和电力系统稳定运行。

算电协同不只是单纯的技术命题，本质上是一场涉及能源安全与治理、产业发展与市场机制的制度重构。当前，我国已通过“东数西算”工程和算电协同、绿电直连等试点完成了初步政策布局，但距离形成系统性的制度供给仍有明显差距。面向未来，政策端亟需在三个层面同步破题：在规划层面，将算力基础设施纳入区域能源综合规划的前置考量，进一步优化东数西算布局与绿电比例要求，建立数据中心选址与可再生能源资源禀赋、电网消纳能力的对接机制；在调度层面，积累多任务算力类型能碳模型、调节能力模型的刻画，发展多目标下算力调度技术，为算力进入成熟发展期优化资源配置储备核心技术；在市场层面，优化算电尤其是绿色算力相关价格政策，探索算力服务与绿电采购、碳配额挂钩的联动交易品种，让价格信号真正成为引导时空匹配的有效杠杆。唯有政策和技术工具箱足够完备、制度创新留有充分空间，算电协同才能从试点探索走向常态化运行，为绿色人工智能社会的构建提供坚实而持久的能源制度保障。

（陈成为南方科技大学计算机科学与工程系研究助理教授，张国祯为四川清鹏算电科技有限公司CTO，李中阳为清华电子院能源电子中心主任、清鹏AI创始人，唐珂为南方科技大学计算机科学与工程系讲席教授。原文发表于《南方能源观察》）

编辑 姜黎

审核 韩晓彤

排版 江涛