Deepseek也引起(qi)了对美国科技股和能源股短期剧(ju)烈震荡。英伟达单日跌幅(fu)最高达17%，创美股历(li)史最大单日市值蒸发(fa)纪录（约6000亿美元(yuan)），博通、AMD、台积电等芯片股同步(bu)重挫。纳斯达克指数下跌3.1%，标普500指数下跌1.5%，市场对美国科技巨头的高估值（如(ru)美股七巨头中，英伟达的市盈率在(zai)46倍左右，苹果的市盈率在(zai)36倍左右，特斯拉183倍市盈率。如(ru)今，七巨头的平均市盈率接近50倍，市值占美股总市值28%左右。）产生质疑(yi)。此外，由于R1通过算法(fa)优化显(xian)著降低模型(xing)能耗（内存(cun)使(shi)用减少(shao)50%以上），市场担忧AI对电力需(xu)求的增长预(yu)期被打破，导致美国联合能源、Vistra等能源公司股价暴(bao)跌21%-29%。

尽管DeepSeek在(zai)技术上取得了巨大进步(bu)，但其在(zai)中国境外的未(wei)来发(fa)展仍面临不确定性，部分西方机(ji)构和政府已开(kai)始限制使(shi)用其服务(wu)。然而，全球人工智(zhi)能领域都在(zai)密切关(guan)注(zhu)DeepSeek如(ru)何以如(ru)此低的成本实现(xian)领先性能。如(ru)果DeepSeek的方法(fa)能够被广泛(fan)复制，那么对于东南亚地区、澳大利亚、新西兰等中小型(xing)国家而言，或许将有机(ji)会以更低的成本进入基础模型(xing)领域，这在(zai)过去(qu)是难以想象的。

对于澳新地区的数据中心运营(ying)商而言，人工智(zhi)能技术成本的潜在(zai)降低，无疑(yi)缓解了对外国模型(xing)安全性和可靠性风险(xian)的担忧。Macquarie Data Centres的高管David Hirst指出，人工智(zhi)能行业的发(fa)展速度远超以往任何技术趋势，且仍处于早期阶段(duan)。他认(ren)为，人工智(zhi)能正在(zai)并将继(ji)续证明，它是世界上发(fa)展最快的技术之一，而我们才刚(gang)刚(gang)触及人工智(zhi)能所(suo)能实现(xian)的冰(bing)山(shan)一角。人工智(zhi)能将从根本上改变所(suo)有行业的运作(zuo)方式以及人类的潜力。以Deepseek为例，从2024年1月5日，DeepSeek发(fa)布了首个大模型(xing)DeepSeek LLM到2024年12月26日，正式上线DeepSeek-V3模型(xing)，并同步(bu)开(kai)源，标准(zhun)着全球首个全开(kai)源的混合专家（MoE）模型(xing)出现(xian)，再到2025年1月20日发(fa)布的DeekSeek-R1推(tui)理大模型(xing)。从在(zai)极短的时间内，人工智(zhi)能已取得显(xian)著进展。大型(xing)语言模型(xing)的快速发(fa)展，从模型(xing)的迭(die)代、算力的更新，到训练和推(tui)理成本的下降，再到智(zhi)能体的产品形态出现(xian)，人工智(zhi)能正在(zai)不断提高行业效率，并最终降低成本。DeepSeek模型(xing)的创新，通过简化训练过程和更有效地利用硬件，标志着在(zai)降低人工智(zhi)能训练和推(tui)理门槛方面迈出了重要(yao)一步(bu)，为更多企业应用这项技术打开(kai)了大门。

DeepSeek R1 的技术特点：效率与成本优势

DeepSeek R1 模型(xing)的出现(xian)之所(suo)以能引发(fa)行业震动，核(he)心在(zai)于其在(zai)效率和成本控制上的突破。DeepSeek 通过一系列技术创新，实现(xian)了在(zai)相对较低的算力投(tou)入下，获得可媲美甚至超越头部模型(xing)的性能表现(xian)。这些技术特点主要(yao)包括：

混合专家模型(xing)（Mixture-of-Experts, MoE）：MoE架(jia)构是DeepSeek R1降低算力需(xu)求的关(guan)键。与传统(tong)的稠密模型(xing)不同，MoE模型(xing)包含(han)多个“专家”子网络，每个子网络专门处理特定类型(xing)的输入。在(zai)推(tui)理过程中，模型(xing)会根据输入内容动态选择(ze)激(ji)活部分专家网络，而非所(suo)有网络，从而大幅(fu)减少(shao)计算量，提高推(tui)理效率。DeepSeek将MoE技术与模型(xing)架(jia)构深度融合，实现(xian)了性能与效率的平衡。

多头潜注(zhu)意力机(ji)制（MLA）：该技术为DeepSeek团(tuan)队独创，针对传统(tong)Transformer模型(xing)的“多头注(zhu)意力机(ji)制”在(zai)处理长文本时容易“分心”的问题，MLA通过压缩关(guan)键信息，让模型(xing)更聚焦核(he)心内容这种协(xie)同优化方法(fa)，能够最大化硬件资源的利用效率，降低整体算力需(xu)求。

PTX汇编语言优化：为了更充分地挖掘(jue)硬件潜力，DeepSeek甚至深入到硬件底层，采用PTX汇编语言对核(he)心计算模块进行优化。PTX汇编语言是一种针对NVIDIAGPU的底层编程语言，通过精细的汇编级优化，可以最大限度地提升代码执行效率，减少(shao)不必(bi)要(yao)的计算开(kai)销。这种极致的优化精神，体现(xian)了DeepSeek在(zai)算力效率上的极致追求。

蒸馏技术与分布式/边缘计算架(jia)构:DeepSeek推(tui)出了一项卓越的模型(xing)蒸馏技术，该技术实现(xian)了将高性能AI模型(xing)的核(he)心推(tui)理能力高效移植至轻量化版本中的目标。这一突破不仅(jin)结合了开(kai)源与轻量化的双重优势，进一步(bu)降低了人工智(zhi)能技术的应用门槛，同时也为边缘计算领域带(dai)来了前所(suo)未(wei)有的发(fa)展机(ji)遇。企业能够依据自身行业特点，在(zai)本地进行模型(xing)训练，使(shi)得原本依赖于高性能服务(wu)器和稳定网络环(huan)境的边缘设备得以焕发(fa)新生。此外，DeepSeek积极探(tan)索(suo)分布式计算与边缘计算架(jia)构的新路径，通过将计算任务(wu)分布至更靠近数据源的边缘节点，从而大幅(fu)减少(shao)对中央数据中心的依赖。这不仅(jin)有效缓解了数据传输过程中的延迟问题和带(dai)宽压力，同时优化了边缘设备算力资源的利用效率，构建了一个更加灵活高效的算力部署方案(an)。

通过上述技术组合拳(quan)，DeepSeek R1实现(xian)了在(zai)保证模型(xing)性能的同时，大幅(fu)降低训练和推(tui)理的算力需(xu)求和成本。这使(shi)得人工智(zhi)能技术的应用门槛显(xian)著降低，为更广泛(fan)的应用场景打开(kai)了大门。

算力生态的重构与资源再分配

DeepSeek R1的出现(xian)，不仅(jin)可能引发(fa)算力需(xu)求的增长，还将深刻地重塑全球算力生态，并导致算力资源的重新分配。

首先，分布式革命(ming)与集中霸权竞争。传统(tong)人工智(zhi)能发(fa)展模式往往依赖于“规模至上”的逻辑，追求超大规模模型(xing)和超大规模算力集群。DeepSeek R1的轻量化模型(xing)和开(kai)源策略，降低了人工智(zhi)能应用的门槛，促进了中端算力设施和分布式数据中心的普及。此前，美国科技公司曾(ceng)计划建设耗电量堪比(bi)纽约市的巨型(xing)数据中心，但在(zai)DeepSeek高效模型(xing)的影响下，此类超大规模基础设施的必(bi)要(yao)性显(xian)著下降。算力生态正在(zai)从单一“超大规模中心垄断”模式转向与“分布式蜂群网络”竞争的模式。

其次，产业链价值重新分配。在(zai)算力产业链上游(you)，DeepSeek的出现(xian)使(shi)英伟达等GPU巨头面临需(xu)求结构调整的挑战。由于DeepSeek模型(xing)对算力效率的提升，以及分布式计算的兴起(qi)，市场对高性能GPU的需(xu)求可能不再是无止境的扩张，而是更加注(zhu)重能效比(bi)和定制化。与此同时，寒武纪等ASIC芯片厂商或将迎来发(fa)展机(ji)遇。ASIC芯片可以针对特定的人工智(zhi)能应用进行硬件加速，在(zai)能效比(bi)和成本控制上更具优势，更符合分布式算力发(fa)展的趋势。在(zai)中游(you)算力服务(wu)端，区域性数据中心凭借低时延和贴近应用场景的优势，开(kai)始承接制造业智(zhi)能质检、金融风控等对延迟敏感的应用需(xu)求，迫使(shi)AWS、阿里云等云计算巨头调整部分大型(xing)数据中心的建设投(tou)入，转而加强边缘计算和分布式算力布局。

在(zai)下游(you)应用端，国产算力成本的下降，将驱动人工智(zhi)能在(zai)制造业、金融、医疗(liao)等领域的渗(shen)透率倍增。例如(ru)，在(zai)代码托管平台GitHub上，已涌(yong)现(xian)出大量基于DeepSeek模型(xing)的集成应用案(an)例（awesome deepseek integration）。同时，中国各地省市纷纷上线R1模型(xing)，加速人工智(zhi)能的区域化、本地化部署。越来越形成形成“需(xu)求牵引供给”的正向循环(huan)，实现(xian)“算力+行业”的双向赋能。这种趋势正在(zai)形成“需(xu)求牵引供给”的正向循环(huan)，实现(xian)“算力+行业”的双向赋能。人工智(zhi)能技术将加速渗(shen)透到各行各业，成为推(tui)动产业升级和经济发(fa)展的重要(yao)引擎。

最后，探(tan)索(suo)低碳(tan)AI发(fa)展路径，在(zai)效率提升和能源可持(chi)续性之间寻求平衡。DeepSeek通过算法(fa)架(jia)构优化和硬件能效协(xie)同，在(zai)单次运算能耗控制方面取得了突破性进展。通过MLA与MoE技术融合、强化学习（RL）的深度应用、稀疏化训练等核(he)心技术，DeepSeek大幅(fu)压缩了单次计算的经济成本和能源消耗。据测(ce)算，DeepSeek模型(xing)单位计算任务(wu)的能耗较传统(tong)稠密模型(xing)下降超过50%，单位计算碳(tan)排放强度降至行业平均水平的1/3。这为推(tui)进绿(lu)色数据中心建设和实现(xian)碳(tan)中和目标提供了关(guan)键的技术支撑(cheng)。

更重要(yao)的是，DeepSeek通过“低能耗+分布式”模式，显(xian)著降低了高性能AI对传统(tong)能源的依赖。分布式与边缘计算架(jia)构，将计算任务(wu)分散到靠近数据源的边缘设备处理，有效减少(shao)了对集中式数据中心的电力依赖。同时，DeepSeek的高性能模型(xing)在(zai)实现(xian)同等效果时，与清洁能源耦合的能效显(xian)著优于传统(tong)AI架(jia)构。

分布式计算与边缘节点的高效协(xie)同，不仅(jin)大幅(fu)降低了集中式数据中心对传统(tong)能源的依赖，也使(shi)AI系统(tong)能够更灵活地协(xie)调计算任务(wu)和清洁能源供给，更加适配可再生能源的波动性特点。例如(ru)，在(zai)太阳能充足的时段(duan)优先调度计算任务(wu)，并借助优化算法(fa)动态匹配能源供给波动，在(zai)弃风弃光时段(duan)提升消纳率20%以上，从而有效破解新能源消纳难题。

杰(jie)文斯悖论：效率提升与需(xu)求扩张

然而，DeepSeek R1的技术突破，在(zai)降低人工智(zhi)能应用门槛的同时，也可能引发(fa)“杰(jie)文斯悖论”。杰(jie)文斯悖论由19世纪经济学家 William Stanley Jevons提出，他发(fa)现(xian)，随着煤炭使(shi)用效率的提高，煤炭的消耗总量反而增加。这一悖论揭示了一个深刻的经济规律：效率的提升并不必(bi)然导致资源消耗的减少(shao)，反而可能因为成本降低和应用范围(wei)扩大，刺激(ji)需(xu)求增长，最终导致资源消耗总量增加。

微软 CEO Satya Nadella引用杰(jie)文斯悖论来解释DeepSeek R1可能带(dai)来的影响，可谓(wei)一针见血。他认(ren)为，更实惠、更易于访问的人工智(zhi)能技术，将通过更快的普及和更广泛(fan)的应用，导致需(xu)求的激(ji)增。随着人工智(zhi)能技术的门槛降低，过去(qu)由于成本限制而无法(fa)应用人工智(zhi)能的领域，例如(ru)中小企业、边缘计算场景等，将涌(yong)现(xian)出大量新的应用需(xu)求，从而导致算力调用密度指数级上升。

此外，新兴应用场景的爆发(fa)，也将加速算力需(xu)求的裂变。智(zhi)能驾驶、具身机(ji)器人等前沿领域对实时算力的需(xu)求极为庞大，远超DeepSeek技术优化的速度。即使(shi)单任务(wu)效率提升数倍，百万级智(zhi)能终端的并发(fa)需(xu)求，仍将形成巨大的算力吞噬黑(hei)洞(dong)。

更进一步(bu)，模型(xing)复杂性的提升，也可能在(zai)一定程度上抵消效率提升带(dai)来的节能效果。为了探(tan)索(suo)通用人工智(zhi)能（AGI）等前沿方向，模型(xing)参数规模不断向万亿级跃升，数据量也以年均30%的速度增长。即使(shi)训练效率提升10倍，模型(xing)规模扩大100倍，仍然会导致算力总需(xu)求净增10倍。DeepSeek的高效算法(fa)或许能够“追赶”数据增长的速度，但难以从根本上逆转算力需(xu)求的增长曲线。

因此，DeepSeek R1的技术突破，虽然在(zai)单位算力能耗上取得了显(xian)著降低，但从宏观层面来看，很可能无法(fa)有效缓解人工智(zhi)能发(fa)展对算力和能源的巨大需(xu)求。相反，技术普惠性引发(fa)的应用爆发(fa)，以及模型(xing)复杂性的持(chi)续提升，可能会共同推(tui)动算力需(xu)求的加速增长，最终导致电力系统(tong)在(zai)需(xu)求激(ji)增的压力下加速重构。

算力的尽头，依然是电力

尽管DeepSeek R1在(zai)算力效率上取得了突破，并可能推(tui)动算力生态向分布式方向发(fa)展，但其技术进步(bu)并不能改变人工智(zhi)能发(fa)展对能源的巨大需(xu)求。算力的尽头，依然是电力。

DeepSeek等人工智(zhi)能技术的突破，将不可避免地推(tui)高全球电力需(xu)求。“杰(jie)文斯悖论”的加速效应，可能使(shi)全球电力需(xu)求曲线更加陡峭。尽管DeepSeek通过优化算法(fa)、硬件适配等技术，显(xian)著提升了人工智(zhi)能算力效率，降低了单次任务(wu)的能耗，打破了人工智(zhi)能应用的经济门槛，但这种技术跃迁预(yu)计将同步(bu)触发(fa)“杰(jie)文斯悖论”，能源消耗总量或将突破线性增长模式，形成“效率提升-应用扩张-能耗跃升”的闭(bi)环(huan)。

国际能源署（IEA）的数据显(xian)示，2022年全球数据中心耗电量已达460TWh，占全球总用电量的2%。预(yu)计到2026年，全球数据中心耗电量将扩张至620-1050TWh。这意味(wei)着，未(wei)来几年内，数据中心的能源消耗将呈现(xian)指数级增长趋势。

面对如(ru)此巨大的能源需(xu)求，全球科技巨头们已经掀起(qi)了一场围(wei)绕电力资源的争夺战。美国微软与OpenAI等科技巨头联合发(fa)起(qi)了“星际之门计划”，计划耗资千亿美元(yuan)，在(zai)2030年前建成全球最大的AI超算集群。“星际之门”的目标是建设5-10个数据中心园区，每个园区设计功率约为100兆瓦，总电力需(xu)求将达到5GW-10GW级别。这相当于数个大型(xing)城市的用电量。

“电力缺口可能成为AI时代的卡(ka)脖子问题”，这正在(zai)成为行业共识。科技巨头对清洁能源的大规模投(tou)资和抢(qiang)占，本质上是对新一轮工业革命(ming)核(he)心资源的争夺。谁掌握了充足、廉价、绿(lu)色的电力资源，谁就将在(zai)人工智(zhi)能时代的竞争中占据更有利的位置。需(xu)要(yao)举(ju)具体的案(an)例。

四家拥有大模型(xing)业务(wu)的美国科技公司——微软、亚马逊(xun)、谷(gu)歌、Meta仍然坚持(chi)“大力出奇迹(ji)”的策略，即大规模算力投(tou)资。2024年，美国科技四巨头的资本支出均达到历(li)史最高点，总额高达2431亿美元(yuan)，同比(bi)增长63%。预(yu)计2025年，它们的资本支出总额将超过3200亿美元(yuan)，总增速约为30%。

巨额的资本支出，主要(yao)用于购买算力设备，建设数据中心，以支撑(cheng)人工智(zhi)能业务(wu)的快速发(fa)展。这些科技巨头们相信，更高的算力投(tou)入，能够带(dai)来更好的模型(xing)性能和更快的技术迭(die)代速度。在(zai)商业竞争中，算力的质量代表的是速度问题，更高算力通常带(dai)来更好的效果。短期内节省算力固然重要(yao)，但从长远来看，算力需(xu)求只会螺旋上升，面向未(wei)来投(tou)资算力才是更重要(yao)的战略选择(ze)。英伟达2025年2月6日其股价单日涨幅(fu)超5%，市值重回3万亿美元(yuan)，也回应了这个趋势，反映了市场对算力芯片（如(ru)GB200芯片）放量的预(yu)期。

这些科技巨头们之所(suo)以敢于如(ru)此大手笔(bi)地投(tou)入算力，一方面是因为它们“钱袋子”依然富余，净利润和现(xian)金流能够支撑(cheng)高强度的算力投(tou)资；另一方面，巨额的算力投(tou)资也已经产生了实际回报(bao)，“云+AI”业务(wu)的收入和利润正在(zai)快速增长，这进一步(bu)刺激(ji)了它们加大算力投(tou)资的力度。谷(gu)歌、微软等巨头在(zai)2025年Q1财报(bao)中披露，AI业务(wu)资本开(kai)支同比(bi)增35%，表明算力扩张仍在(zai)持(chi)续，电力需(xu)求韧性显(xian)现(xian)。

除去(qu)科技公司，主权国家和地区也同步(bu)进入到算力的竞赛当中。欧盟委员会于2025年2月宣布的“Invest AI”计划，拟通过公共和私人资金调动总额2000亿欧元(yuan)，核(he)心目标是建设4座AI超级工厂，配备约10万颗最先进AI芯片（是目前欧洲在(zai)建工厂的4倍），专注(zhu)于训练复杂AI模型(xing)。其中，200亿欧元(yuan)专门用于设立欧洲基金支持(chi)这些工厂。日本、沙特、印度等国家也纷纷将算力主权纳入国家战略。

中国路径：效率、可持(chi)续性与分布式协(xie)同

面对全球人工智(zhi)能发(fa)展的新趋势，以及算力与能源的挑战，中国需(xu)要(yao)探(tan)索(suo)一条具有自身特色的发(fa)展路径。DeepSeekR1的技术突破，为我们提供了一个重要(yao)的启示：在(zai)人工智(zhi)能发(fa)展中，效率和可持(chi)续性同样重要(yao)，甚至比(bi)单纯的算力堆砌(qi)更为关(guan)键。

中国在(zai)人工智(zhi)能发(fa)展上，既要(yao)仰望星空，追求前沿技术的突破，也要(yao)脚(jiao)踏实地，注(zhu)重应用场景的落地。DeepSeek R1和V3的出现(xian)，代表了一种相对低算力、高表现(xian)的技术路线，这符合中国国情和发(fa)展阶段(duan)的实际需(xu)求。对于中国而言，在(zai)算力资源相对紧张的情况下，更应该注(zhu)重效率优化，通过技术创新，提升单位算力的价值，降低对能源的消耗。

同时，中国也要(yao)清醒(xing)地认(ren)识到，优秀(xiu)的硬件在(zai)人工智(zhi)能发(fa)展过程中仍然不可替(ti)代。算法(fa)的优化固然重要(yao)，但更好的硬件意味(wei)着更低的训练时间和更高的效率。尤其是在(zai)人工智(zhi)能前沿研究领域，例如(ru)AI for Science，仍然需(xu)要(yao)足够的算力进行支持(chi)。因此，中国在(zai)发(fa)展高效算法(fa)的同时，也要(yao)加强在(zai)算力基础设施领域的投(tou)入，构建自主可控的算力底座。

未(wei)来，人工智(zhi)能领域的竞争，将是前沿技术创新和应用场景落地的双线竞争。既要(yao)“卷(juan)前沿”，在(zai)基础理论和核(he)心技术上取得突破，也要(yao)“卷(juan)应用”，将人工智(zhi)能技术广泛(fan)应用到各行各业，创造实际价值。有能力的企业，必(bi)然是“两手都要(yao)抓，两手都要(yao)硬”，既要(yao)布局前沿技术，也要(yao)深耕应用场景。

在(zai)能源战略上，中国应坚持(chi)效率优先、绿(lu)色发(fa)展的原则，在(zai)效率与可持(chi)续性之间寻找平衡。DeepSeek 的分布式算力架(jia)构，为我们提供了一个重要(yao)的方向：通过分布式革命(ming)，瓦解算力集中垄断的格局，构建更加灵活、高效、绿(lu)色的算力网络。

更进一步(bu)，算力分布式革命(ming)，应与分布式能源革命(ming)协(xie)同推(tui)进。通过将算力设施与分布式能源（如(ru)光伏、风电）相结合，构建“源-荷(he)-储-算”协(xie)同的新型(xing)电力系统(tong)。分布式算力可以作(zuo)为新型(xing)电力系统(tong)的“荷(he)”，通过智(zhi)能调度算法(fa)，与分布式能源的波动性出力相匹配，实现(xian)“电-算协(xie)同”，提升清洁能源的消纳能力，降低电力系统(tong)的风险(xian)。

分布式算力革命(ming)与分布式能源革命(ming)的协(xie)同发(fa)展，将倒逼(bi)电网进化，加速传统(tong)电网向智(zhi)能电网转型(xing)。智(zhi)能电网需(xu)要(yao)具备动态负(fu)荷(he)优化分配、实时响应能力，以适应分布式能源和分布式算力的需(xu)求。这将推(tui)动电力系统(tong)从传统(tong)的“单向传输”模式，向“双向互动”、“源网荷(he)储”协(xie)同优化的模式转变，构建更加清洁、高效、安全、可靠的现(xian)代能源体系。

结论：展望人工智(zhi)能、算力与能源的未(wei)来

DeepSeek R1的出现(xian)，标志着人工智(zhi)能技术发(fa)展进入了一个新的阶段(duan)。效率优化和成本控制，成为人工智(zhi)能技术发(fa)展的重要(yao)驱动力。然而，技术进步(bu)并不能改变人工智(zhi)能对算力和能源的巨大需(xu)求。杰(jie)文斯悖论提醒(xing)我们，效率提升并不必(bi)然导致资源消耗的减少(shao)，反而可能刺激(ji)需(xu)求增长，最终导致资源消耗总量增加。

面对人工智(zhi)能发(fa)展带(dai)来的算力与能源挑战，全球科技界和能源界需(xu)要(yao)携手合作(zuo)，共同探(tan)索(suo)可持(chi)续发(fa)展之路。一方面，要(yao)继(ji)续加强技术创新，提升算力效率，降低单位算力能耗；另一方面，要(yao)大力发(fa)展清洁能源，构建绿(lu)色算力基础设施，推(tui)动能源结构的转型(xing)升级。

在(zai)中国，我们应坚持(chi)效率优先、绿(lu)色发(fa)展的原则，探(tan)索(suo)具有中国特色的AI发(fa)展路径。通过技术创新、模式创新和政策引导，在(zai)效率与可持(chi)续性之间找到最佳平衡点，实现(xian)人工智(zhi)能与经济社会、生态环(huan)境的和谐共生。算力分布式革命(ming)与分布式能源革命(ming)的协(xie)同推(tui)进，将为中国构建绿(lu)色、高效、智(zhi)能的未(wei)来能源体系，赢得人工智(zhi)能时代的竞争优势，提供强劲的动力。

作(zuo)者(zhe)信息

刘少(shao)轩：

上海交通大学安泰经济与管理学院副院长

上海交通大学中银科技金融学院执行院长

陈钰什：

New Energy Nexus中国首席研究员，上海交通大学中银科技金融学院博士后