< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
2026-06-09 21:40:54 来源：量子位
全行业的Token焦虑何解？
允中 发自 凹非寺
量子位 | 公众号 QbitAI
6月5日，北京国家会议中心，原本能容纳上千人的会场被挤得水泄不通。
这场爆满的对谈，主角是腾讯集团高级执行副总裁汤道生、腾讯首席AI科学家姚顺雨。
这是姚顺雨加入腾讯半年多以来的首次线下公开亮相，这位明星AI科学家在会上抛出了一个关键判断——
AI下半场最重要的问题，不再只是找到更好的方法，而是找到真正值得解决的问题。
腾讯也借此次对话释放明确信号：AI竞争早已跳出模型参数、算力规模的单一比拼，进入模型、产品、场景、组织协同并行的全新阶段。
而其中一个关键问题在于，当下Agent成为技术核心，Token效率则是所有玩家必须攻克的难关。
“我也听到很多客户甚至同事们，也在紧盯着积分消耗或者Token消耗”，汤道生坦言，Token成本的爆发式增长已经成为行业共同的焦虑。
但Token焦虑背后，还有一个更底层的物理问题：每一个Token的生成，最终都要转化为GPU的一次次运算，转化为数据中心的一度度电。
当行业继续追逐模型、芯片和应用时，电力系统正在从后台的配套保障，走向AI基础设施的前台。
就在这场对谈的11天前，一场横跨能源与科技领域的高规格会议，已经点破了AI产业发展的这一核心矛盾。
5月26日，国家能源局在深圳召开全国“人工智能+”能源现场推进会，中国石油、国家电网、国家能源集团、阿里云和腾讯等能源、科技巨头企业齐聚一堂。
在这场高规格会议上，远景科技集团董事长张雷抛出了一个判断：
电力系统正在成为人工智能的主体工程，而非配套。
在他看来，能源不只是AI的底座，更是血脉和肌体。
如果解决不了智能生产全链路的能量管理问题，再强大的芯片也发挥不了作用。
这个判断，现在正被AI产业的现实压力不断验证。
姚顺雨曾在今年初另一场峰会上坦率地指出，中国目前在电力供应和基础设施方面具有显著优势，但主要瓶颈仍集中在高端制造环节——光刻机和软件生态系统。在他眼中，电力不是短板，而恰恰是底牌。
但底牌能否真正变成优势，取决于电力系统能否跟得上AI基础设施的迭代速度。
大模型的每一次进步都伴随着数据中心功耗的指数级攀升。
据OpenRouter数据预测，从2025年到2030年，全球Token调用量将增长212倍。
而Token的每一次生成，最终都要转化为GPU的每一次运算，转化为数据中心的每一度电。
国际能源署最新报告显示，2025年全球数据中心总耗电量已达到485太瓦时，其中人工智能相关负载独占170太瓦时，占比超过三分之一；到2030年，全球数据中心年耗电量将几乎翻一番，达到950太瓦时，届时仅AI专用算力的耗电就将飙升至465太瓦时，这一数字已经超过了日本全国的年度用电量。
在中国，情况同样紧迫：2025年人工智能耗电量约为4500亿度，占全社会用电量的3.8%；到2026年，这一数字预计将达到6000亿度，占比升至5%，几乎相当于全国钢铁行业一整年的用电量。
过去，数据中心被视为电网中的一类重要负荷；未来，AI数据中心可能成为重塑电力系统规划、建设和调度逻辑的超级变量。
传统数据中心的时代，单个机柜的功率密度通常在3kW到5kW之间，整个机房的设计、配电、散热和运维都是围绕这一稳定区间建立的。
但AI数据中心正在彻底改写这一前提。
随着英伟达Blackwell架构的部署，单个机架在满负荷运行时的功耗已达到约130kW；而计划于2027年推出的Rubin架构，目标功率将直接冲向600kW，部分概念验证系统甚至指向1MW。
这意味着，单个机架的耗电量已经与数百户家庭的用电量相当。
GPU再强大，如果不能实现高功率密度的电流输入和高效散热，机柜功率就无法跃升至200kW、300kW。在这样的硬性物理约束下，再强大的芯片也只是一堆无法通电的硅片。
这场跃迁带来的冲击是全方位的。
首先是供电架构的彻底失效。
传统数据中心依赖的UPS配电体系、市电直供模式，在面对数百千瓦级脉冲式负载时，不仅效率骤降，更可能在毫秒级的功率波动中崩溃。
AI训练任务具有剧烈的脉冲式波动特征，成千上万块GPU在特定阶段瞬间同步启动，导致电力负荷在毫秒级内飙升又回落，这种高波动负载对电网的冲击远超传统云计算的平稳需求。
其次是散热瓶颈的急剧放大。
当机柜功率突破百千瓦，传统风冷技术已难以为继，液冷方案虽在快速普及，但据市场研究机构IDC预测，2025年中国液冷数据中心市场规模将突破200亿元，其部署仍面临与电力系统协同设计的复杂挑战。
更深层的问题在于电网接入能力。
在美国最大电力市场PJM Interconnection覆盖的区域，包括弗吉尼亚、马里兰、宾夕法尼亚等十个州，正是AI基础设施最密集的区域之一，而2025年该区域的电价已出现高达76%的“不可逆转”上涨。
电网互联的排队等待时间在部分地区长达5至10年，变压器、燃气轮机等电力设备的供应链紧张，正在物理层面限制数字世界的无限扩张。
张雷用了一个极具历史感的类比来概括这一矛盾：大模型大约每6个月就有一次重大迭代，芯片几乎是12个月一个版本，但电力系统在过去一百年间几乎没有发生大的变化。
当模型和芯片的指数级迭代，遇上电力系统的线性演进，AI基础设施的主要瓶颈，就会从“算力够不够”延伸到“电力系统能不能支撑算力持续增长”。
电力系统由此从后台走向前台，从配套保障变成主体工程。
当机柜功率冲向300kW，传统“能源归能源、算力归算力”的机械拼接模式难以为继。
能源企业在电网侧考虑的是稳定供电和负荷平衡，算力中心在机房侧考虑的是服务器密度和PUE，两者之间隔着规划审批、并网协议、电价谈判和物理距离，几乎没有任何实时协同。
张雷在发言中形容这种状态是“机械的割裂”——电源、储能、电网、电力电子、算力和大模型各自独立运转，像六台转速不同的齿轮强行咬合，摩擦损耗巨大。
这种行业割裂的代价已逐步显现。
在内蒙古、贵州等东数西算节点，算力中心建设速度远超电网接入和绿电消纳能力，只能依赖火电兜底；东部沿海负荷密集区域，又因土地、绿电指标受限，算力成本居高不下。
传统“先建能源、后搭算力”的线性建设思维，已然无法适配行业发展。
AI数据中心已经不再是电网中的普通负荷，而是高密度、高波动、全天候运行的超级负荷。它要求电力系统同时具备稳定性、灵活性、低碳性和经济性。
这也是“AI电力系统”提出的背景。
张雷认为，“AI电力系统”将成为破局关键。其本质上是能源系统与智能系统融合的人工智能基础设施，核心价值是打通电源、储能、电网、电力电子、算力与大模型，打破各环节各自为政的僵局。
要把这套理念落地，产业界需要回答三个关键问题：
张雷认为，AI电力系统可通过三层系统性突破，逐一解决行业痛点。
第一，搭建系统级智能中枢。
依托智能物联操作系统，接入风电、光伏、储能、算力设施等全品类设备，构建毫秒级实时协同体系，打造全域联动的“能源神经系统”，实现电力流与数据流的同步调度，替代传统人工事后调度模式。
第二，落地物理人工智能。
普通大语言模型缺乏物理规律约束，易产生决策偏差。
行业需融合数据智能与物理定律，依托气象、能源专属大模型，实现风光资源精准预测、算力与能源场站实时调控，推动行业从数字孪生向智能闭环进化。
第三，重构新型电力基础设施。
依托风光储一体化控制器、高压直流、构网型储能、智能机柜等新技术，完成从芯片到电网的系统性硬件重构，为智能化调度提供硬件支撑，而非简单叠加电力设备。
当算力中心单机柜功率冲向300kW，高功率密度供电与高效散热成为刚性约束；在有限的供电能力下实现机柜集群的动态功率管理、避免对电网造成冲击，同时以吉瓦级可再生能源稳定支撑算力中心运行，这些挑战必须依靠能源系统与智能系统的深度融合才能解决。
作为AI电力系统的开创者，远景走在了这场范式转移的最前沿，但这条路的终点，必将是整个产业的共同奔赴。
在电力系统这个领域，中国也正在探索一条截然不同的道路。
全球算力竞赛的终局正在从“谁有更多卡”转向“谁有更多电”。
但在中国，算力与电力的关系正在探索一条不同的解法——不是算力中心被动等待电网供电，而是让算力主动跟着风光出力曲线走。
这种“算力跟着风光走”的实践已非孤例。
但目前已有不少玩家实现了不同程度的高比例绿电供应，但其实践仍停留在绿电采购层面，能源系统与算力系统之间并未实现实时耦合。
更深层的融合，要求算力调度与电力调度进入同一套控制逻辑。远景在内蒙古的探索，代表了这种深度耦合的工程验证。
在赤峰，远景联合腾讯打造了全球首个系统级“算电协同”样本。
基于2GW级100%新能源独立电力系统，通过EnOS智能物联操作系统和能源大模型，实现风电、光伏、储能、算力和氢能之间的动态实时协同——
当风光出力波动时，系统自动调整制氢负荷与算力任务编排，让每一度绿电流向价值最高的环节。
公开信息显示，这是全球首个实现100%绿电直供的数据中心项目。该项目不仅构建了从发电到算力的全链路绿电供给体系，还将数据中心综合能源成本降低了40%以上。
与传统数据中心主要依赖电网供电、绿色属性难以追溯不同，远景AIDC强调“破墙重构”——打通从风机、光伏、储能到末端PDU（电源分配单元）的完整链路，对供能、配电、散热与调度进行一体化设计。
这一模式推动数据中心从过去单纯关注PUE（电能利用效率），迈向关注“每一度绿电能产出多少token”的“算效”新阶段。
与此同时，远景在乌兰察布打造的“星河基地”，尝试吉瓦级能源系统与算力系统的一体化原生融合，从风电光伏的出力预测，到储能系统的毫秒级响应，再到算力集群的任务编排，全部在同一套AI电力系统内完成闭环。
在远景看来，中国方案的独特性不在于单纯堆叠算力规模，而在于能源与算力的一体化融合，以及可持续的绿色电力供给。
从赤峰的能源自洽到乌兰察布的算力协同，这些项目验证了一个核心命题：未来的AIDC招标，电力系统方案的重要性将超越服务器配置。
决定一个算力中心能否落地、能否低成本运行、能否持续扩张的，可能不只是有多少张GPU，而是能否解决高功率密度供电、高效散热、动态功率管理和低成本绿电供给。
当算力竞赛的瓶颈从芯片延伸到电力，从模型参数延伸到能量管理，AI基础设施的竞争逻辑正在被重写。
谁能率先打通电源、储能、电网、电力电子和大模型能力，谁就有机会在AI下半场掌握新的主动权。
版权所有，未经授权不得以任何形式转载及使用，违者必究。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。