六月初，我来到贵州省贵阳市，参观中国移动贵安数据中心。这座“国家绿色数据中心”的设施坐落于贵安新区一片现代化建筑群中。自2021年开始，这片区域已经成为中国互联网基础设施的核心枢纽，汇集了多家大型科技企业运营的数据中心。
工程师简崇海带我参观了中心的节能创新技术——运用了“磁悬浮”技术的空调系统。他介绍说，不同于传统的空调，磁悬浮空调消除了压缩机内的摩擦，同等制冷效果的情况下，耗电可减少三到四成。
简崇海对能效的关注源于中国移动的业务拓展计划。正如产品经理李海燕所说，人工智能模型的训练和运行即将成为他们业务的一部分，这有可能导致耗电量、碳排放量和运营成本大幅上升。
中国移动并非个例。无论是阿里巴巴、腾讯、华为等大型科技企业，还是深度求索（DeepSeek）这样的初创企业，中国企业正围绕人工智能服务开发展开激烈的竞争。
专家认为，AI将成为中国能源消耗最大的产业之一，而中国面临的核心挑战在于：如何在不危及其气候目标的情况下，成为AI服务领域的全球领导者。
尽管能效提升与AI在辅助加快其他行业脱碳方面的潜力带来了一些希望，但构建以可再生能源为核心、且能满足算力需求的新型电力系统已成当务之急。
需求与日俱增
根据国际能源署（International Energy Agency，简称IEA）的预测，2024年到2030年，中国数据中心耗电量预计将增长170%。
IEA近期发布的一份报告估算，去年全球数据中心电力消费量占全球总发电量的1.5%，且这一比例正在快速增长。主要受到AI专用服务器的驱动，数据中心耗电量正以每年约12%的速度增长，这相当于全球电力需求增速的四倍。
报告预计，到2030年，中国和美国合计将占全球数据中心能耗增长的近80%。
北京理工大学副教授王永真表示，他认为数据中心已与钢铁、水泥、石油化工并列成为中国主要的高耗能产业之一。
他预计，到2030年，中国数据中心的用电需求将达到105吉瓦左右，耗水量达到263亿升，二氧化碳排放量达3.1亿吨。
这一耗电量是目前中国居民用电量的一半还多。
东数西算
2022年，中国启动“东数西算”工程。根据规划，贵州、内蒙古、甘肃、宁夏等西部地区将承接AI模型训练和数据存储等非实时算力任务。
与此同时，京津冀、长三角、成渝、粤港澳大湾区四个城市集群则重点处理视频流媒体、AI聊天机器人应用等实时服务。
这项工程的主要目标之一，便是利用中国西部有利的气候条件和丰富的可再生能源，降低能耗需求。例如，贵阳年均气温为18-20摄氏度，自然可以减少制冷的需求；而内蒙古则拥有丰富的风能和太阳能资源。
根据规划，到今年年底，国家级算力中枢节点新建数据中心的绿电占比预计将达到80%。太阳能、风电和水电资源充沛的地区将建设低碳数据中心，处理算力密集但时效要求较低的工作。
王永真指出，绿色算力不仅符合国家战略，更能为企业带来切实的经济利益。他说，提高数据中心的能效意味着可以减少电费支出。
当AI遇到电网
解决这一难题的一个重要举措就是目前政府正在构建的“全国一体化算力网”。该网络旨在将公共和私有云计算资源整合到统一的平台上。研究机构兰德公司（RAND）近期发布的一份题为《全面审视不断演变的中国人工智能产业政策》（China’s Evolving Industrial Policy for AI）的报告中重点提到了这一计划。
报告主笔、普林斯顿大学教授陈凯欣（Kyle Chan）将其比作AI训练和部署的资源“公共设施”模式。这一思路与中国旨在缩小区域间发展不均衡的基础设施建设战略相符。
这一网络的建设与另一项举措——构建“清洁高效、灵活智能”的新型电力系统相契合。中国计划在2024年到2027年间，建成以多元化可再生能源为基础、融合AI等智能科技的新型电力系统。
根据这两项计划，电力和算力被视为公共服务。这意味着它们既要易于获取、又要成本较低。但为了实现气候目标，它们还需要保持清洁、绿色。关键的问题在于：如何才能让二者同时兼具经济性和可持续性？
根据王永真的设想，算力和电力将形成合力。“关键目标一是，提升数据中心绿电使用比例；二是减少能耗，不仅通过各项技术升级，还通过整个系统效率的提升；三是数据中心具备与电网交互的能力。”
简言之，当部分地区电力供应紧张时，可根据电力现货市场价格，将算力任务转移至满足速度要求但成本较低的数据中心。这一方式既能保障用户端AI服务的稳定性，也能缓解地方电力紧张。
“面对风电和光电的间歇性，数据中心可以发挥缓冲作用，在电力供应过剩时‘开启’AI训练等特定算力任务。
王永真还提到，通过数据中心间的协调，电网可以在紧急情况下调用数据中心的储能系统。这与用电高峰期电动汽车可以反向给电网供电的“车辆-电网”模式非常相似。
然而，挑战依然存在。
首先，王永真描述的算力网与电网协同，不仅需要不同主体、政府机构乃至一线员工之间的广泛且密切的沟通协作，还需要经过长期多场景测试。
王永真表示，他注意到数据中心内部存在沟通断层：像李海燕这样的IT工程师与简崇海等运维人员之间缺乏有效交流。算力与能效工作人员之间的隔阂未来可能成为重大瓶颈。“要让这一高度协同的网络愿景落地，他们必须同时对算力系统和能源系统了如指掌。”
另一项挑战在于市场机制的设计。
中国信息通信研究院指出，用于追踪和核验可再生能源发电的“绿色电力证书”（Green Electricity Certificates）制度仍滞后于市场需求。2023 年，在 380 万兆瓦时的绿电交易中，仅有 150 万兆瓦时涉及绿证。
这可能阻碍数据中心购买更多绿电，或准确核算自身用电中绿电的占比。
AI不断发展
2017 年国务院发布的一份文件提出，到 2030 年中国要在人工智能理论、技术与应用领域跻身世界前列。这表明，即便面临能源压力、气候目标的束缚以及美国等国家的围堵，中国也不会放慢AI发展的脚步。
陈凯欣指出，中国真正的目标并非“跑赢美国”，而是构建一个“具有韧性的AI产业，从而提升制造、医疗到教育、治理等各行各业的生产力”。
王永真认为，尽管AI的发展推高了数据中心的用电需求，但算力的提升也为其他行业的减排提供了助力。因此，如果把AI能耗放到社会整体脱碳的大背景里看，简单地把“用电增加”等同于“气候目标受挫”过于片面。
清华大学教授徐明在一档播客节目中表示，建立全国碳足迹管理体系的最大障碍之一是数据敏感性：完整的碳核算必须把从供货方到交付的每一环都纳入追踪，而许多企业担心这会泄露商业机密。
而AI驱动的智能体作为中立的数据管理者，可以安全地存储排放数据，在保护商业机密的同时向监管者开放访问权限。如此一来，AI就成为了降低工业排放的重要工具。
然而，这些构想依然处于试验阶段，AI如何、以及能否真正控制或者减少排放，依然有待观察。
回到贵安数据中心，李海燕将目前的主流AI模型比作本科生。未来，工程师将训练更多专业的、针对专业领域的AI模型，它们好比是研究生、博士、博士后，可以给出更准确实用的解决方案。她相信，这种转变还可以降低AI模型训练和运行的芯片需求，进而有可能降低AI模型运行和制冷相关的能耗。
翻译：子明
