从瓦特到比特：AI时代的能源出口革命

一个拥有充足电力的地区，可以把能源卖给谁？传统答案包括跨区域输电，以及生产铝、钢材等高耗能产品。AI 增加了另一种选择：在当地部署数据中心，向外提供计算服务。

这不是把电力本身装进网络，而是用能源、芯片和软件完成任务，再传输服务结果。能源优势可以成为计算服务的起点，但只有形成可靠、可持续的交付能力，才会成为出口优势。

电力出口多了一种载体

电力并非不能远距离交易。跨区域、跨境电网已经承担这类功能，但线路建设、损耗、调度和制度协调都会影响可行性。

计算服务提供了不同的空间组合：电力在本地使用，客户通过网络提交任务并取得结果。对于部分可延迟、可批处理的工作，算力设施不必紧邻最终用户。

这种方式也有条件。客户是否愿意传输数据、网络能否满足需求、当地是否具备运维与硬件供应能力，都可能比账面电价更重要。便宜但无法按期接入的电力，不能马上变成可出售的服务。

“电力乘以芯片效率”只能作为一个理想化的计算速率关系：功率单位为瓦，即焦耳每秒；能效用每焦耳可完成的运算数表示，二者相乘才得到每秒运算数。它不是对收入或可交付能力的完整计算。

现实中，需要继续考虑供电与制冷开销、设备利用率、显存和通信瓶颈，以及软件对硬件的使用效率。

因此，更有意义的指标是完成某类任务的总成本。训练任务可以比较达到约定目标的时间与费用，推理服务可以在质量、延迟和吞吐要求一致时比较单位成本。单独比较峰值 FLOPS 或最低电价，容易得出错误结论。

“训练靠近能源、推理靠近用户”可以作为初步直觉，但还不够精确。

大规模训练对集群内部通信可能非常敏感。把一个紧耦合训练任务拆到相距遥远的数据中心，并不会因为用户不实时等待就变得高效。训练数据的转移、访问限制和检查点恢复也会影响选址。

推理则同时包含实时和批量任务。实时语音交互通常更在意端到端延迟；离线文档处理或批量生成可能接受更长等待。决定部署位置的，应是任务的实际约束，而不只是“训练”或“推理”两个标签。

这也解释了为什么计算服务难以像单一标准商品一样交易。同样的计算量，在不同精度、硬件、模型和服务要求下，未必可互换。标准化可以降低交易成本，但还需要清楚定义交付内容与质量。

数据中心需要稳定运行，也希望控制成本与排放。核电、水电、风光、储能、电网和备用电源，在不同地区承担的角色并不相同，不能把其中一种称为唯一答案。

国际能源署在 2025 年《Energy and AI》中，按不同情景分析了数据中心的电力需求与供给。其基准情景包含可再生能源、化石能源和核能的共同作用，并区分实际电力结构与企业合同采购结构。这些是带条件的预测，不是已经发生的结果。IEA 报告。

对于项目，除了年平均电价，还应核对可获得容量、接网进度、停电风险和合同责任。采购低碳电力的合同，也不能单独说明每个时刻的物理用电都来自同一种能源。

小型模块化反应堆等技术提供了探索方向，但商业化时间、审批、工程建设和成本仍需按具体项目确认。宣布合作或签署购电协议，与电站已经投运，是不同阶段。

能源丰富地区可以吸引数据中心，但产业收益可能分布在电力、土地、建设、硬件、云服务、软件和客户运营等环节。拥有某一环节不意味着能够获得整条链条的大部分利润。

设备供给、出口规则、网络连接和稳定的经营环境，会影响能否服务目标客户。安全与韧性也包括多种具体能力：物理设施保护、供电冗余、网络安全、备件供应和灾难恢复，不能直接归结为是否具备独立军事力量。

同样，传统工业品不是“没有后续价值”的出口。计算服务与材料生产只是采用不同方式组织能源、资本和知识，应该比较各自的产业条件，而不是预设前者一定更高级。

对一个地区而言，值得追问的是：能否在设施建设后继续积累运维、软件与服务能力？如果只能出售廉价电力，收益结构与拥有客户关系和专门服务能力会很不同。

计算成本下降可能扩大使用范围，这是需求反弹的一种机制。但反弹幅度取决于任务价值、需求弹性和其他约束，不能据此证明算力永不过剩。

即使行业总需求增长，某一代硬件、某个地区或某种服务仍可能过剩。设备更新、模型优化、客户迁移与价格竞争，都可能使原有投资回报发生变化。

项目评估应同时检查利用率、客户合同、设备折旧、融资、运维与能源成本。电价优势如果被低利用率和资本成本抵消，就无法形成持续收益。

我看好“用本地能源服务远方计算需求”这一方向，因为它为能源丰富地区增加了参与数字产业的方式。但其潜力应通过任务成本、服务质量与持续需求来判断。

未来值得观察的信号包括：接网与建设能否按期完成，客户是否持续采购，利用率是否改善，以及本地能否从设施运营进一步积累专业服务能力。

电力提供物理基础，芯片完成计算，软件与组织把它们变成客户可使用的结果。把这条链条接起来，才是从瓦特到比特的产业价值。