Deepseek也引起了(le)对美国科技股和(he)能源股短期剧烈震荡。英伟达(da)单日跌幅最高达(da)17%，创(chuang)美股历史最大单日市值蒸(zheng)发纪录（约(yue)6000亿美元），博通、AMD、台积电等芯(xin)片股同步重挫(cuo)。纳斯达(da)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(tou)的高估值（如(ru)美股七巨头(tou)中，英伟达(da)的市盈率在46倍左右，苹果的市盈率在36倍左右，特斯拉183倍市盈率。如(ru)今，七巨头(tou)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。此外，由于R1通过算法优化显(xian)著降低模型能耗（内存使(shi)用减少50%以上），市场担忧(you)AI对电力(li)需求的增长预期被打破，导致美国联(lian)合(he)能源、Vistra等能源公司股价暴跌21%-29%。

尽管DeepSeek在技术上取得了(le)巨大进步，但其在中国境外的未来发展仍面临不确定性，部分西(xi)方机构和(he)政府已开始限制使(shi)用其服务。然而，全球人工智(zhi)能领域都在密切关注DeepSeek如(ru)何以如(ru)此低的成本实现领先性能。如(ru)果DeepSeek的方法能够被广泛复制，那么对于东南亚地区、澳大利亚、新西(xi)兰等中小型国家而言，或(huo)许将有机会以更低的成本进入基础模型领域，这(zhe)在过去是(shi)难以想象的。

对于澳新地区的数据(ju)中心运营商而言，人工智(zhi)能技术成本的潜在降低，无疑缓解了(le)对外国模型安(an)全性和(he)可靠性风险(xian)的担忧(you)。Macquarie Data Centres的高管David Hirst指出，人工智(zhi)能行业(ye)的发展速度远超以往(wang)任何技术趋势，且仍处于早期阶段。他认为，人工智(zhi)能正在并将继(ji)续证明，它是(shi)世界(jie)上发展最快的技术之一，而我们才刚刚触及人工智(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(ye)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(le)首个大模型DeepSeek LLM到2024年12月26日，正式上线DeepSeek-V3模型，并同步开源，标准着全球首个全开源的混合(he)专家（MoE）模型出现，再到2025年1月20日发布的DeekSeek-R1推(tui)理大模型。从在极短的时间(jian)内，人工智(zhi)能已取得显(xian)著进展。大型语言模型的快速发展，从模型的迭代(dai)、算力(li)的更新，到训练和(he)推(tui)理成本的下降，再到智(zhi)能体的产品形态出现，人工智(zhi)能正在不断提高行业(ye)效率，并最终降低成本。DeepSeek模型的创(chuang)新，通过简化训练过程和(he)更有效地利用硬件，标志着在降低人工智(zhi)能训练和(he)推(tui)理门槛方面迈(mai)出了(le)重要一步，为更多企业(ye)应用这(zhe)项技术打开了(le)大门。

DeepSeek R1 的技术特点：效率与(yu)成本优势

DeepSeek R1 模型的出现之所以能引发行业(ye)震动，核心在于其在效率和(he)成本控制上的突破。DeepSeek 通过一系列技术创(chuang)新，实现了(le)在相对较低的算力(li)投入下，获得可媲美甚至超越头(tou)部模型的性能表现。这(zhe)些技术特点主要包括：

混合(he)专家模型（Mixture-of-Experts, MoE）：MoE架构是(shi)DeepSeek R1降低算力(li)需求的关键。与(yu)传统(tong)的稠密模型不同，MoE模型包含多个“专家”子网(wang)络(luo)，每个子网(wang)络(luo)专门处理特定类型的输(shu)入。在推(tui)理过程中，模型会根据(ju)输(shu)入内容动态选择激活部分专家网(wang)络(luo)，而非所有网(wang)络(luo)，从而大幅减少计(ji)算量(liang)，提高推(tui)理效率。DeepSeek将MoE技术与(yu)模型架构深度融合(he)，实现了(le)性能与(yu)效率的平衡。

多头(tou)潜注意力(li)机制（MLA）：该技术为DeepSeek团队独(du)创(chuang)，针对传统(tong)Transformer模型的“多头(tou)注意力(li)机制”在处理长文本时容易“分心”的问题，MLA通过压缩关键信息，让模型更聚(ju)焦核心内容这(zhe)种协(xie)同优化方法，能够最大化硬件资源的利用效率，降低整体算力(li)需求。

PTX汇编语言优化：为了(le)更充分地挖掘硬件潜力(li)，DeepSeek甚至深入到硬件底层，采用PTX汇编语言对核心计(ji)算模块进行优化。PTX汇编语言是(shi)一种针对NVIDIAGPU的底层编程语言，通过精细(xi)的汇编级优化，可以最大限度地提升代(dai)码(ma)执行效率，减少不必要的计(ji)算开销。这(zhe)种极致的优化精神，体现了(le)DeepSeek在算力(li)效率上的极致追求。

蒸(zheng)馏技术与(yu)分布式/边缘计(ji)算架构:DeepSeek推(tui)出了(le)一项卓越的模型蒸(zheng)馏技术，该技术实现了(le)将高性能AI模型的核心推(tui)理能力(li)高效移植至轻(qing)量(liang)化版本中的目(mu)标。这(zhe)一突破不仅结合(he)了(le)开源与(yu)轻(qing)量(liang)化的双重优势，进一步降低了(le)人工智(zhi)能技术的应用门槛，同时也为边缘计(ji)算领域带来了(le)前所未有的发展机遇。企业(ye)能够依据(ju)自身行业(ye)特点，在本地进行模型训练，使(shi)得原本依赖于高性能服务器和(he)稳定网(wang)络(luo)环境的边缘设备得以焕发新生。此外，DeepSeek积极探索分布式计(ji)算与(yu)边缘计(ji)算架构的新路径，通过将计(ji)算任务分布至更靠近数据(ju)源的边缘节点，从而大幅减少对中央数据(ju)中心的依赖。这(zhe)不仅有效缓解了(le)数据(ju)传输(shu)过程中的延(yan)迟问题和(he)带宽(kuan)压力(li)，同时优化了(le)边缘设备算力(li)资源的利用效率，构建(jian)了(le)一个更加灵活高效的算力(li)部署方案。

通过上述技术组合(he)拳，DeepSeek R1实现了(le)在保证模型性能的同时，大幅降低训练和(he)推(tui)理的算力(li)需求和(he)成本。这(zhe)使(shi)得人工智(zhi)能技术的应用门槛显(xian)著降低，为更广泛的应用场景打开了(le)大门。

算力(li)生态的重构与(yu)资源再分配

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

首先，分布式革命与(yu)集(ji)中霸权竞争(zheng)。传统(tong)人工智(zhi)能发展模式往(wang)往(wang)依赖于“规模至上”的逻辑，追求超大规模模型和(he)超大规模算力(li)集(ji)群。DeepSeek R1的轻(qing)量(liang)化模型和(he)开源策略，降低了(le)人工智(zhi)能应用的门槛，促进了(le)中端算力(li)设施和(he)分布式数据(ju)中心的普及。此前，美国科技公司曾计(ji)划建(jian)设耗电量(liang)堪比纽(niu)约(yue)市的巨型数据(ju)中心，但在DeepSeek高效模型的影响下，此类超大规模基础设施的必要性显(xian)著下降。算力(li)生态正在从单一“超大规模中心垄断”模式转向与(yu)“分布式蜂群网(wang)络(luo)”竞争(zheng)的模式。

其次(ci)，产业(ye)链价值重新分配。在算力(li)产业(ye)链上游，DeepSeek的出现使(shi)英伟达(da)等GPU巨头(tou)面临需求结构调整的挑战。由于DeepSeek模型对算力(li)效率的提升，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(shi)无止(zhi)境的扩张，而是(shi)更加注重能效比和(he)定制化。与(yu)此同时，寒武(wu)纪等ASIC芯(xin)片厂商或(huo)将迎来发展机遇。ASIC芯(xin)片可以针对特定的人工智(zhi)能应用进行硬件加速，在能效比和(he)成本控制上更具优势，更符合(he)分布式算力(li)发展的趋势。在中游算力(li)服务端，区域性数据(ju)中心凭借低时延(yan)和(he)贴(tie)近应用场景的优势，开始承接制造业(ye)智(zhi)能质检、金融风控等对延(yan)迟敏感的应用需求，迫使(shi)AWS、阿里云等云计(ji)算巨头(tou)调整部分大型数据(ju)中心的建(jian)设投入，转而加强边缘计(ji)算和(he)分布式算力(li)布局(ju)。

在下游应用端，国产算力(li)成本的下降，将驱动人工智(zhi)能在制造业(ye)、金融、医疗等领域的渗透率倍增。例如(ru)，在代(dai)码(ma)托(tuo)管平台GitHub上，已涌现出大量(liang)基于DeepSeek模型的集(ji)成应用案例（awesome deepseek integration）。同时，中国各地省市纷纷上线R1模型，加速人工智(zhi)能的区域化、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(ye)”的双向赋能。这(zhe)种趋势正在形成“需求牵引供给”的正向循环，实现“算力(li)+行业(ye)”的双向赋能。人工智(zhi)能技术将加速渗透到各行各业(ye)，成为推(tui)动产业(ye)升级和(he)经(jing)济发展的重要引擎。

最后，探索低碳AI发展路径，在效率提升和(he)能源可持续性之间(jian)寻求平衡。DeepSeek通过算法架构优化和(he)硬件能效协(xie)同，在单次(ci)运算能耗控制方面取得了(le)突破性进展。通过MLA与(yu)MoE技术融合(he)、强化学习（RL）的深度应用、稀疏化训练等核心技术，DeepSeek大幅压缩了(le)单次(ci)计(ji)算的经(jing)济成本和(he)能源消耗。据(ju)测算，DeepSeek模型单位(wei)计(ji)算任务的能耗较传统(tong)稠密模型下降超过50%，单位(wei)计(ji)算碳排放强度降至行业(ye)平均水平的1/3。这(zhe)为推(tui)进绿色数据(ju)中心建(jian)设和(he)实现碳中和(he)目(mu)标提供了(le)关键的技术支撑。

更重要的是(shi)，DeepSeek通过“低能耗+分布式”模式，显(xian)著降低了(le)高性能AI对传统(tong)能源的依赖。分布式与(yu)边缘计(ji)算架构，将计(ji)算任务分散到靠近数据(ju)源的边缘设备处理，有效减少了(le)对集(ji)中式数据(ju)中心的电力(li)依赖。同时，DeepSeek的高性能模型在实现同等效果时，与(yu)清洁能源耦(ou)合(he)的能效显(xian)著优于传统(tong)AI架构。

分布式计(ji)算与(yu)边缘节点的高效协(xie)同，不仅大幅降低了(le)集(ji)中式数据(ju)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(ji)算任务和(he)清洁能源供给，更加适(shi)配可再生能源的波动性特点。例如(ru)，在太阳能充足的时段优先调度计(ji)算任务，并借助优化算法动态匹(pi)配能源供给波动，在弃风弃光时段提升消纳率20%以上，从而有效破解新能源消纳难题。

杰文斯悖论：效率提升与(yu)需求扩张

然而，DeepSeek R1的技术突破，在降低人工智(zhi)能应用门槛的同时，也可能引发“杰文斯悖论”。杰文斯悖论由19世纪经(jing)济学家 William Stanley Jevons提出，他发现，随着煤炭使(shi)用效率的提高，煤炭的消耗总量(liang)反(fan)而增加。这(zhe)一悖论揭示了(le)一个深刻的经(jing)济规律：效率的提升并不必然导致资源消耗的减少，反(fan)而可能因为成本降低和(he)应用范围扩大，刺激需求增长，最终导致资源消耗总量(liang)增加。

微(wei)软 CEO Satya Nadella引用杰文斯悖论来解释DeepSeek R1可能带来的影响，可谓一针见血。他认为，更实惠、更易于访问的人工智(zhi)能技术，将通过更快的普及和(he)更广泛的应用，导致需求的激增。随着人工智(zhi)能技术的门槛降低，过去由于成本限制而无法应用人工智(zhi)能的领域，例如(ru)中小企业(ye)、边缘计(ji)算场景等，将涌现出大量(liang)新的应用需求，从而导致算力(li)调用密度指数级上升。

此外，新兴应用场景的爆发，也将加速算力(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(pang)大，远超DeepSeek技术优化的速度。即使(shi)单任务效率提升数倍，百万级智(zhi)能终端的并发需求，仍将形成巨大的算力(li)吞噬黑洞(dong)。

更进一步，模型复杂性的提升，也可能在一定程度上抵(di)消效率提升带来的节能效果。为了(le)探索通用人工智(zhi)能（AGI）等前沿方向，模型参(can)数规模不断向万亿级跃升，数据(ju)量(liang)也以年均30%的速度增长。即使(shi)训练效率提升10倍，模型规模扩大100倍，仍然会导致算力(li)总需求净(jing)增10倍。DeepSeek的高效算法或(huo)许能够“追赶”数据(ju)增长的速度，但难以从根本上逆转算力(li)需求的增长曲线。

因此，DeepSeek R1的技术突破，虽然在单位(wei)算力(li)能耗上取得了(le)显(xian)著降低，但从宏观层面来看，很可能无法有效缓解人工智(zhi)能发展对算力(li)和(he)能源的巨大需求。相反(fan)，技术普惠性引发的应用爆发，以及模型复杂性的持续提升，可能会共同推(tui)动算力(li)需求的加速增长，最终导致电力(li)系统(tong)在需求激增的压力(li)下加速重构。

算力(li)的尽头(tou)，依然是(shi)电力(li)

尽管DeepSeek R1在算力(li)效率上取得了(le)突破，并可能推(tui)动算力(li)生态向分布式方向发展，但其技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(tou)，依然是(shi)电力(li)。

DeepSeek等人工智(zhi)能技术的突破，将不可避免(mian)地推(tui)高全球电力(li)需求。“杰文斯悖论”的加速效应，可能使(shi)全球电力(li)需求曲线更加陡峭。尽管DeepSeek通过优化算法、硬件适(shi)配等技术，显(xian)著提升了(le)人工智(zhi)能算力(li)效率，降低了(le)单次(ci)任务的能耗，打破了(le)人工智(zhi)能应用的经(jing)济门槛，但这(zhe)种技术跃迁(qian)预计(ji)将同步触发“杰文斯悖论”，能源消耗总量(liang)或(huo)将突破线性增长模式，形成“效率提升-应用扩张-能耗跃升”的闭环。

国际能源署（IEA）的数据(ju)显(xian)示，2022年全球数据(ju)中心耗电量(liang)已达(da)460TWh，占全球总用电量(liang)的2%。预计(ji)到2026年，全球数据(ju)中心耗电量(liang)将扩张至620-1050TWh。这(zhe)意味着，未来几年内，数据(ju)中心的能源消耗将呈现指数级增长趋势。

面对如(ru)此巨大的能源需求，全球科技巨头(tou)们已经(jing)掀起了(le)一场围绕电力(li)资源的争(zheng)夺战。美国微(wei)软与(yu)OpenAI等科技巨头(tou)联(lian)合(he)发起了(le)“星际之门计(ji)划”，计(ji)划耗资千亿美元，在2030年前建(jian)成全球最大的AI超算集(ji)群。“星际之门”的目(mu)标是(shi)建(jian)设5-10个数据(ju)中心园区，每个园区设计(ji)功率约(yue)为100兆瓦，总电力(li)需求将达(da)到5GW-10GW级别。这(zhe)相当于数个大型城(cheng)市的用电量(liang)。

“电力(li)缺口可能成为AI时代(dai)的卡脖子问题”，这(zhe)正在成为行业(ye)共识。科技巨头(tou)对清洁能源的大规模投资和(he)抢占，本质上是(shi)对新一轮工业(ye)革命核心资源的争(zheng)夺。谁掌握了(le)充足、廉价、绿色的电力(li)资源，谁就(jiu)将在人工智(zhi)能时代(dai)的竞争(zheng)中占据(ju)更有利的位(wei)置。需要举具体的案例。

四(si)家拥有大模型业(ye)务的美国科技公司——微(wei)软、亚马逊(xun)、谷歌(ge)、Meta仍然坚持“大力(li)出奇迹(ji)”的策略，即大规模算力(li)投资。2024年，美国科技四(si)巨头(tou)的资本支出均达(da)到历史最高点，总额高达(da)2431亿美元，同比增长63%。预计(ji)2025年，它们的资本支出总额将超过3200亿美元，总增速约(yue)为30%。

巨额的资本支出，主要用于购买算力(li)设备，建(jian)设数据(ju)中心，以支撑人工智(zhi)能业(ye)务的快速发展。这(zhe)些科技巨头(tou)们相信，更高的算力(li)投入，能够带来更好的模型性能和(he)更快的技术迭代(dai)速度。在商业(ye)竞争(zheng)中，算力(li)的质量(liang)代(dai)表的是(shi)速度问题，更高算力(li)通常带来更好的效果。短期内节省算力(li)固然重要，但从长远来看，算力(li)需求只会螺(luo)旋上升，面向未来投资算力(li)才是(shi)更重要的战略选择。英伟达(da)2025年2月6日其股价单日涨幅超5%，市值重回3万亿美元，也回应了(le)这(zhe)个趋势，反(fan)映了(le)市场对算力(li)芯(xin)片（如(ru)GB200芯(xin)片）放量(liang)的预期。

这(zhe)些科技巨头(tou)们之所以敢于如(ru)此大手笔地投入算力(li)，一方面是(shi)因为它们“钱(qian)袋子”依然富余(yu)，净(jing)利润和(he)现金流能够支撑高强度的算力(li)投资；另(ling)一方面，巨额的算力(li)投资也已经(jing)产生了(le)实际回报，“云+AI”业(ye)务的收入和(he)利润正在快速增长，这(zhe)进一步刺激了(le)它们加大算力(li)投资的力(li)度。谷歌(ge)、微(wei)软等巨头(tou)在2025年Q1财报中披露，AI业(ye)务资本开支同比增35%，表明算力(li)扩张仍在持续，电力(li)需求韧性显(xian)现。

除去科技公司，主权国家和(he)地区也同步进入到算力(li)的竞赛当中。欧盟委员会于2025年2月宣布的“Invest AI”计(ji)划，拟通过公共和(he)私人资金调动总额2000亿欧元，核心目(mu)标是(shi)建(jian)设4座(zuo)AI超级工厂，配备约(yue)10万颗最先进AI芯(xin)片（是(shi)目(mu)前欧洲在建(jian)工厂的4倍），专注于训练复杂AI模型。其中，200亿欧元专门用于设立(li)欧洲基金支持这(zhe)些工厂。日本、沙特、印度等国家也纷纷将算力(li)主权纳入国家战略。

中国路径：效率、可持续性与(yu)分布式协(xie)同

面对全球人工智(zhi)能发展的新趋势，以及算力(li)与(yu)能源的挑战，中国需要探索一条具有自身特色的发展路径。DeepSeekR1的技术突破，为我们提供了(le)一个重要的启示：在人工智(zhi)能发展中，效率和(he)可持续性同样重要，甚至比单纯的算力(li)堆砌更为关键。

中国在人工智(zhi)能发展上，既要仰望星空，追求前沿技术的突破，也要脚踏实地，注重应用场景的落地。DeepSeek R1和(he)V3的出现，代(dai)表了(le)一种相对低算力(li)、高表现的技术路线，这(zhe)符合(he)中国国情和(he)发展阶段的实际需求。对于中国而言，在算力(li)资源相对紧张的情况下，更应该注重效率优化，通过技术创(chuang)新，提升单位(wei)算力(li)的价值，降低对能源的消耗。

同时，中国也要清醒地认识到，优秀的硬件在人工智(zhi)能发展过程中仍然不可替(ti)代(dai)。算法的优化固然重要，但更好的硬件意味着更低的训练时间(jian)和(he)更高的效率。尤其是(shi)在人工智(zhi)能前沿研究领域，例如(ru)AI for Science，仍然需要足够的算力(li)进行支持。因此，中国在发展高效算法的同时，也要加强在算力(li)基础设施领域的投入，构建(jian)自主可控的算力(li)底座(zuo)。

未来，人工智(zhi)能领域的竞争(zheng)，将是(shi)前沿技术创(chuang)新和(he)应用场景落地的双线竞争(zheng)。既要“卷前沿”，在基础理论和(he)核心技术上取得突破，也要“卷应用”，将人工智(zhi)能技术广泛应用到各行各业(ye)，创(chuang)造实际价值。有能力(li)的企业(ye)，必然是(shi)“两手都要抓，两手都要硬”，既要布局(ju)前沿技术，也要深耕应用场景。

在能源战略上，中国应坚持效率优先、绿色发展的原则，在效率与(yu)可持续性之间(jian)寻找平衡。DeepSeek 的分布式算力(li)架构，为我们提供了(le)一个重要的方向：通过分布式革命，瓦解算力(li)集(ji)中垄断的格(ge)局(ju)，构建(jian)更加灵活、高效、绿色的算力(li)网(wang)络(luo)。

更进一步，算力(li)分布式革命，应与(yu)分布式能源革命协(xie)同推(tui)进。通过将算力(li)设施与(yu)分布式能源（如(ru)光伏、风电）相结合(he)，构建(jian)“源-荷-储-算”协(xie)同的新型电力(li)系统(tong)。分布式算力(li)可以作为新型电力(li)系统(tong)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(pi)配，实现“电-算协(xie)同”，提升清洁能源的消纳能力(li)，降低电力(li)系统(tong)的风险(xian)。

分布式算力(li)革命与(yu)分布式能源革命的协(xie)同发展，将倒逼电网(wang)进化，加速传统(tong)电网(wang)向智(zhi)能电网(wang)转型。智(zhi)能电网(wang)需要具备动态负荷优化分配、实时响应能力(li)，以适(shi)应分布式能源和(he)分布式算力(li)的需求。这(zhe)将推(tui)动电力(li)系统(tong)从传统(tong)的“单向传输(shu)”模式，向“双向互动”、“源网(wang)荷储”协(xie)同优化的模式转变，构建(jian)更加清洁、高效、安(an)全、可靠的现代(dai)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)能技术发展进入了(le)一个新的阶段。效率优化和(he)成本控制，成为人工智(zhi)能技术发展的重要驱动力(li)。然而，技术进步并不能改变人工智(zhi)能对算力(li)和(he)能源的巨大需求。杰文斯悖论提醒我们，效率提升并不必然导致资源消耗的减少，反(fan)而可能刺激需求增长，最终导致资源消耗总量(liang)增加。

面对人工智(zhi)能发展带来的算力(li)与(yu)能源挑战，全球科技界(jie)和(he)能源界(jie)需要携手合(he)作，共同探索可持续发展之路。一方面，要继(ji)续加强技术创(chuang)新，提升算力(li)效率，降低单位(wei)算力(li)能耗；另(ling)一方面，要大力(li)发展清洁能源，构建(jian)绿色算力(li)基础设施，推(tui)动能源结构的转型升级。

在中国，我们应坚持效率优先、绿色发展的原则，探索具有中国特色的AI发展路径。通过技术创(chuang)新、模式创(chuang)新和(he)政策引导，在效率与(yu)可持续性之间(jian)找到最佳平衡点，实现人工智(zhi)能与(yu)经(jing)济社会、生态环境的和(he)谐共生。算力(li)分布式革命与(yu)分布式能源革命的协(xie)同推(tui)进，将为中国构建(jian)绿色、高效、智(zhi)能的未来能源体系，赢得人工智(zhi)能时代(dai)的竞争(zheng)优势，提供强劲(jin)的动力(li)。

作者(zhe)信息

刘少轩(xuan)：

上海交通大学安(an)泰经(jing)济与(yu)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