在所有关于 AI 算力成本的讨论里，token 单价是最容易看到、也最不重要的那个数字。真正决定 AI 能否规模化的物理约束在别处：电。
国际能源署（IEA）在《能源与 AI》报告中给出的数字是：2024 年全球数据中心用电量约 415 太瓦时（TWh），占全球总用电的约 1.5%。按基准情景推算，2030 年将达到约 945 TWh（2026 年 4 月更新为 950 TWh），占全球用电接近 3%；2035 年约 1,200 TWh。
六年间翻一倍多。IEA 执行主任比罗尔对此的评价是：未来五年内全球数据中心用电量将翻倍以上，2030 年的用电量相当于今天整个日本的总用电量。
而这条曲线的斜率比它的绝对值更值得警惕：2024 至 2030 年数据中心的用电复合增速约 15%，是同期其他所有行业增速的 4 倍以上。这不是一个行业在长大，而是一个行业的用电强度超过了所有其他行业的总和级扩张速度。
一、15% 对 4 倍：为什么这个对比让人不安
先把这组对比的准确含义说清楚，因为它常被误读。
| 指标 | 数值 | 口径 |
|---|---|---|
| 2024 全球数据中心用电 | 415 TWh | 占全球约 1.5% |
| 2030 基准情景 | 945 TWh（4 月更新 950） | 占全球接近 3% |
| 2035 预测 | 约 1,200 TWh | —— |
| 2024–2030 复合增速 | 约 15% | 是其他所有行业增速的 4 倍以上 |
「是其他所有行业增速的 4 倍以上」这个表述的分量在于，它的参照物不是某个行业，而是所有行业的加权平均。也就是说，数据中心用电的增长速度不仅快于任何一个单一行业，更是整体电力需求增速的四倍以上。这意味着它不仅在自己膨胀，还在持续抬高整个电力系统的扩张斜率。
2025 年的实际数据进一步加速了这个趋势：全球数据中心用电量增长 17%，而专注 AI 的数据中心增长高达 50%。注意这两个数字的差别——「数据中心」整体是 17%，「AI 数据中心」是 50%。这说明传统数据中心（企业自建服务器、托管等）的用电基本在原地，增量几乎全部来自 AI。
二、美国的曲线：从 4.4% 到 12%
全球数字之外，美国的数字更能说明电力系统的压力来源。
| 年份 | 美国数据中心用电 | 占美国总用电比例 |
|---|---|---|
| 2023 | 176 TWh | 4.4% |
| 2030（预测） | 580 TWh | 12% |
| 增量贡献 | 2030 前新增 240 TWh | 较 2024 增长 130% |
从 4.4% 到 12%，这个跨越是本轮 AI 电力问题的核心。一个行业占全国用电的 4% 时，它的增长是电力系统的一个扰动；占到 12% 时，它的波动会直接决定电价、电网投资节奏和天然气机组的启停策略。这不是同一类问题的两个数量级，而是两种性质的问题。
地域集中度让它更严重：美国近一半的数据中心容量集中在 5 个区域。「全国 12%」这个平均数会掩盖真实的局部压力——在那 5 个区域，局部电网的负荷占比可能远超 12%。同时 IEA 也指出，中美两国合计贡献了 2030 年之前全球数据中心用电增长的近 80%，这意味着全球最紧的这部分电力系统高度重叠。
IEA 2026 年发布的《Electricity 2026》还补充了一个关键判断：到 2030 年，数据中心将贡献美国近一半的新增用电需求。「一半的新增」意味着 AI 数据中心不再是电力的增项，而是电力增量的主要来源——任何关于新增电力装机构成的讨论，都必须把这一项放在第一位。
三、68 GW 对 30 GW：那个超过一半的缺口
如果用电量数据说的是「需求会来」，那么电网数据说的是「需求来不了」。摩根士丹利的测算给出了这轮最尖锐的一个数字：
| 指标 | 数值 | 年份 |
|---|---|---|
| 美国数据中心电力需求 | 31 GW | 2025 |
| 美国数据中心电力需求 | 41 GW | 2026 |
| 美国数据中心电力需求 | 66 GW | 2027 |
| 美国数据中心电力需求 | 68 GW | 2026–2028 合计 |
| 现有电网可供应能力 | 30 GW | 当前 |
| 缺口 | 超过一半 | —— |
68 GW 对 30 GW 这个对比是本轮 AI 电力约束最凝练的表达：需求规划的数字是现有供电能力的两倍多。而且注意需求侧的斜率——从 2025 年的 31 GW 到 2027 年的 66 GW，一年半翻一倍。电力基础设施的建设周期是数年到十年，需求却在 18 个月内翻倍，这个时间尺度的错配是硬约束，不是钱能立刻解决的。
美国电力研究院的测算给出了一个区间而非点估计：到 2030 年 AI 数据中心将新增 56 至 132 GW。区间跨度这么大（上下相差 76 GW）本身就是一个信息——它说明未来的电力需求预测在这个领域还没有收敛，情景之间的分歧远大于技术路线的分歧。做规划时用区间下沿做基准、用上沿做压力测试，是比取中位数更稳妥的做法。
高盛的另一组数据揭示了另一个维度的压力：数据中心负荷占夏季高峰负荷的比例，将从 2025 年的 4.1% 上升到 2026 年的 5.3%，再到 2027 年的 8.5%。夏季高峰占比比年度总量更能说明问题——因为峰时负荷决定电网是否需要备用容量，而备用容量的成本远高于日常发电成本。从 4.1% 到 8.5% 是翻倍，意味着电网的边际成本会以非线性方式上升。
四、其他口径的交叉验证
不同机构的测算差异不小，把它们并排放能看清分歧在哪里。
| 来源 | 口径 | 数值 |
|---|---|---|
| 集邦咨询（TrendForce） | 2026 全球数据中心电力需求容量（非电量） | 161 GW，同比 +31% |
| Allianz（安联） | 2030 年 AI 数据中心贡献全球新增电力需求的比例 | 约 10% |
| 电力规划设计总院（中国） | 中国数据中心用电量 | 1,700 亿 kWh（占 1.6%）→ 8,000 亿 kWh 以上（占 6%） |
| PwC（普华永道） | 全球 AI 数据中心支出的长周期累计 | 到 2050 年 31.6 万亿美元 |
安联那个 10% 值得单独看，因为它和 IEA 的「2030 年贡献美国近一半新增用电」并不矛盾——一个是全球新增的 10%，一个是美国新增的近一半。差异来自两个地方：一是地域（全球摊薄了中美集中度的影响），二是「新增」的口径（全球包含大量电气化本身带来的新增）。把这两个数字混用会得出错误的紧迫性判断，正确做法是看局部——你的项目所在电网的负荷占比，才是唯一有意义的指标。
中国的数据揭示了另一个特征：用电占比从 1.6% 提升到 6% 以上，是接近 4 倍的提升。中国和美国的关键差异在于基础设施的起点——中国电网的剩余容量更充裕，但增速同样惊人。而 6% 这个终值已经非常接近美国 2030 年的 12% 的一半，说明中国的发展节奏并未落后太多。
至于 PwC 那个 2050 年 31.6 万亿美元的数字，它的量级远超所有其他预测，但需要谨慎对待——它覆盖的是 25 年累计支出，而其他数字是年度值或阶段性峰值。不同时间尺度的数字直接比较是这类预测中最常见的错误。
五、一个容易被忽略的能耗分布：推理占 80% 到 90%
关于 AI 能耗，公共讨论的焦点通常在训练——毕竟训练一次耗费巨大。但 IEA 的能耗生命周期分析给出了一个可能更反直觉的结论：
推理环节占 AI 全生命周期能耗的 80% 到 90%，训练只占很小一部分。
| 环节 | 能耗占比 | 特征 |
|---|---|---|
| 训练 | 约 10%–20% | 次数少、单次能耗高、但是一次性的 |
| 推理 | 约 80%–90% | 持续发生、随用户数线性增长、无停止 |
这个分布直接推翻了「AI 能耗问题会在训练阶段解决」的假设。训练的能耗是一次性的、可见的、可优化的；而推理的能耗是持续的、随规模增长的、而且越成功的产品能耗越高。一个用户量增长十倍的 AI 产品，推理能耗也增长十倍——这是唯一一种「用得越成功、能源账单越大」的技术品类。
这解释了一个现象：为什么算力效率的提升（同样的模型跑在更省电的芯片上、能效比逐年提高）并没有让总能耗下降。因为能效提升被需求增长抵消了，甚至反超。IEA 报告里专门提到：未来数据中心的用电增长主要来自推理侧的持续扩张，而不是训练的间歇性高峰。
一个直观的量级参照：一个典型 AI 数据中心的用电量相当于约 10 万户家庭，而目前在建的最大项目可能是这个数字的 20 倍。也就是说，最大规模的单个 AI 数据中心用电量相当于 200 万户家庭——这是一个城市级负荷。
六、企业能做什么：五条按可执行性排序
电力是约束条件，不是可以绕开的成本。对多数组织来说，可执行的空间在下面这几处。
第一，在选型阶段就把电力数据纳入成本模型。常见的错误是只比 token 单价和延迟。但在不同云厂商之间，电力来源（电网稳定性、是否可再生、峰谷定价）、供电协议（是否保障容量）这些因素最终会体现在稳定性和价格上。在 30 GW 缺口的市场里，电力保障本身就是一种稀缺资源，不该当成云厂商的内部事务。
第二，优先做能效而不是扩容。既然推理占 80% 到 90%，那么任何降低单次推理成本的优化，杠杆都比扩容大。具体手段：缓存复用率、批处理聚合、小模型路由、上下文裁剪。这里有一个和「杰文斯效应」的张力——降本会让需求上升，所以能效优化的真实效果是「让同样的能耗支撑更多使用」，而不是「减少总能耗」，两者要在决策时区分清楚。
第三，把峰谷定价纳入推理调度。高盛那组数据说明夏季高峰占比从 4.1% 升到 8.5%。能错峰的负载（批量处理、离线任务、非实时推理）应该尽量调度到低谷时段，这在成本上通常比任何模型优化都直接。
第四，问清楚供应商的电力来源和容量保障。在 68 GW 对 30 GW 的市场里，「能拿到电」本身成为一种竞争优势，也成为一个真实的交付风险。评估长期合同时，除了价格和性能，还要问三个问题：这个机架的电力是否已获保障、供电协议签的是容量还是用量、供应商的电力来源是否受区域政策约束。
第五，把「单位任务的能耗」作为优化指标。既然总量由推理量决定，那么有效指标应该是「完成一个成功任务的能耗」而不是「总 token 消耗」。多花 10 倍算力把一个任务的失败率从 5% 降到 0.5%，在能耗账上可能是划算的；而为了省一次调用接受 5% 的失败率，在能耗和业务上都不划算。这个指标的换算方式和「每成功任务成本」是同一套逻辑。
七、结语
把 2026 年这批电力数据放在一起，AI 电力约束的完整形状是这样的：
全球 2024 年 415 TWh（占 1.5%）→ 2030 年 950 TWh（占近 3%）→ 2035 年 1,200 TWh，增速 15% 是其他行业的 4 倍以上；美国从 176 TWh（4.4%）到 580 TWh（12%），并贡献 2030 前全球增长的近 80%；摩根士丹利测算 2026–2028 年需求 68 GW，而现有电网只能供 30 GW；美国电力研究院的区间估计是 2030 年新增 56–132 GW；高盛测算夏季高峰占比从 4.1% 升到 8.5%。
而这批数字里最应该被记住的是那两条结构性事实：
第一，68 GW 对 30 GW 的缺口意味着电力已经是硬约束，而不只是成本。需求 18 个月翻倍、供电能力以年计扩张，这个时间尺度的错配不会因为投入更多钱而立刻消失。它会直接决定哪些项目能上、哪些项目要等。
第二，推理占 80% 到 90% 意味着能耗不会在训练侧见顶。只要 AI 产品的使用量在增长，总能耗就会增长，而能效提升会被需求增长抵消。这是一个结构性的、不会自行收敛的曲线。
对大多数组织来说，这两条合起来给出的实际答案是：不要指望「等电力问题解决了再规模化 AI」，而要在当前的约束下重新设计成本结构——用能效换规模，用调度换成本，用「每成功任务能耗」换「每 token 消耗」。在 30 GW 供给能力的现实里，能够算清每一度电换回多少业务价值的企业，会比单纯等待的企业快得多。
