AI大模型的残酷真相：烧掉千亿，最后就赚个电费差价？

文/识局智库研究组

你可能已经习惯了大模型带给你的种种便利——随手提问，AI给出答案；随手丢一张图，它帮你解读；甚至随手扔过去几十页的PDF，它也能帮你提炼出核心观点。

但你有没有想过，每一次对话背后，都有一块在服务器里烧到发烫的GPU为你亮着。而这些GPU的每一度电，最后都要有人买单。

过去一年，大模型厂商集体卷入疯狂的价格战，Token的价格被打到令人瞠目的低位。但很少有人注意到，电力成本的阴影正在悄然逼近。

当一个千亿参数的大模型每回答你一个问题都要消耗数倍于搜索的电力时，AI的商业模式是否还站得住脚？那些烧掉千亿资金训练大模型的巨头，最后难道只能赚个“电费”？

这不是危言耸听。一笔笔账算下来，你会发现：AI赛道的下半场，竞争的重点可能已经从“谁的模型更强”悄然转向“谁的电价更低”。

01

先来感受一下大模型的“饭量”。联合国大学最新发布的一份报告显示，2025年全球数据中心耗电量估计达到448太瓦时——如果把它看作一个国家，它的耗电量将位居全球前列。

而国际能源署预测，到2030年，这一数字将翻倍至945太瓦时左右，届时数据中心的用电量将占到全球电力消费总量的约3%。听起来好像不多？但别忘了，全球有超过80亿人口，而数据中心只是藏在后台的“数字巨兽”。

更值得警惕的是增长速度。国际能源署的数据显示，全球数据中心的耗电正以每年12%的速度狂飙，这几乎是全球平均用电增速的4倍。而中美两国将贡献这一增长中的近80%。

02

拆开看，大模型的能耗黑洞主要集中在两个阶段。

第一阶段是训练——训练一个千亿参数级别的大模型，单次耗电可能超过5000万度，相当于一个小城市几个月的用电量。

但真正让人始料未及的是第二阶段：推理。

推理，就是你在对话框里发送消息后，AI生成回应这个过程。

联合国大学的报告指出，推理环节已经占到AI总能耗的80%到90%。

仅ChatGPT这一个产品，每天处理的提示请求估计约达25亿次，对应年耗电量约383吉瓦时。

而且不同任务之间的能耗差异大得离谱——生成一张AI图像的能耗，约为基础文本分类任务的1450倍；生成一段短视频的能耗，则相当于20万次垃圾邮件分类任务。

这意味着什么？

随着AI应用从纯文本对话走向多模态内容生成，用电量只会越来越离谱。

而更令人头疼的是，经济学上有个“杰文斯悖论”——效率提升并不会让总消耗减少，反而因为成本降低、使用量暴增，总能耗反而更大。

联合国大学的报告里也提到了这个现象：模型效率越高、成本越低，用户就越舍得用，结果就是用得更多，而不是更省。

03

那么问题来了：电费到底在AI的整个账单里占多大比重？

这个问题，圈内人的说法其实并不统一。

有人说“AI算力成本里60%到70%都是电费”。这话听上去很吓人，但业内人士会告诉你，这说的是运营成本，不是全生命周期的总成本。

沐曦股份的联合创始人彭莉在央视《对话》节目里算过一笔具体的账：一座投资约15亿元的万卡级智算中心，设备采购和基建是前期一次性投入，电费加运维在整个投入成本里的占比其实不超过20%。

但你得注意一个关键前提——运营三到五年之后，电费就会成为单项最高的持续支出。

事实上，沐曦内部还拆过一份更极端的账本，对象是一座1GW的超大规模数据中心——也就是那种把数万张GPU堆在一起、烧钱烧到让人肉疼的“巨无霸”。

这张账本算的是四年全周期总成本，结果让人倒吸一口凉气：550亿美元的总花费里，GPU采购拿走了250亿（占比45%），供电和散热系统110亿（20%），网络设备50亿，存储40亿。而电费呢？27.5亿，只占5%。

电费居然只占5%？这听起来和前面60%到70%的说法完全矛盾。

其实并不矛盾——因为基数不同。

全生命周期里有惊人的前期硬件投入在做分母，电费自然显得微不足道。但一旦设备折旧摊完、数据中心进入常态化运营，电费这张账单就会慢慢浮出水面，成为最让人头疼的“慢刀子割肉”。

彭莉在接受采访时反复强调一个观点：她在挑选电力合作伙伴时，主要考虑两件事——一是成本，二是“通用、易用、稳定可靠”。

顺带一提，“稳定可靠”这四个字对算力中心来说意味着什么？

彭莉讲过一段亲身经历：七八年前为了保证5万张GPU并行计算的稳定性，她和团队每天凌晨两三点就得到场守候，就为了抢电网波动最小的那个窗口。

因为任何一张卡一出错，整个训练任务就要从头开始。

“那是我第一次深刻感受到，电力的稳定可靠有多重要。”在这个场景下，哪怕毫秒级的电压中断，都可能导致数百万元甚至上千万元的直接损失。

所以真正吃掉AI算力利润的，表面上看起来是那个听起来很唬人的“电老虎”，实际上真正的大头是那块你绕不开的GPU。

四年的折旧周期结束后，算力中心才真正进入“赚的是电费差价”的阶段——但别忘了，那时你很可能已经被下一代GPU甩在后面了。

04

既然电费终究是一道绕不过去的坎，那在电力上找到成本优势的企业，就成了这场AI竞赛中真正的“隐形王者”。

中国的电力成本优势一直是明牌。

中国西部地区的工业电价可以低到0.2到0.3元/度，在全球范围内都极具竞争力。中环新能源在安徽淮南凤台县的风电光伏发电，一度电的发电成本大约只有0.5元左右。

而当这度电被送入算力中心转化为Token后，理论上可以卖到10元。这中间的溢价空间，高达20倍。

当然，这10元是输出服务的价值，不是纯利润。但至少说明了一点：在电力成本上每省下一分钱，最终转化为AI服务的竞争力就是巨大的。Token某种程度甚至可以视作一种“电力衍生品”。

把算力中心建到电费便宜的地方，这不是什么新鲜事。但真正让这个逻辑变得性感的是，中国正在把电力体系和算力体系在国家战略层面捏合在一起。

2026年的《政府工作报告》首次将“算电协同”纳入新基建工程，提出“实施超大规模智算集群、算电协同等新基建工程，加强全国一体化算力监测调度”；“十五五”规划纲要中也明确提出“推动绿色电力与算力协同布局”。

算电协同被正式写入政府工作报告，这意味着产业自发探索正式升格为国家战略意志，“绿电”与“算力”这两条万亿级赛道将在顶层完成系统性打通。

05

算电协同的逻辑说起来并不复杂。

空间层面实现“算随电走”——把算力中心建在西部富集、低价、绿色的新能源基地附近；时间层面依靠算力柔性错峰运行，规避电网高峰时段的贵价电费；系统层面打通源网荷储算全链条，全方位压缩算力能耗支出。

一个很值得关注的信号来自DeepSeek。

上个月底，DeepSeek被发现开始在内蒙古乌兰察布大规模招聘数据中心相关的运维人才。

选择乌兰察布的原因很直白——“天凉、网稳、电绿”。当地年均气温约4.3℃，一年约有10个月可以利用自然冷却大幅降低制冷成本；距离北京仅300多公里，网络时延低至3.5毫秒；丰富的新能源资源和极低的电力成本更是这里最大的吸引力。

一家以“算法创新”著称的公司，突然开始大手笔招人自建数据中心，这本身就是一种战略转向的信号。当算力需求指数级增长、而你的模型推理定价又低到让同行头皮发麻的时候，在电力成本上挖出一条“护城河”，就成了不得不做的事情。

06

联合国大学的报告里有一条数据尤其值得注意：全球目前仅有32个国家拥有专门的人工智能数据中心，而超过90%的AI专用云计算资源集中在美国和中国这两个国家。

这意味着什么？

意味着AI时代的电力竞争，本质上是中美两个超级大国之间的角力。

谁能在更低的电力成本上部署更大规模的算力，谁就有机会在AI应用层建立起压倒性的竞争优势。这就是为什么“算电协同”会被提到国家战略的高度——它不仅仅是基础设施问题，更是国家竞争力的基石。

当然，这条路还远没有走通。

算电协同的跨行业标准体系仍有待完善，高压直流供电、预制化算力变电站、算电联合调度等领域缺少统一的标准，导致项目落地的定制化成本偏高、规模化复制难度大。

市场化收益机制也尚未形成闭环，柔性负荷调峰、虚拟电厂并网参与辅助服务的收益分配规则还不清晰，企业主动参与错峰用电的内生动力不足。

要真正打通算力和电力的经脉，还有不少硬骨头要啃。

但方向是明确的。当全球AI竞赛从算力军备升级为电力角力，那些能在电力成本上建立起实质性优势的企业，将在这场残酷的淘汰赛中活得比别人更久。

那些曾经在价格战中刺刀见红的大模型厂商，最终可能发现——自己的核心竞争力不是模型参数，不是算法架构，而是那个躺在财务报表的电费数字。

当千亿级资金烧完、风口退去，剩下还能站稳的人，无非是那些能把一度电卖得比别人更贵、或者把消耗一度电的成本压得比别人更低的人。

这场仗，才刚刚开始……

更多探讨，欢迎进读者群交流！