AI大模型的殘酷真相：燒掉千億，最后就賺個電費差價？

文/識局智庫研究組

你可能已經習慣了大模型帶給你的種種便利——隨手提問，AI給出答案；隨手丟一張圖，它幫你解讀；甚至隨手扔過去幾十頁的PDF，它也能幫你提煉出核心觀點。

但你有沒有想過，每一次對話背后，都有一塊在服務器里燒到發燙的GPU為你亮著。而這些GPU的每一度電，最后都要有人買單。

過去一年，大模型廠商集體卷入瘋狂的價格戰，Token的價格被打到令人瞠目的低位。但很少有人注意到，電力成本的陰影正在悄然逼近。

當一個千億參數的大模型每回答你一個問題都要消耗數倍于搜索的電力時，AI的商業模式是否還站得住腳？那些燒掉千億資金訓練大模型的巨頭，最后難道只能賺個“電費”？

這不是危言聳聽。一筆筆賬算下來，你會發現：AI賽道的下半場，競爭的重點可能已經從“誰的模型更強”悄然轉向“誰的電價更低”。

01

先來感受一下大模型的“飯量”。聯合國大學最新發布的一份報告顯示，2025年全球數據中心耗電量估計達到448太瓦時——如果把它看作一個國家，它的耗電量將位居全球前列。

而國際能源署預測，到2030年，這一數字將翻倍至945太瓦時左右，屆時數據中心的用電量將占到全球電力消費總量的約3%。聽起來好像不多？但別忘了，全球有超過80億人口，而數據中心只是藏在后臺的“數字巨獸”。

更值得警惕的是增長速度。國際能源署的數據顯示，全球數據中心的耗電正以每年12%的速度狂飆，這幾乎是全球平均用電增速的4倍。而中美兩國將貢獻這一增長中的近80%。

02

拆開看，大模型的能耗黑洞主要集中在兩個階段。

第一階段是訓練——訓練一個千億參數級別的大模型，單次耗電可能超過5000萬度，相當于一個小城市幾個月的用電量。

但真正讓人始料未及的是第二階段：推理。

推理，就是你在對話框里發送消息后，AI生成回應這個過程。

聯合國大學的報告指出，推理環節已經占到AI總能耗的80%到90%。

僅ChatGPT這一個產品，每天處理的提示請求估計約達25億次，對應年耗電量約383吉瓦時。

而且不同任務之間的能耗差異大得離譜——生成一張AI圖像的能耗，約為基礎文本分類任務的1450倍；生成一段短視頻的能耗，則相當于20萬次垃圾郵件分類任務。

這意味著什么？

隨著AI應用從純文本對話走向多模態內容生成，用電量只會越來越離譜。

而更令人頭疼的是，經濟學上有個“杰文斯悖論”——效率提升并不會讓總消耗減少，反而因為成本降低、使用量暴增，總能耗反而更大。

聯合國大學的報告里也提到了這個現象：模型效率越高、成本越低，用戶就越舍得用，結果就是用得更多，而不是更省。

03

那么問題來了：電費到底在AI的整個賬單里占多大比重？

這個問題，圈內人的說法其實并不統一。

有人說“AI算力成本里60%到70%都是電費”。這話聽上去很嚇人，但業內人士會告訴你，這說的是運營成本，不是全生命周期的總成本。

沐曦股份的聯合創始人彭莉在央視《對話》節目里算過一筆具體的賬：一座投資約15億元的萬卡級智算中心，設備采購和基建是前期一次性投入，電費加運維在整個投入成本里的占比其實不超過20%。

但你得注意一個關鍵前提——運營三到五年之后，電費就會成為單項最高的持續支出。

事實上，沐曦內部還拆過一份更極端的賬本，對象是一座1GW的超大規模數據中心——也就是那種把數萬張GPU堆在一起、燒錢燒到讓人肉疼的“巨無霸”。

這張賬本算的是四年全周期總成本，結果讓人倒吸一口涼氣：550億美元的總花費里，GPU采購拿走了250億（占比45%），供電和散熱系統110億（20%），網絡設備50億，存儲40億。而電費呢？27.5億，只占5%。

電費居然只占5%？這聽起來和前面60%到70%的說法完全矛盾。

其實并不矛盾——因為基數不同。

全生命周期里有驚人的前期硬件投入在做分母，電費自然顯得微不足道。但一旦設備折舊攤完、數據中心進入常態化運營，電費這張賬單就會慢慢浮出水面，成為最讓人頭疼的“慢刀子割肉”。

彭莉在接受采訪時反復強調一個觀點：她在挑選電力合作伙伴時，主要考慮兩件事——一是成本，二是“通用、易用、穩定可靠”。

順帶一提，“穩定可靠”這四個字對算力中心來說意味著什么？

彭莉講過一段親身經歷：七八年前為了保證5萬張GPU并行計算的穩定性，她和團隊每天凌晨兩三點就得到場守候，就為了搶電網波動最小的那個窗口。

因為任何一張卡一出錯，整個訓練任務就要從頭開始。

“那是我第一次深刻感受到，電力的穩定可靠有多重要?！痹谶@個場景下，哪怕毫秒級的電壓中斷，都可能導致數百萬元甚至上千萬元的直接損失。

所以真正吃掉AI算力利潤的，表面上看起來是那個聽起來很唬人的“電老虎”，實際上真正的大頭是那塊你繞不開的GPU。

四年的折舊周期結束后，算力中心才真正進入“賺的是電費差價”的階段——但別忘了，那時你很可能已經被下一代GPU甩在后面了。

04

既然電費終究是一道繞不過去的坎，那在電力上找到成本優勢的企業，就成了這場AI競賽中真正的“隱形王者”。

中國的電力成本優勢一直是明牌。

中國西部地區的工業電價可以低到0.2到0.3元/度，在全球范圍內都極具競爭力。中環新能源在安徽淮南鳳臺縣的風電光伏發電，一度電的發電成本大約只有0.5元左右。

而當這度電被送入算力中心轉化為Token后，理論上可以賣到10元。這中間的溢價空間，高達20倍。

當然，這10元是輸出服務的價值，不是純利潤。但至少說明了一點：在電力成本上每省下一分錢，最終轉化為AI服務的競爭力就是巨大的。Token某種程度甚至可以視作一種“電力衍生品”。

把算力中心建到電費便宜的地方，這不是什么新鮮事。但真正讓這個邏輯變得性感的是，中國正在把電力體系和算力體系在國家戰略層面捏合在一起。

2026年的《政府工作報告》首次將“算電協同”納入新基建工程，提出“實施超大規模智算集群、算電協同等新基建工程，加強全國一體化算力監測調度”；“十五五”規劃綱要中也明確提出“推動綠色電力與算力協同布局”。

算電協同被正式寫入政府工作報告，這意味著產業自發探索正式升格為國家戰略意志，“綠電”與“算力”這兩條萬億級賽道將在頂層完成系統性打通。

05

算電協同的邏輯說起來并不復雜。

空間層面實現“算隨電走”——把算力中心建在西部富集、低價、綠色的新能源基地附近；時間層面依靠算力柔性錯峰運行，規避電網高峰時段的貴價電費；系統層面打通源網荷儲算全鏈條，全方位壓縮算力能耗支出。

一個很值得關注的信號來自DeepSeek。

上個月底，DeepSeek被發現開始在內蒙古烏蘭察布大規模招聘數據中心相關的運維人才。

選擇烏蘭察布的原因很直白——“天涼、網穩、電綠”。當地年均氣溫約4.3℃，一年約有10個月可以利用自然冷卻大幅降低制冷成本；距離北京僅300多公里，網絡時延低至3.5毫秒；豐富的新能源資源和極低的電力成本更是這里最大的吸引力。

一家以“算法創新”著稱的公司，突然開始大手筆招人自建數據中心，這本身就是一種戰略轉向的信號。當算力需求指數級增長、而你的模型推理定價又低到讓同行頭皮發麻的時候，在電力成本上挖出一條“護城河”，就成了不得不做的事情。

06

聯合國大學的報告里有一條數據尤其值得注意：全球目前僅有32個國家擁有專門的人工智能數據中心，而超過90%的AI專用云計算資源集中在美國和中國這兩個國家。

這意味著什么？

意味著AI時代的電力競爭，本質上是中美兩個超級大國之間的角力。

誰能在更低的電力成本上部署更大規模的算力，誰就有機會在AI應用層建立起壓倒性的競爭優勢。這就是為什么“算電協同”會被提到國家戰略的高度——它不僅僅是基礎設施問題，更是國家競爭力的基石。

當然，這條路還遠沒有走通。

算電協同的跨行業標準體系仍有待完善，高壓直流供電、預制化算力變電站、算電聯合調度等領域缺少統一的標準，導致項目落地的定制化成本偏高、規模化復制難度大。

市場化收益機制也尚未形成閉環，柔性負荷調峰、虛擬電廠并網參與輔助服務的收益分配規則還不清晰，企業主動參與錯峰用電的內生動力不足。

要真正打通算力和電力的經脈，還有不少硬骨頭要啃。

但方向是明確的。當全球AI競賽從算力軍備升級為電力角力，那些能在電力成本上建立起實質性優勢的企業，將在這場殘酷的淘汰賽中活得比別人更久。

那些曾經在價格戰中刺刀見紅的大模型廠商，最終可能發現——自己的核心競爭力不是模型參數，不是算法架構，而是那個躺在財務報表的電費數字。

當千億級資金燒完、風口退去，剩下還能站穩的人，無非是那些能把一度電賣得比別人更貴、或者把消耗一度電的成本壓得比別人更低的人。

這場仗，才剛剛開始……

更多探討，歡迎進讀者群交流！