科技产业

2026年的人工智能与数据中心:为何电力正成为科技领域最大的瓶颈

AI and Data Centers in 2026: Why Electricity Is Becoming Tech's Biggest Bottleneck

人工智能正将数据中心转变为主要的电力消耗大户。本文将探讨国际能源署(IEA)最新的2026年数据、GPU和制冷技术的作用、电网瓶颈、环境权衡,以及不断增长的能源需求对科技行业意味着什么。

人工智能常被描述为一场软件革命,但每一项人工智能应用都依赖于物理基础设施。处理器需要电力,服务器会产生热量,而数据中心则依赖于制冷设备、变压器和电网连接。 电力供应正逐渐成为人工智能部署的战略性制约因素。

根据国际能源署2026年4月的分析,2025年全球数据中心的用电量达到约485太瓦时。 该机构的核心预测显示,到2030年,消耗量将达到约950太瓦时,接近全球电力需求的3%。后者为预测数据,并非实际观测结果。

为何人工智能会增加电力需求

人工智能模型的训练可能涉及大量专用加速器长时间运行。 推理——即为用户运行模型的过程——也会消耗电力。具体耗电量因模型规模、硬件配置、输入长度、输出长度以及任务类型而差异巨大。

一段简短的文本回复与一项复杂的推理或视频生成任务无法相提并论。目前尚无关于单条AI提示语能耗的可靠通用数据。

国际能源署(IEA)报告显示,2025年数据中心总用电量增长了约17%,而专注于AI的设施的能耗增长速度则显著更快。传统云服务及其他数字工作负载也推高了总需求。

每台服务器机架的功率更高

现代AI设施将强大的加速器密集地安装在日益紧凑的机架中。 更高的功率密度给电力分配、备用系统和冷却系统带来了挑战。数据中心并不一定能通过在现有机房中增加机架来扩容:其供电和冷却基础设施可能需要进行重大升级。

在某些高密度部署中,先进的液体冷却系统能更有效地将处理器产生的热量转移出去。然而,液体冷却并不一定意味着更低的用水量。 其对环境的影响取决于冷却回路的设计、外部散热系统、当地气候以及电力结构。

理解 PUE

电源使用效率(PUE)是设施总能耗与 IT 设备能耗之比:

PUE = 设施总能耗 / IT 设备能耗

假设 PUE 为 1.20,则该设施每消耗 1 单位计算设备用电,就会消耗 1.20 单位的电力。如果 IT 负载全年平均为 1 MW,则其耗电量为 8.76 GWh;设施总耗电量约为 10.51 GWh。 PUE 描述的是基础设施的开销,而非碳强度或所执行计算的实用性。

电网接入可能延误 AI 项目

电力基础设施的建设通常比计算机基础设施耗时更长。新建数据中心可能需要变电站、变压器、输电升级以及新的发电能力。 即使开发商已经购置了服务器,设备交付、许可审批和电网接入的延误仍可能导致项目推迟。

Illustration of the article's main concept

这改变了竞争格局。能够可靠获得合适选址和电力供应的企业,可能比预算相当的竞争对手更早部署计算能力。

这种影响具有地域性。位于备用发电能力附近的数据中心所面临的挑战,与接入拥堵电网的数据中心截然不同。

数据中心会导致电价上涨吗?

新增的大规模用电负荷可能需要对电网和发电设施进行投资。根据电价规则及成本分摊方式的不同,其他消费者可能需要分担部分费用。

但并非所有地区电价都会必然上涨。新增需求有时反而能提高现有基础设施的利用率。具体后果取决于当地的供电能力、监管政策、电力合同,以及设施在电网负荷压力期间能否降低能耗。

关键问题在于:谁来承担新基础设施的建设成本?供电能力能多快得到扩充?以及该设施对供电可靠性提出了哪些要求。

可再生能源、核电和天然气

科技公司正在探索多种保障电力供应的途径。

风能和太阳能发电可提供低碳电力,通常通过长期购电协议实现。其发电量波动较大,需要相应的平衡和可靠性保障措施。

核电可提供不受天气影响的低碳电力,但新项目可能面临建设周期长和监管方面的挑战。

天然气发电是另一种选择,包括在电网接入延迟时进行现场发电的方案。这可能会增加排放,并带来对燃料和设备的依赖。

没有任何单一能源来源能解决所有问题。 可靠性、成本、开发周期、当地法规以及碳强度都至关重要。

碳排放与用水量

电力消耗不等同于温室气体排放。数据中心相关的排放量在很大程度上取决于所消耗的电力,以及设备制造和建设过程。

水足迹也各不相同。 有些冷却设计采用蒸发式系统;有些则采用其他方法。发电和半导体制造还会增加间接用水量。

声称每个 AI 请求都有固定的电力或水足迹,这种说法过度简化了系统——实际上,系统的地理位置、硬件、工作负载和运行条件存在显著差异。

Technical workflow illustration

透明的报告应区分数据中心总活动与AI特定工作负载,并区分运营影响与生命周期影响。

能效提升能否扭转这一趋势?

AI硬件和软件的能效正在提高。量化、更小的专用模型、缓存、批处理以及改进的推理调度,均可减少特定任务所需的资源。

然而,成本的降低可能会鼓励更广泛的应用。更多应用程序可能会集成人工智能,部分用户可能要求计算强度越来越高的服务。

因此,尽管单项任务的能耗可能下降,但总用电需求却可能上升。效率提升固然重要,但其净效应必须结合应用普及程度和工作负载增长来衡量。

人工智能也能改善能源系统

人工智能可协助进行需求预测、电网维护、可再生能源发电预测以及工业流程优化。这些应用可能帮助运营商更有效地利用基础设施。

潜在效益不应自动被视为对人工智能自身电力消耗的抵消。实际节省量取决于部署质量、数据访问、治理和计量。

开发者和企业能做些什么

软件团队可以通过选择规模合适的模型、缓存可重复的结果、减少冗余请求以及衡量实际工作负载成本,来避免不必要的计算。采购人工智能服务的企业应考虑可靠性、定价透明度、数据驻留地以及环境报告。

基础设施运营商应统筹规划电力供应、制冷、电网接入和设备采购,而非将电力视为事后考虑的因素。

结论

人工智能领域的竞争已不再仅限于算法和处理器。电力基础设施、制冷技术、电网接入和能源供应链如今都影响着计算能力的部署速度。

国际能源署(IEA)预测,到2030年全球数据中心用电量将达到约950太瓦时,这说明了挑战的规模,但结果仍不确定。更先进的硬件、更智能的软件、电网投资以及负责任的规划都将共同决定最终结果。

人工智能革命的下一阶段,不仅取决于计算机能计算什么,还取决于我们能否高效、可靠地为其供电。

官方参考资料