Deepseek也(ye)引起了对美国科技(ji)股和能源股短期剧烈震荡。英伟达单日跌(die)幅最(zui)高达17%，创美股历史(shi)最(zui)大单日市值蒸发纪(ji)录（约6000亿美元），博通、AMD、台积电(dian)等芯片股同步重挫。纳斯达克指数下跌(die)3.1%，标普500指数下跌(die)1.5%，市场对美国科技(ji)巨头的高估值（如美股七巨头中，英伟达的市盈率(lu)在(zai)46倍左右，苹果的市盈率(lu)在(zai)36倍左右，特斯拉(la)183倍市盈率(lu)。如今，七巨头的平均市盈率(lu)接(jie)近50倍，市值占美股总市值28%左右。）产生质疑。此外，由于R1通过算法优化显著降低模型能耗（内存使用(yong)减少50%以上），市场担忧AI对电(dian)力(li)需求的增(zeng)长预期被打破，导致美国联合能源、Vistra等能源公司股价(jia)暴跌(die)21%-29%。

尽管DeepSeek在(zai)技(ji)术上取得了巨大进步，但(dan)其(qi)在(zai)中国境外的未来发展仍面临不确定性，部分西方机构和政府(fu)已开始限制使用(yong)其(qi)服务。然而，全球(qiu)人工智(zhi)能领域都在(zai)密切关(guan)注DeepSeek如何(he)以如此低的成本实现领先性能。如果DeepSeek的方法能够被广泛复制，那么对于东南(nan)亚地区(qu)、澳大利亚、新西兰等中小型国家而言，或许(xu)将有机会以更低的成本进入基础模型领域，这在(zai)过去是难以想象的。

对于澳新地区(qu)的数据中心运营商而言，人工智(zhi)能技(ji)术成本的潜在(zai)降低，无(wu)疑缓解了对外国模型安全性和可靠性风险的担忧。Macquarie Data Centres的高管David Hirst指出，人工智(zhi)能行业的发展速度远超以往(wang)任何(he)技(ji)术趋势，且仍处于早期阶段。他认为，人工智(zhi)能正在(zai)并将继续证明(ming)，它是世界上发展最(zui)快的技(ji)术之一，而我们才刚(gang)刚(gang)触及人工智(zhi)能所能实现的冰(bing)山一角。人工智(zhi)能将从根本上改变所有行业的运作方式以及人类的潜力(li)。以Deepseek为例，从2024年1月5日，DeepSeek发布了首个大模型DeepSeek LLM到2024年12月26日，正式上线(xian)DeepSeek-V3模型，并同步开源，标准着全球(qiu)首个全开源的混合专家（MoE）模型出现，再到2025年1月20日发布的DeekSeek-R1推理大模型。从在(zai)极短的时间内，人工智(zhi)能已取得显著进展。大型语言模型的快速发展，从模型的迭代、算力(li)的更新，到训练和推理成本的下降，再到智(zhi)能体的产品形态出现，人工智(zhi)能正在(zai)不断提高行业效率(lu)，并最(zui)终降低成本。DeepSeek模型的创新，通过简(jian)化训练过程和更有效地利用(yong)硬件，标志着在(zai)降低人工智(zhi)能训练和推理门槛方面迈(mai)出了重要一步，为更多企业应用(yong)这项技(ji)术打开了大门。

DeepSeek R1 的技(ji)术特点：效率(lu)与(yu)成本优势

DeepSeek R1 模型的出现之所以能引发行业震动，核心在(zai)于其(qi)在(zai)效率(lu)和成本控制上的突破。DeepSeek 通过一系列(lie)技(ji)术创新，实现了在(zai)相对较低的算力(li)投入下，获得可媲美甚至超越头部模型的性能表现。这些技(ji)术特点主要包括：

混合专家模型（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低算力(li)需求的关(guan)键。与(yu)传统的稠密模型不同，MoE模型包含多个“专家”子网络，每个子网络专门处理特定类型的输(shu)入。在(zai)推理过程中，模型会根据输(shu)入内容动态选择激活(huo)部分专家网络，而非所有网络，从而大幅减少计(ji)算量，提高推理效率(lu)。DeepSeek将MoE技(ji)术与(yu)模型架构深度融合，实现了性能与(yu)效率(lu)的平衡。

多头潜注意(yi)力(li)机制（MLA）：该技(ji)术为DeepSeek团队独创，针对传统Transformer模型的“多头注意(yi)力(li)机制”在(zai)处理长文(wen)本时容易“分心”的问题，MLA通过压缩关(guan)键信息，让模型更聚焦核心内容这种协(xie)同优化方法，能够最(zui)大化硬件资源的利用(yong)效率(lu)，降低整(zheng)体算力(li)需求。

PTX汇编语言优化：为了更充分地挖掘硬件潜力(li)，DeepSeek甚至深入到硬件底层，采用(yong)PTX汇编语言对核心计(ji)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(ji)优化，可以最(zui)大限度地提升代码执行效率(lu)，减少不必要的计(ji)算开销(xiao)。这种极致的优化精神，体现了DeepSeek在(zai)算力(li)效率(lu)上的极致追求。

蒸馏技(ji)术与(yu)分布式/边缘(yuan)计(ji)算架构:DeepSeek推出了一项卓越的模型蒸馏技(ji)术，该技(ji)术实现了将高性能AI模型的核心推理能力(li)高效移植至轻量化版(ban)本中的目标。这一突破不仅(jin)结合了开源与(yu)轻量化的双重优势，进一步降低了人工智(zhi)能技(ji)术的应用(yong)门槛，同时也(ye)为边缘(yuan)计(ji)算领域带(dai)来了前所未有的发展机遇(yu)。企业能够依据自身行业特点，在(zai)本地进行模型训练，使得原本依赖(lai)于高性能服务器和稳定网络环境的边缘(yuan)设备得以焕发新生。此外，DeepSeek积极探(tan)索(suo)分布式计(ji)算与(yu)边缘(yuan)计(ji)算架构的新路径，通过将计(ji)算任务分布至更靠近数据源的边缘(yuan)节点，从而大幅减少对中央数据中心的依赖(lai)。这不仅(jin)有效缓解了数据传输(shu)过程中的延迟问题和带(dai)宽压力(li)，同时优化了边缘(yuan)设备算力(li)资源的利用(yong)效率(lu)，构建了一个更加(jia)灵活(huo)高效的算力(li)部署方案。

通过上述技(ji)术组合拳(quan)，DeepSeek R1实现了在(zai)保(bao)证模型性能的同时，大幅降低训练和推理的算力(li)需求和成本。这使得人工智(zhi)能技(ji)术的应用(yong)门槛显著降低，为更广泛的应用(yong)场景(jing)打开了大门。

算力(li)生态的重构与(yu)资源再分配

DeepSeek R1的出现，不仅(jin)可能引发算力(li)需求的增(zeng)长，还将深刻地重塑全球(qiu)算力(li)生态，并导致算力(li)资源的重新分配。

首先，分布式革(ge)命与(yu)集中霸权竞争。传统人工智(zhi)能发展模式往(wang)往(wang)依赖(lai)于“规(gui)模至上”的逻(luo)辑，追求超大规(gui)模模型和超大规(gui)模算力(li)集群。DeepSeek R1的轻量化模型和开源策略，降低了人工智(zhi)能应用(yong)的门槛，促进了中端算力(li)设施和分布式数据中心的普及。此前，美国科技(ji)公司曾计(ji)划建设耗电(dian)量堪比纽约市的巨型数据中心，但(dan)在(zai)DeepSeek高效模型的影响下，此类超大规(gui)模基础设施的必要性显著下降。算力(li)生态正在(zai)从单一“超大规(gui)模中心垄断”模式转向与(yu)“分布式蜂群网络”竞争的模式。

其(qi)次(ci)，产业链价(jia)值重新分配。在(zai)算力(li)产业链上游，DeepSeek的出现使英伟达等GPU巨头面临需求结构调整(zheng)的挑战。由于DeepSeek模型对算力(li)效率(lu)的提升，以及分布式计(ji)算的兴起，市场对高性能GPU的需求可能不再是无(wu)止境的扩张，而是更加(jia)注重能效比和定制化。与(yu)此同时，寒武纪(ji)等ASIC芯片厂(chang)商或将迎来发展机遇(yu)。ASIC芯片可以针对特定的人工智(zhi)能应用(yong)进行硬件加(jia)速，在(zai)能效比和成本控制上更具优势，更符合分布式算力(li)发展的趋势。在(zai)中游算力(li)服务端，区(qu)域性数据中心凭(ping)借低时延和贴近应用(yong)场景(jing)的优势，开始承(cheng)接(jie)制造业智(zhi)能质检(jian)、金融风控等对延迟敏感的应用(yong)需求，迫使AWS、阿里云等云计(ji)算巨头调整(zheng)部分大型数据中心的建设投入，转而加(jia)强(qiang)边缘(yuan)计(ji)算和分布式算力(li)布局。

在(zai)下游应用(yong)端，国产算力(li)成本的下降，将驱动人工智(zhi)能在(zai)制造业、金融、医(yi)疗等领域的渗透(tou)率(lu)倍增(zeng)。例如，在(zai)代码托管平台GitHub上，已涌现出大量基于DeepSeek模型的集成应用(yong)案例（awesome deepseek integration）。同时，中国各地省市纷纷上线(xian)R1模型，加(jia)速人工智(zhi)能的区(qu)域化、本地化部署。越来越形成形成“需求牵引供给”的正向循环，实现“算力(li)+行业”的双向赋能。这种趋势正在(zai)形成“需求牵引供给”的正向循环，实现“算力(li)+行业”的双向赋能。人工智(zhi)能技(ji)术将加(jia)速渗透(tou)到各行各业，成为推动产业升级(ji)和经济发展的重要引擎。

最(zui)后，探(tan)索(suo)低碳AI发展路径，在(zai)效率(lu)提升和能源可持续性之间寻求平衡。DeepSeek通过算法架构优化和硬件能效协(xie)同，在(zai)单次(ci)运算能耗控制方面取得了突破性进展。通过MLA与(yu)MoE技(ji)术融合、强(qiang)化学习（RL）的深度应用(yong)、稀疏化训练等核心技(ji)术，DeepSeek大幅压缩了单次(ci)计(ji)算的经济成本和能源消耗。据测算，DeepSeek模型单位计(ji)算任务的能耗较传统稠密模型下降超过50%，单位计(ji)算碳排放强(qiang)度降至行业平均水平的1/3。这为推进绿色数据中心建设和实现碳中和目标提供了关(guan)键的技(ji)术支撑。

更重要的是，DeepSeek通过“低能耗+分布式”模式，显著降低了高性能AI对传统能源的依赖(lai)。分布式与(yu)边缘(yuan)计(ji)算架构，将计(ji)算任务分散到靠近数据源的边缘(yuan)设备处理，有效减少了对集中式数据中心的电(dian)力(li)依赖(lai)。同时，DeepSeek的高性能模型在(zai)实现同等效果时，与(yu)清洁能源耦合的能效显著优于传统AI架构。

分布式计(ji)算与(yu)边缘(yuan)节点的高效协(xie)同，不仅(jin)大幅降低了集中式数据中心对传统能源的依赖(lai)，也(ye)使AI系统能够更灵活(huo)地协(xie)调计(ji)算任务和清洁能源供给，更加(jia)适配可再生能源的波动性特点。例如，在(zai)太(tai)阳能充足的时段优先调度计(ji)算任务，并借助(zhu)优化算法动态匹配能源供给波动，在(zai)弃风弃光(guang)时段提升消纳率(lu)20%以上，从而有效破解新能源消纳难题。

杰文(wen)斯悖论：效率(lu)提升与(yu)需求扩张

然而，DeepSeek R1的技(ji)术突破，在(zai)降低人工智(zhi)能应用(yong)门槛的同时，也(ye)可能引发“杰文(wen)斯悖论”。杰文(wen)斯悖论由19世纪(ji)经济学家 William Stanley Jevons提出，他发现，随着煤炭使用(yong)效率(lu)的提高，煤炭的消耗总量反而增(zeng)加(jia)。这一悖论揭(jie)示了一个深刻的经济规(gui)律：效率(lu)的提升并不必然导致资源消耗的减少，反而可能因为成本降低和应用(yong)范围扩大，刺激需求增(zeng)长，最(zui)终导致资源消耗总量增(zeng)加(jia)。

微软 CEO Satya Nadella引用(yong)杰文(wen)斯悖论来解释(shi)DeepSeek R1可能带(dai)来的影响，可谓一针见血。他认为，更实惠、更易于访问的人工智(zhi)能技(ji)术，将通过更快的普及和更广泛的应用(yong)，导致需求的激增(zeng)。随着人工智(zhi)能技(ji)术的门槛降低，过去由于成本限制而无(wu)法应用(yong)人工智(zhi)能的领域，例如中小企业、边缘(yuan)计(ji)算场景(jing)等，将涌现出大量新的应用(yong)需求，从而导致算力(li)调用(yong)密度指数级(ji)上升。

此外，新兴应用(yong)场景(jing)的爆发，也(ye)将加(jia)速算力(li)需求的裂变。智(zhi)能驾驶、具身机器人等前沿领域对实时算力(li)的需求极为庞大，远超DeepSeek技(ji)术优化的速度。即(ji)使单任务效率(lu)提升数倍，百万级(ji)智(zhi)能终端的并发需求，仍将形成巨大的算力(li)吞噬黑洞。

更进一步，模型复杂性的提升，也(ye)可能在(zai)一定程度上抵消效率(lu)提升带(dai)来的节能效果。为了探(tan)索(suo)通用(yong)人工智(zhi)能（AGI）等前沿方向，模型参数规(gui)模不断向万亿级(ji)跃升，数据量也(ye)以年均30%的速度增(zeng)长。即(ji)使训练效率(lu)提升10倍，模型规(gui)模扩大100倍，仍然会导致算力(li)总需求净增(zeng)10倍。DeepSeek的高效算法或许(xu)能够“追赶”数据增(zeng)长的速度，但(dan)难以从根本上逆转算力(li)需求的增(zeng)长曲线(xian)。

因此，DeepSeek R1的技(ji)术突破，虽然在(zai)单位算力(li)能耗上取得了显著降低，但(dan)从宏观(guan)层面来看，很可能无(wu)法有效缓解人工智(zhi)能发展对算力(li)和能源的巨大需求。相反，技(ji)术普惠性引发的应用(yong)爆发，以及模型复杂性的持续提升，可能会共同推动算力(li)需求的加(jia)速增(zeng)长，最(zui)终导致电(dian)力(li)系统在(zai)需求激增(zeng)的压力(li)下加(jia)速重构。

算力(li)的尽头，依然是电(dian)力(li)

尽管DeepSeek R1在(zai)算力(li)效率(lu)上取得了突破，并可能推动算力(li)生态向分布式方向发展，但(dan)其(qi)技(ji)术进步并不能改变人工智(zhi)能发展对能源的巨大需求。算力(li)的尽头，依然是电(dian)力(li)。

DeepSeek等人工智(zhi)能技(ji)术的突破，将不可避免(mian)地推高全球(qiu)电(dian)力(li)需求。“杰文(wen)斯悖论”的加(jia)速效应，可能使全球(qiu)电(dian)力(li)需求曲线(xian)更加(jia)陡峭(qiao)。尽管DeepSeek通过优化算法、硬件适配等技(ji)术，显著提升了人工智(zhi)能算力(li)效率(lu)，降低了单次(ci)任务的能耗，打破了人工智(zhi)能应用(yong)的经济门槛，但(dan)这种技(ji)术跃迁预计(ji)将同步触发“杰文(wen)斯悖论”，能源消耗总量或将突破线(xian)性增(zeng)长模式，形成“效率(lu)提升-应用(yong)扩张-能耗跃升”的闭环。

国际能源署（IEA）的数据显示，2022年全球(qiu)数据中心耗电(dian)量已达460TWh，占全球(qiu)总用(yong)电(dian)量的2%。预计(ji)到2026年，全球(qiu)数据中心耗电(dian)量将扩张至620-1050TWh。这意(yi)味(wei)着，未来几年内，数据中心的能源消耗将呈现指数级(ji)增(zeng)长趋势。

面对如此巨大的能源需求，全球(qiu)科技(ji)巨头们已经掀起了一场围绕(rao)电(dian)力(li)资源的争夺(duo)战。美国微软与(yu)OpenAI等科技(ji)巨头联合发起了“星际之门计(ji)划”，计(ji)划耗资千亿美元，在(zai)2030年前建成全球(qiu)最(zui)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(qu)，每个园区(qu)设计(ji)功率(lu)约为100兆瓦，总电(dian)力(li)需求将达到5GW-10GW级(ji)别。这相当于数个大型城市的用(yong)电(dian)量。

“电(dian)力(li)缺口(kou)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(ji)巨头对清洁能源的大规(gui)模投资和抢占，本质上是对新一轮(lun)工业革(ge)命核心资源的争夺(duo)。谁掌握了充足、廉价(jia)、绿色的电(dian)力(li)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。需要举具体的案例。

四家拥有大模型业务的美国科技(ji)公司——微软、亚马逊、谷歌、Meta仍然坚(jian)持“大力(li)出奇迹”的策略，即(ji)大规(gui)模算力(li)投资。2024年，美国科技(ji)四巨头的资本支出均达到历史(shi)最(zui)高点，总额高达2431亿美元，同比增(zeng)长63%。预计(ji)2025年，它们的资本支出总额将超过3200亿美元，总增(zeng)速约为30%。

巨额的资本支出，主要用(yong)于购买算力(li)设备，建设数据中心，以支撑人工智(zhi)能业务的快速发展。这些科技(ji)巨头们相信，更高的算力(li)投入，能够带(dai)来更好的模型性能和更快的技(ji)术迭代速度。在(zai)商业竞争中，算力(li)的质量代表的是速度问题，更高算力(li)通常带(dai)来更好的效果。短期内节省算力(li)固然重要，但(dan)从长远来看，算力(li)需求只会螺旋上升，面向未来投资算力(li)才是更重要的战略选择。英伟达2025年2月6日其(qi)股价(jia)单日涨幅超5%，市值重回3万亿美元，也(ye)回应了这个趋势，反映(ying)了市场对算力(li)芯片（如GB200芯片）放量的预期。

这些科技(ji)巨头们之所以敢(gan)于如此大手笔地投入算力(li)，一方面是因为它们“钱袋(dai)子”依然富余，净利润和现金流能够支撑高强(qiang)度的算力(li)投资；另一方面，巨额的算力(li)投资也(ye)已经产生了实际回报，“云+AI”业务的收入和利润正在(zai)快速增(zeng)长，这进一步刺激了它们加(jia)大算力(li)投资的力(li)度。谷歌、微软等巨头在(zai)2025年Q1财报中披露，AI业务资本开支同比增(zeng)35%，表明(ming)算力(li)扩张仍在(zai)持续，电(dian)力(li)需求韧性显现。

除(chu)去科技(ji)公司，主权国家和地区(qu)也(ye)同步进入到算力(li)的竞赛当中。欧(ou)盟委员会于2025年2月宣布的“Invest AI”计(ji)划，拟(ni)通过公共和私人资金调动总额2000亿欧(ou)元，核心目标是建设4座AI超级(ji)工厂(chang)，配备约10万颗最(zui)先进AI芯片（是目前欧(ou)洲在(zai)建工厂(chang)的4倍），专注于训练复杂AI模型。其(qi)中，200亿欧(ou)元专门用(yong)于设立欧(ou)洲基金支持这些工厂(chang)。日本、沙特、印(yin)度等国家也(ye)纷纷将算力(li)主权纳入国家战略。

中国路径：效率(lu)、可持续性与(yu)分布式协(xie)同

面对全球(qiu)人工智(zhi)能发展的新趋势，以及算力(li)与(yu)能源的挑战，中国需要探(tan)索(suo)一条具有自身特色的发展路径。DeepSeekR1的技(ji)术突破，为我们提供了一个重要的启示：在(zai)人工智(zhi)能发展中，效率(lu)和可持续性同样重要，甚至比单纯的算力(li)堆砌更为关(guan)键。

中国在(zai)人工智(zhi)能发展上，既要仰望星空，追求前沿技(ji)术的突破，也(ye)要脚踏实地，注重应用(yong)场景(jing)的落地。DeepSeek R1和V3的出现，代表了一种相对低算力(li)、高表现的技(ji)术路线(xian)，这符合中国国情(qing)和发展阶段的实际需求。对于中国而言，在(zai)算力(li)资源相对紧(jin)张的情(qing)况下，更应该注重效率(lu)优化，通过技(ji)术创新，提升单位算力(li)的价(jia)值，降低对能源的消耗。

同时，中国也(ye)要清醒地认识到，优秀的硬件在(zai)人工智(zhi)能发展过程中仍然不可替代。算法的优化固然重要，但(dan)更好的硬件意(yi)味(wei)着更低的训练时间和更高的效率(lu)。尤其(qi)是在(zai)人工智(zhi)能前沿研究领域，例如AI for Science，仍然需要足够的算力(li)进行支持。因此，中国在(zai)发展高效算法的同时，也(ye)要加(jia)强(qiang)在(zai)算力(li)基础设施领域的投入，构建自主可控的算力(li)底座。

未来，人工智(zhi)能领域的竞争，将是前沿技(ji)术创新和应用(yong)场景(jing)落地的双线(xian)竞争。既要“卷前沿”，在(zai)基础理论和核心技(ji)术上取得突破，也(ye)要“卷应用(yong)”，将人工智(zhi)能技(ji)术广泛应用(yong)到各行各业，创造实际价(jia)值。有能力(li)的企业，必然是“两手都要抓，两手都要硬”，既要布局前沿技(ji)术，也(ye)要深耕应用(yong)场景(jing)。

在(zai)能源战略上，中国应坚(jian)持效率(lu)优先、绿色发展的原则，在(zai)效率(lu)与(yu)可持续性之间寻找平衡。DeepSeek 的分布式算力(li)架构，为我们提供了一个重要的方向：通过分布式革(ge)命，瓦解算力(li)集中垄断的格局，构建更加(jia)灵活(huo)、高效、绿色的算力(li)网络。

更进一步，算力(li)分布式革(ge)命，应与(yu)分布式能源革(ge)命协(xie)同推进。通过将算力(li)设施与(yu)分布式能源（如光(guang)伏、风电(dian)）相结合，构建“源-荷-储-算”协(xie)同的新型电(dian)力(li)系统。分布式算力(li)可以作为新型电(dian)力(li)系统的“荷”，通过智(zhi)能调度算法，与(yu)分布式能源的波动性出力(li)相匹配，实现“电(dian)-算协(xie)同”，提升清洁能源的消纳能力(li)，降低电(dian)力(li)系统的风险。

分布式算力(li)革(ge)命与(yu)分布式能源革(ge)命的协(xie)同发展，将倒(dao)逼电(dian)网进化，加(jia)速传统电(dian)网向智(zhi)能电(dian)网转型。智(zhi)能电(dian)网需要具备动态负荷优化分配、实时响应能力(li)，以适应分布式能源和分布式算力(li)的需求。这将推动电(dian)力(li)系统从传统的“单向传输(shu)”模式，向“双向互动”、“源网荷储”协(xie)同优化的模式转变，构建更加(jia)清洁、高效、安全、可靠的现代能源体系。

结论：展望人工智(zhi)能、算力(li)与(yu)能源的未来

DeepSeek R1的出现，标志着人工智(zhi)能技(ji)术发展进入了一个新的阶段。效率(lu)优化和成本控制，成为人工智(zhi)能技(ji)术发展的重要驱动力(li)。然而，技(ji)术进步并不能改变人工智(zhi)能对算力(li)和能源的巨大需求。杰文(wen)斯悖论提醒我们，效率(lu)提升并不必然导致资源消耗的减少，反而可能刺激需求增(zeng)长，最(zui)终导致资源消耗总量增(zeng)加(jia)。

面对人工智(zhi)能发展带(dai)来的算力(li)与(yu)能源挑战，全球(qiu)科技(ji)界和能源界需要携手合作，共同探(tan)索(suo)可持续发展之路。一方面，要继续加(jia)强(qiang)技(ji)术创新，提升算力(li)效率(lu)，降低单位算力(li)能耗；另一方面，要大力(li)发展清洁能源，构建绿色算力(li)基础设施，推动能源结构的转型升级(ji)。

在(zai)中国，我们应坚(jian)持效率(lu)优先、绿色发展的原则，探(tan)索(suo)具有中国特色的AI发展路径。通过技(ji)术创新、模式创新和政策引导，在(zai)效率(lu)与(yu)可持续性之间找到最(zui)佳平衡点，实现人工智(zhi)能与(yu)经济社(she)会、生态环境的和谐共生。算力(li)分布式革(ge)命与(yu)分布式能源革(ge)命的协(xie)同推进，将为中国构建绿色、高效、智(zhi)能的未来能源体系，赢得人工智(zhi)能时代的竞争优势，提供强(qiang)劲的动力(li)。

作者信息

刘(liu)少轩：

上海交通大学安泰经济与(yu)管理学院副院长

上海交通大学中银(yin)科技(ji)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(yin)科技(ji)金融学院博士后