當AI開始比拚電力，為什麼中美的制度差異也變成了算力的一部分？

過去幾年，人們談論中美人工智慧競爭，注意力大多集中在晶片上。

美國擁有全球最先進的AI晶片企業，也透過出口管制限制中國獲得部分先進計算晶片。中國則一方面加快國產晶片的發展，另一方面嘗試透過更大的計算集群、高速互聯、軟體優化和系統架構，彌補單顆晶片性能上的差距。

按照這個邏輯，中國似乎還應該面對另一個更加明顯的問題：電力。

如果性能較低的晶片需要透過增加數量來獲得相近的計算能力，不僅意味著更多伺服器和機櫃，也可能意味著更高的整體耗電。AI資料中心本來就是用電大戶，如果單位計算能力需要消耗更多能源，中國發展大規模AI基礎設施面對的電力壓力，理論上並不會比美國小。

然而，當AI建設真正進入大規模擴張階段以後，中美面對的問題開始表現出不同的形態。

美國擁有全球最高效的一批AI晶片，卻越來越頻繁地討論資料中心什麼時候能夠接入電網、新的發電能力從哪裡來、誰來承擔輸電投資，以及資料中心擴張會不會推高居民電價。

中國同樣面對迅速增長的資料中心用電需求，但它正在把算力基地、能源基地、電網建設和區域發展放進一個更統一的規劃框架之中。

這個差異提醒我們：

當AI從晶片和演算法競爭進入大規模基礎設施競爭以後，一個國家擁有多少真正可用的「算力」，已經不能只看它擁有多少GPU。

電力，以及組織這些電力的能力，也正在成為算力的一部分。

AI為什麼突然變成了一個能源問題？

資料中心當然不是AI時代才出現的。

搜尋引擎、電子商務、線上影片、雲端運算和社群網路早已需要大量伺服器。但是生成式AI迅速擴大了資料中心的用電規模，也提高了單個機櫃和單個園區的功率密度。

大型模型訓練往往需要成千上萬甚至更多AI加速器同時運行，而隨著AI應用進入搜尋、辦公、程式設計、廣告、醫療和企業服務，模型推理還會形成更加持續的計算需求。

國際能源署估計，全球資料中心2024年消耗約415太瓦時（TWh）電力，占全球用電量約1.5%；到2030年，這一數字可能增加到約945 TWh。

其中，美國和中國將成為增長最明顯的兩個國家。

這意味著，AI競爭正在出現一個過去並不突出的新問題。

過去，人們首先問的是：

誰能夠獲得更多、更先進的GPU？

現在還必須再問一句：

即使GPU已經運到了資料中心，電從哪裡來？

一個需要幾百兆瓦甚至超過1吉瓦電力的大型資料中心園區，並不是接上一條普通電線就能夠運行。它可能需要新的變電站、新的高壓輸電線路，甚至新的發電設施。

於是，一個原本看起來屬於電腦產業的問題，開始進入能源政策、土地規劃、電價監管和公共治理領域。

中國的一種辦法，是讓算力跟著能源重新布局

中國長期存在一個明顯的能源與經濟地理差異。

網際網路、金融、製造業和數位經濟最活躍的地區主要集中在東部，而大量煤炭、風能、太陽能以及適合建設大型能源基地的土地，則更多分布在西部和北部。

如果大型資料中心繼續高度集中在北京、上海、廣東、浙江等地區，土地、電力和環境容量都會越來越緊張。

2022年全面啟動的「東數西算」工程，就是試圖改變這種布局。

中國在京津冀、長三角、粵港澳、成渝，以及貴州、內蒙古、甘肅、寧夏布局八大國家算力樞紐節點，並建設十大資料中心集群。

其中一個重要思路，就是把一部分對網路延遲要求沒有那麼高的計算任務，引導到能源和土地條件更合適的地區。

這意味著，中國解決算力能源問題時，並不只問：

怎樣把更多電送到資料中心？

它同時也在問：

能不能把一部分計算任務搬到能源更加充足的地方？

大型模型訓練、資料處理、備份以及部分非即時計算，並不一定需要位於北京、上海或者深圳附近。只要網路傳輸和任務調度條件允許，計算中心完全可以建設在距離大型能源基地更近的地方。

到了2026年，這個思路又進一步發展成為所謂的「算電協同」。

簡單來說，就是不再把電力系統和算力系統看作兩個彼此獨立的基礎設施，而是考慮算力設施應該在哪裡建設、什麼時候運行，以及怎樣與當地風電、光電、煤電、儲能和電網條件相互配合。

這其實重新提醒人們一個常常被數位經濟掩蓋的事實：

網際網路可以傳輸資訊，卻沒有消除物理世界。

伺服器仍然需要土地，晶片仍然需要電，電仍然需要發電設施和輸電網路。

真正不同的，是這些基礎設施怎樣被組織起來

中國在這一領域表現出來的能力，與它長期形成的基礎設施建設模式密切相關。

中國主要電網企業以及大量能源、通信和大型數位基礎設施企業具有國有背景。中央政府確定發展方向之後，能源政策、電網建設、產業布局、土地開發和地方政府投資可以在較大的政策框架內協調。

因此，「建設AI算力」並不一定只是某一家科技公司的商業投資。

它還可以同時成為能源工程、電網工程、區域發展工程和產業政策的一部分。

例如，在新能源資源豐富的地區建設大型能源基地時，可以同時考慮資料中心；在規劃新的算力集群時，也可以把當地電力供給、電網容量和綠色電力消納納入規劃。

截至2025年底，中國八大國家算力樞紐及其十大資料中心集群已經形成了全國絕大部分智算能力。進入2026年以後，「算電協同」又被進一步提升到國家層面的基礎設施政策之中。

這正是中國制度在這一類問題上比較明顯的特點。

一旦某項基礎設施被確定為長期戰略方向，國家可以比較容易地推動跨行業、跨地區和跨政府部門的協調。

過去幾十年，高速鐵路、高速公路、港口、電網和新能源產業的發展，都不同程度體現了這種能力。

AI基礎設施正在進入類似階段。

美國為什麼更加頻繁地遇到「電從哪裡來」的問題？

美國當然並不是一個缺少能源的國家。

美國擁有豐富的天然氣資源，也擁有巨大的風能、太陽能和核電基礎。今天困擾很多資料中心項目的，往往不是美國全國有沒有足夠的能源，而是這些能源能否在需要的時間，透過足夠的輸電和配電能力，到達資料中心準備建設的地方。

美國的電力系統高度區域化，同時涉及聯邦、州和地方多個層級。

科技公司決定建設一個資料中心，並不意味著當地電力公司可以立即增加幾百兆瓦供電能力。

新的大型負荷可能需要電網研究、變電站升級、輸電線路建設以及新的發電能力。不同地區又由不同的公用事業公司、電網營運機構和監管機構負責。

誰承擔這些投資，也是一個非常現實的問題。

如果電力公司為了滿足某個大型資料中心的需求建設新的輸電和發電設施，這些成本應該由科技公司承擔，還是由所有用戶共同承擔？

如果新的輸電線路需要經過私人土地，土地所有者有什麼權利？

如果當地居民擔心水資源、噪音、空氣污染或者居民電價，又應該擁有多大的發言權？

這些問題並不是AI帶來的，但AI資料中心的規模突然把它們集中暴露出來。

到2026年，美國聯邦能源監管委員會已經開始專門處理資料中心等「大型負荷」怎樣接入輸電系統的問題，並要求區域電網營運機構重新審視相關規則。

這說明，資料中心接入電網已經不再只是某家科技公司與某家電力公司之間的商業問題，而正在成為美國電力制度本身需要解決的問題。

於是，美國基礎設施建設經常會表現出一種看起來很矛盾的狀態：

資本可能已經準備好了，GPU也可以買到，土地甚至已經確定，但電力接入仍然需要等待。

這並不只是技術能力的問題。

它也是制度運行方式的結果。

中國的效率與美國的阻力，都有制度來源

如果只比較建設速度，很容易得出一個簡單結論：

中國效率更高，美國效率更低。

但這種比較並不完整。

中國可以更快協調能源、電網、土地和大型算力基地，是因為政府在基礎設施規劃和資源配置中擁有更強的協調能力。

美國建設過程更加複雜，則部分來自權力被有意分散。

地方政府可以提出條件，居民可以參加公共聽證，土地所有者可以反對輸電線路，公用事業監管機構可以審查投資是否合理，環保規則可能要求環境評估，爭議還可能進入司法程序。

這些機制確實可能拖慢基礎設施建設。

但它們同時也在回答另外一些問題：

誰有權決定一個社區應該接受什麼項目？

誰來承擔基礎設施成本？

誰應該從中獲益？

如果大型資料中心需要大量水、電和土地，當地居民是否應該擁有改變項目的權力？

因此，中美之間真正值得比較的，並不是簡單的「效率」和「低效率」。

它更像是兩種制度長期形成的不同取捨。

中國更容易在確定國家戰略目標以後集中資源推進大型基礎設施建設。

美國則賦予企業、地方政府、監管機構、土地所有者和普通居民更多談判、修改、延緩甚至阻止項目的機會。

前者提高了動員和建設能力。

後者增加了協調成本，但同時保留了更多制衡機制。

過去，這種制度差異更多體現在高速鐵路、電網、港口、公路和新能源建設上。

AI正在把它帶進算力競爭。

當制度本身開始成為算力的一部分

這也讓中美AI競爭出現了一個很有意思的局面。

美國擁有目前世界上最先進的一批AI晶片，因此能夠用更少的晶片獲得更高的計算能力，並擁有較好的單位算力能效。

中國在先進晶片受到限制的情況下，則更多依靠國產晶片、更大的計算集群以及軟體、互聯和系統工程來縮小差距。

這樣的路線可能需要付出更高的設備和能源成本。

但如果一個國家能夠更快增加發電能力、更快建設輸電網路，並且更容易把大型資料中心布局到能源條件合適的地區，那麼晶片效率上的一部分劣勢，就有可能被基礎設施規模和系統能力所彌補。

反過來也一樣。

擁有世界上最先進的GPU，並不意味著能夠無限增加AI算力。

如果一個資料中心已經擁有最先進的晶片，卻需要幾年才能獲得足夠的電力，那麼真正限制它的就不再是GPU，而是電網。

當然，這並不意味著中國已經解決了AI時代的能源問題。

中國的資料中心用電同樣正在快速增長。國家有關部門公布的資料表明，2025年全國在用算力基礎設施總用電量已經接近2000億千瓦時，而且仍在高速增加。大規模建設算力設施還要面對能源效率、投資利用率、跨區域調度以及新能源波動等問題。

同樣，美國也並非只能接受現有制度帶來的緩慢建設速度。

美國正在調整大型負荷接入規則，推動新的發電、儲能和輸電能力，一些科技公司也開始直接參與能源項目。

真正發生變化的，是我們理解「算力」的方式。

過去，人們很容易把算力理解成：

GPU數量 × 單顆晶片性能。

AI時代正在讓這個公式變得複雜得多。

晶片只是第一層。

晶片後面還有伺服器、冷卻系統、資料中心、發電能力、輸電線路、土地、資本，以及決定這些基礎設施能不能建、在哪裡建、由誰付錢的制度。

從這個意義上說，中美AI競爭正在進入一個新的階段。

未來真正決定一個國家能夠運行多少AI計算的，不僅是它能夠製造或者獲得多少先進晶片，也包括它能夠以多快的速度，把能源、電網和資料中心組織起來。

當AI開始比拚電力以後，制度本身，也開始變成算力的一部分。

文 ｜ 語間