一场规模超过5万亿元的电网建设，正在改变中国未来的能源布局。这一次，国家投入巨资，不只是为了多建几座变电站、多架设几条输电线路，更重要的是让整个电力系统适应新能源汽车、人工智能和新能源产业快速发展的需求。
2026年7月21日，国家发展改革委、国家能源局印发《新型电力系统建设“十五五”规划》，8月3日正式公开。按照中国电力企业联合会披露的信息，2026年至2030年，全国电网固定资产投资预计达到5万亿元以上，比“十四五”时期增长超过80%。
其中，一个直接关系到普通人生活的目标格外醒目：到2030年，全国充电基础设施总量超过4000万个，大功率充电设施约30万个，形成支撑超过1.1亿辆电动汽车的充电服务能力。
这意味着，未来新能源汽车的发展，不能只依靠汽车企业提高电池容量、缩短充电时间，还必须有足够强大的电力网络作为支撑。而电网面临的变化，远不止汽车充电。
传统电力系统主要依靠大型发电厂集中发电，再通过输配电网络向用户送电。随着分布式光伏、储能设备和电动汽车快速普及，越来越多用户不仅消费电力，也可能参与发电、储电和电网调节。
因此，新型电网必须具备更强的双向互动能力。按照相关建设安排，“十五五”期间将新增投产15回左右特高压直流输电通道，西电东送规模超过4.2亿千瓦，并通过区域电网互济工程进一步提升跨区域电力调配能力。
对于中国而言，这项建设具有明显的现实意义。西部、北部拥有丰富的风光资源，东部地区则集中了大量工业生产和电力消费需求。
通过扩大跨区域输电能力，可以提高能源资源的配置效率。与此同时，城乡配电网、智能微电网以及储能设施也将同步升级。
根据有关规划，到2030年，新型储能装机规模达到3亿千瓦，虚拟电厂调节能力达到5000万千瓦以上。这些设施和技术将为高比例新能源接入电力系统提供更多调节手段。
普通居民能够感受到的变化，则体现在供电可靠性、充电便利性和分布式能源利用等方面。对于部分具备条件的电动汽车，未来还可以通过车网互动技术，在满足车辆使用需求的前提下参与电力调节。
但有一个问题比建设规模本身更值得关注。中国为什么要在这一阶段如此大规模地升级电网？
除了新能源汽车和制造业用电增长，一个正在迅速改变全球能源格局的因素，就是人工智能。
人工智能产业的竞争正在发生一场深刻变化。过去，科技企业主要围绕算法能力、芯片性能和算力规模展开竞争。
但随着大型模型训练和推理需求持续扩大，电力供应逐渐成为影响数据中心建设、运行成本和产业扩张速度的重要因素。算力并不是脱离物理世界独立存在的资源。
无论是芯片运行、服务器通信，还是设备散热，都需要持续消耗电力。即使企业拥有充足的资金和计算芯片，如果无法获得稳定、可靠的能源供应，数据中心仍然难以按计划投入使用。
能源供应的重要性还体现在计算成本的变化上。对于大型数据中心而言，电力已经不只是日常运营中的普通支出，而是关系到资产盈利能力和长期竞争优势的关键变量。
国际能源署2025年发布的《能源与人工智能》报告预测，到2030年，全球数据中心年度耗电量可能达到945太瓦时，接近一万亿千瓦时。美国和中国是这一轮数据中心用电增长的主要市场。
不过，数据中心用电规模快速增长，并不意味着所有国家都会以相同方式遭遇电力短缺。美国面临的突出问题，并非全国范围内缺乏能源资源，而是新增用电需求与电力基础设施建设速度之间存在矛盾。
美国部分地区长期以来电力负荷增长缓慢，现有电网和发电设施主要按照传统需求规模进行规划。当人工智能数据中心集中建设，突然带来大量新增负荷时，原有系统需要重新评估供电能力，并提前安排发电和输电设施扩建。
这一过程涉及电网接入审批、发电项目建设、供电可靠性评估以及地方监管等多个环节。摩根士丹利相关预测曾指出，美国数据中心未来可能面临规模较大的电力供应缺口。
但这类预测反映的是潜在风险，并不等于已经出现同等规模的实际缺电。对科技企业而言，关键矛盾在于时间。
计算芯片可以通过采购获得，服务器和机房能够借助资本投入加快建设，但电厂投产、电网扩容和接入审批无法完全按照互联网产品的迭代速度推进。微软、谷歌、亚马逊、Meta和甲骨文等大型科技企业，在人工智能基础设施方面投入巨额资本。
随着算力建设规模扩大，部分企业开始探索自建电源或专用供电设施。天然气发电成为美国科技企业关注的重要选择之一。
美国天然气资源丰富，相关发电技术成熟，能够提供相对稳定的电力供应。Meta围绕路易安那州的数据中心建设规划了多座天然气发电设施，总装机容量超过5.2吉瓦。
亚马逊在得克萨斯州的数据中心园区规划中，也涉及大规模专用天然气发电设施。马斯克旗下xAI在美国孟菲斯建设算力设施时，也通过配置燃气轮机及储能设备，寻求在公共电网供电能力尚未完全满足需求时维持计算设施运行。
这种做法虽然可以提高企业对供电时间的控制能力，却也带来了新的挑战。互联网企业需要承担电力设备建设、运行维护以及能源采购等原本并不属于其核心业务的工作。
更加复杂的是，人工智能用电增长开始对美国大型科技企业此前制定的绿色能源目标形成压力。部分国际科技企业曾经通过长期购买可再生能源电力、签订绿色电力采购协议等方式，实现年度用电量与可再生能源采购量之间的匹配。
但年度总量匹配，并不等于数据中心在每一个小时都能获得相同数量的清洁电力。人工智能计算设施具有负荷较高、连续运行时间较长的特点，而风电、光伏发电具有波动性。
这对储能、跨区域输电和电力调度提出了更高要求。能源采购策略的变化，也使美国数据中心与当地居民之间的利益关系更加复杂。
在数据中心集中分布的地区，新增大型负荷可能影响发电容量需求、电网建设成本以及电力市场价格。然而，将居民电费上涨完全归因于数据中心建设并不严谨。
美国PJM区域电力市场的运行机制具有一定代表性。在这类市场中，新增数据中心不仅可能影响当期供需关系，还可能通过未来发电容量采购机制，提前影响电力成本。
如果预计几年后将有大型数据中心投入运行，市场就需要提前安排新增发电容量，并通过相应机制为发电投资提供收益预期。但数据中心对电价的影响具有阶段性。
如果现有电厂和输电设施尚有较多闲置能力，新增稳定用电负荷可能提高资产利用率。反过来，当负荷增长超过现有设施承载能力，就必须增加发电和电网投资，成本也可能随之上升。
与美国相比，中国人工智能基础设施发展的重要特点，是拥有规模庞大且仍在扩张的电力系统。中国发电装机规模和年度发电量位居世界前列，水电、火电、风电及光伏发电已经形成较为完整的产业体系。
这种规模优势，为新增数据中心负荷提供了较大的发展空间。相关研究估计，2025年中国数据中心行业全年用电量约为1700亿至1800亿千瓦时，占全社会用电量的比例约为1.6%至1.7%。
按照受访研究人员的情景估计，未来数据中心用电规模可能增长至每年4000亿至6000亿千瓦时。即使达到这一水平，数据中心在中国整体电力消费中的占比预计仍然相对有限。
这意味着，中国人工智能产业面对的能源问题，并不是简单的全国电力总量不足，而是如何让不同地区的电力资源与算力需求更加有效地匹配。中国的能源分布与经济活动分布并不完全重合。
长三角、珠三角和京津冀拥有较为集中的产业活动、企业客户和算力需求，而内蒙古、宁夏、甘肃、新疆等地区具有较丰富的风能、太阳能资源，以及相对充足的土地条件。将所有数据中心都集中建设在经济发达地区，会受到土地价格、电力成本和可用空间的约束。
但如果全部转移到能源资源丰富的地区，又必须考虑网络传输、运行可靠性以及不同计算任务对时延的要求。中国提出的算电协同，正是围绕这些问题探索能源系统与计算基础设施之间的协调关系。
这一协调不只是把数据中心搬到电价较低的地区，而是涉及地方政府、算力企业和能源企业之间的多方利益平衡。地方政府希望通过数据中心建设带动投资、产业发展和经济增长。
不过，数据中心与传统制造业在地方经济中的作用并不完全相同。大型数据中心建设期间会带来设备采购、工程建设及相关投资，但投入运营后，通常并不需要与投资规模相匹配的大量就业人员。
地方政府真正需要解决的问题，是如何把数据中心建设形成的电力、网络和计算基础设施，转化为更广泛的产业发展条件。能源企业则有不同的考虑。
随着风电、光伏装机快速增长，部分地区面临新能源发电量与本地用电需求不能完全匹配的问题。数据中心具有规模较大的持续用电需求。
如果能够在新能源资源丰富的地区布局，就有机会增加当地电力消费，为新能源发电提供新的消纳空间。但算力需求与新能源发电并非天然匹配。
大型数据中心要求供电连续、可靠，而光伏发电主要集中在日间，风电出力则具有更明显的不确定性。电力系统必须在每个时刻维持发电与用电之间的平衡。
新能源出力突然下降，或者数据中心负荷出现明显变化，都需要其他电源、储能设备或电网调节资源及时响应。由此形成了两种主要的协调思路。
一种是依靠大电网，将不同类型电源和用电负荷接入统一系统，通过更大范围内的资源调配平衡供需波动。另一种是探索绿电直连、源网荷储一体化和新能源就近消纳等方式，通过专用线路、储能配置和负荷调节，实现新能源发电与数据中心用电之间更紧密的匹配。
算力自身也存在参与电力系统调节的可能性。不同计算业务对完成时间的要求并不一致。
在线交互、视频服务等业务对延迟较为敏感，而部分模型训练、批量计算和非紧急推理任务，在一定条件下具有调整计算时间的空间。
如果新能源发电充足、电价较低，企业可以适当增加具备弹性的计算任务；当新能源出力下降、电价较高时，则可以调整部分非紧急计算负荷。通过这种方式，数据中心有机会从单纯的电力消费者，转变为能够在一定程度上参与供需平衡的可调节负荷。
在中国算力基础设施的区域布局中，内蒙古乌兰察布具有一定代表性。乌兰察布具备较低的平均气温、较丰富的风光资源以及距离北京相对较近等条件。
较冷的自然环境有利于降低部分数据中心冷却系统的能耗。数据中心的能源效率通常使用PUE指标衡量，即数据中心总能耗与信息技术设备能耗之比。
PUE越接近1，意味着冷却、配电等辅助系统的能源消耗相对越少。乌兰察布的另一个优势，是与北京之间具有一定的地理距离和网络连接条件。
对于不需要极低交互延迟的模型训练、批量推理等任务，企业可以在满足网络需求的情况下，将部分计算负荷放在能源成本较低的地区。传统互联网业务中的短视频播放、即时互动等服务，对网络时延比较敏感。
但部分人工智能业务的计算时间本身较长，用户提交任务后，系统需要进行复杂运算，最终返回的可能只是一段文字、一份报告或其他处理结果。
因此，未来算力基础设施可能进一步形成分层布局：对实时响应要求较高的业务靠近需求中心，对时延容忍度较高、耗电规模较大的任务，则更多考虑能源条件与成本优势。不过，所谓低电价仍然需要结合具体项目分析。
企业能否获得低价电力，还取决于新能源采购方式、专用线路建设、储能配置以及地方配套条件。对于年耗电量达到数十亿千瓦时的大型数据中心，即使每度电仅相差几分钱，也会对全年运营支出产生明显影响。
除了价格和可靠性，绿色能源消费也逐渐成为中国数据中心企业的重要经营约束。中国绿色电力交易试点启动后，科技企业和数据中心运营商成为积极参与绿色电力市场的群体之一。
部分企业通过直接采购绿色电力、购买绿证以及参与新能源项目建设，提高可再生能源消费规模。不过，企业绿色电力采购总量的增长，并不必然意味着绿色电力消费比例同步提高。
如果人工智能业务带来的新增用电量增长更快，企业即使购买了更多绿电，可再生能源占比也可能面临压力。在这种背景下，电力采购能力、能源管理水平、PUE、可再生能源比例和长期电价稳定性，都可能成为影响数据中心企业竞争力的重要经营指标。
人工智能对能源体系的影响，还进一步传导到了金融领域。大型数据中心是典型的资本密集型资产。
项目建设需要投入大量资金购买设备、建设机房和配套设施，投资回收周期也相对较长。中国数据中心领域已经出现持有型不动产ABS等产品。
2025年3月，中信证券与万国数据合作发行了数据中心相关持有型不动产ABS。同年，太保资产与世纪互联合作的绿色数据中心相关资产证券化产品也取得进展，规模约8.6亿元。
2025年8月，南方万国数据中心REIT和南方润泽科技数据中心REIT上市，募集资金规模分别约为24亿元和45亿元。这些金融工具使数据中心企业有机会将成熟项目产生的长期现金流转化为金融资产，再通过资金回收支持后续建设。
但资产证券化并不会消除数据中心的经营风险。如果供电价格大幅波动，就可能直接压缩经营利润，影响项目可供分配的现金流。
人工智能的大规模应用，再次将能源供应推到产业竞争的核心位置。计算活动无法摆脱物理能耗约束。
无论模型算法如何优化，信息处理都需要依托现实中的计算设备和能源系统。美国科技企业尝试通过自建电源和能源投资缩短项目建设周期，中国则在大规模电力体系的基础上，探索算电协同、新能源就近消纳以及跨区域算力布局。
对中国而言，电力工业规模庞大、可再生能源产业链较为完善，为人工智能算力基础设施发展提供了有利条件。但这些资源优势能否转化为长期竞争力，还取决于电力市场机制、区域布局、储能技术、负荷调节和商业运营模式能否实现更有效的衔接。
未来大型数据中心的竞争，不会仅仅围绕服务器数量和算力规模展开。能够在控制融资成本的同时，建立稳定、经济、可靠且符合绿色转型要求的能源供应体系，将有机会在长期经营中形成更强的成本控制能力和发展韧性。
算力产业与能源产业之间的关系，也将从传统的电力采购，逐步拓展到基础设施共建、能源投资、供需协同和金融资本合作。能否把发电能力、计算能力和资金配置效率结合起来，将成为人工智能产业持续发展的重要课题。
热门跟贴