Deepseek也引(yin)起了(le)对美国科技股和能源股短期剧烈震荡(dang)。英伟(wei)达单日跌幅最高达17%，创美股历史最大单日市值蒸发纪录（约6000亿美元），博通、AMD、台积电等芯片股同步重挫(cuo)。纳斯达克指数下跌3.1%，标普500指数下跌1.5%，市场(chang)对美国科技巨头的(de)高估值（如美股七巨头中，英伟(wei)达的(de)市盈(ying)率在46倍(bei)左右(you)，苹(ping)果的(de)市盈(ying)率在36倍(bei)左右(you)，特斯拉183倍(bei)市盈(ying)率。如今，七巨头的(de)平均市盈(ying)率接近50倍(bei)，市值占美股总市值28%左右(you)。）产生质(zhi)疑。此外(wai)，由于R1通过算法优化显(xian)著(zhu)降低(di)模型能耗（内存使(shi)用(yong)减少50%以上），市场(chang)担忧AI对电力(li)需求的(de)增长预期被(bei)打破，导致美国联合(he)能源、Vistra等能源公司股价暴(bao)跌21%-29%。

尽管(guan)DeepSeek在技术上取得了(le)巨大进步，但其在中国境外(wai)的(de)未来发展仍面(mian)临不确定性，部分西方机构和政府已开始(shi)限制(zhi)使(shi)用(yong)其服务。然(ran)而，全球人(ren)工智能领域(yu)都在密切关注DeepSeek如何以如此低(di)的(de)成本实现(xian)领先性能。如果DeepSeek的(de)方法能够(gou)被(bei)广(guang)泛复制(zhi)，那么对于东南亚地区(qu)、澳大利亚、新(xin)西兰等中小型国家而言，或许将有机会以更低(di)的(de)成本进入基础模型领域(yu)，这在过去是难以想象的(de)。

对于澳新(xin)地区(qu)的(de)数据中心运(yun)营商而言，人(ren)工智能技术成本的(de)潜(qian)在降低(di)，无疑缓解(jie)了(le)对外(wai)国模型安全性和可(ke)靠性风险(xian)的(de)担忧。Macquarie Data Centres的(de)高管(guan)David Hirst指出，人(ren)工智能行业的(de)发展速度远超以往任何技术趋势，且仍处于早期阶段。他认为，人(ren)工智能正在并(bing)将继续证明，它是世界上发展最快的(de)技术之一，而我(wo)们才刚刚触及(ji)人(ren)工智能所能实现(xian)的(de)冰山一角。人(ren)工智能将从根本上改变所有行业的(de)运(yun)作方式以及(ji)人(ren)类(lei)的(de)潜(qian)力(li)。以Deepseek为例(li)，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(bing)同步开源，标准着全球首个全开源的(de)混(hun)合(he)专家（MoE）模型出现(xian)，再到2025年1月20日发布的(de)DeekSeek-R1推理大模型。从在极短的(de)时(shi)间(jian)内，人(ren)工智能已取得显(xian)著(zhu)进展。大型语言模型的(de)快速发展，从模型的(de)迭(die)代(dai)、算力(li)的(de)更新(xin)，到训练和推理成本的(de)下降，再到智能体的(de)产品形态出现(xian)，人(ren)工智能正在不断提高行业效率，并(bing)最终降低(di)成本。DeepSeek模型的(de)创新(xin)，通过简化训练过程和更有效地利用(yong)硬(ying)件，标志着在降低(di)人(ren)工智能训练和推理门槛方面(mian)迈出了(le)重要一步，为更多(duo)企业应(ying)用(yong)这项技术打开了(le)大门。

DeepSeek R1 的(de)技术特点：效率与成本优势

DeepSeek R1 模型的(de)出现(xian)之所以能引(yin)发行业震动，核心在于其在效率和成本控制(zhi)上的(de)突破。DeepSeek 通过一系列技术创新(xin)，实现(xian)了(le)在相对较低(di)的(de)算力(li)投入下，获得可(ke)媲美甚至超越头部模型的(de)性能表(biao)现(xian)。这些技术特点主要包括：

混(hun)合(he)专家模型（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低(di)算力(li)需求的(de)关键。与传统的(de)稠(chou)密模型不同，MoE模型包含多(duo)个“专家”子网络，每个子网络专门处理特定类(lei)型的(de)输入。在推理过程中，模型会根据输入内容动态选择激活部分专家网络，而非所有网络，从而大幅减少计(ji)算量，提高推理效率。DeepSeek将MoE技术与模型架构深度融(rong)合(he)，实现(xian)了(le)性能与效率的(de)平衡。

多(duo)头潜(qian)注意力(li)机制(zhi)（MLA）：该技术为DeepSeek团队独创，针对传统Transformer模型的(de)“多(duo)头注意力(li)机制(zhi)”在处理长文本时(shi)容易“分心”的(de)问题(ti)，MLA通过压缩关键信息，让模型更聚焦核心内容这种协(xie)同优化方法，能够(gou)最大化硬(ying)件资源的(de)利用(yong)效率，降低(di)整(zheng)体算力(li)需求。

PTX汇编语言优化：为了(le)更充分地挖掘硬(ying)件潜(qian)力(li)，DeepSeek甚至深入到硬(ying)件底层(ceng)，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(de)底层(ceng)编程语言，通过精(jing)细的(de)汇编级优化，可(ke)以最大限度地提升(sheng)代(dai)码执行效率，减少不必要的(de)计(ji)算开销(xiao)。这种极致的(de)优化精(jing)神，体现(xian)了(le)DeepSeek在算力(li)效率上的(de)极致追求。

蒸馏技术与分布式/边缘计(ji)算架构:DeepSeek推出了(le)一项卓越的(de)模型蒸馏技术，该技术实现(xian)了(le)将高性能AI模型的(de)核心推理能力(li)高效移植至轻量化版本中的(de)目标。这一突破不仅结合(he)了(le)开源与轻量化的(de)双重优势，进一步降低(di)了(le)人(ren)工智能技术的(de)应(ying)用(yong)门槛，同时(shi)也为边缘计(ji)算领域(yu)带(dai)来了(le)前所未有的(de)发展机遇。企业能够(gou)依据自身行业特点，在本地进行模型训练，使(shi)得原(yuan)本依赖于高性能服务器和稳定网络环境的(de)边缘设备得以焕发新(xin)生。此外(wai)，DeepSeek积极探索(suo)分布式计(ji)算与边缘计(ji)算架构的(de)新(xin)路(lu)径，通过将计(ji)算任务分布至更靠近数据源的(de)边缘节点，从而大幅减少对中央(yang)数据中心的(de)依赖。这不仅有效缓解(jie)了(le)数据传输过程中的(de)延迟问题(ti)和带(dai)宽(kuan)压力(li)，同时(shi)优化了(le)边缘设备算力(li)资源的(de)利用(yong)效率，构建了(le)一个更加灵活高效的(de)算力(li)部署(shu)方案。

通过上述(shu)技术组合(he)拳，DeepSeek R1实现(xian)了(le)在保证模型性能的(de)同时(shi)，大幅降低(di)训练和推理的(de)算力(li)需求和成本。这使(shi)得人(ren)工智能技术的(de)应(ying)用(yong)门槛显(xian)著(zhu)降低(di)，为更广(guang)泛的(de)应(ying)用(yong)场(chang)景(jing)打开了(le)大门。

算力(li)生态的(de)重构与资源再分配

DeepSeek R1的(de)出现(xian)，不仅可(ke)能引(yin)发算力(li)需求的(de)增长，还将深刻地重塑全球算力(li)生态，并(bing)导致算力(li)资源的(de)重新(xin)分配。

首先，分布式革命与集中霸权竞争。传统人(ren)工智能发展模式往往依赖于“规模至上”的(de)逻辑，追求超大规模模型和超大规模算力(li)集群。DeepSeek R1的(de)轻量化模型和开源策略，降低(di)了(le)人(ren)工智能应(ying)用(yong)的(de)门槛，促进了(le)中端(duan)算力(li)设施和分布式数据中心的(de)普及(ji)。此前，美国科技公司曾计(ji)划建设耗电量堪比纽约市的(de)巨型数据中心，但在DeepSeek高效模型的(de)影响下，此类(lei)超大规模基础设施的(de)必要性显(xian)著(zhu)下降。算力(li)生态正在从单一“超大规模中心垄断”模式转(zhuan)向与“分布式蜂群网络”竞争的(de)模式。

其次，产业链价值重新(xin)分配。在算力(li)产业链上游，DeepSeek的(de)出现(xian)使(shi)英伟(wei)达等GPU巨头面(mian)临需求结构调整(zheng)的(de)挑战。由于DeepSeek模型对算力(li)效率的(de)提升(sheng)，以及(ji)分布式计(ji)算的(de)兴起，市场(chang)对高性能GPU的(de)需求可(ke)能不再是无止境的(de)扩张，而是更加注重能效比和定制(zhi)化。与此同时(shi)，寒武纪等ASIC芯片厂商或将迎来发展机遇。ASIC芯片可(ke)以针对特定的(de)人(ren)工智能应(ying)用(yong)进行硬(ying)件加速，在能效比和成本控制(zhi)上更具优势，更符合(he)分布式算力(li)发展的(de)趋势。在中游算力(li)服务端(duan)，区(qu)域(yu)性数据中心凭借(jie)低(di)时(shi)延和贴近应(ying)用(yong)场(chang)景(jing)的(de)优势，开始(shi)承接制(zhi)造业智能质(zhi)检、金融(rong)风控等对延迟敏(min)感的(de)应(ying)用(yong)需求，迫(po)使(shi)AWS、阿(a)里云等云计(ji)算巨头调整(zheng)部分大型数据中心的(de)建设投入，转(zhuan)而加强边缘计(ji)算和分布式算力(li)布局。

在下游应(ying)用(yong)端(duan)，国产算力(li)成本的(de)下降，将驱动人(ren)工智能在制(zhi)造业、金融(rong)、医(yi)疗等领域(yu)的(de)渗透率倍(bei)增。例(li)如，在代(dai)码托管(guan)平台GitHub上，已涌现(xian)出大量基于DeepSeek模型的(de)集成应(ying)用(yong)案例(li)（awesome deepseek integration）。同时(shi)，中国各地省市纷纷上线R1模型，加速人(ren)工智能的(de)区(qu)域(yu)化、本地化部署(shu)。越来越形成形成“需求牵引(yin)供给(gei)”的(de)正向循环，实现(xian)“算力(li)+行业”的(de)双向赋能。这种趋势正在形成“需求牵引(yin)供给(gei)”的(de)正向循环，实现(xian)“算力(li)+行业”的(de)双向赋能。人(ren)工智能技术将加速渗透到各行各业，成为推动产业升(sheng)级和经济发展的(de)重要引(yin)擎。

最后，探索(suo)低(di)碳AI发展路(lu)径，在效率提升(sheng)和能源可(ke)持续性之间(jian)寻求平衡。DeepSeek通过算法架构优化和硬(ying)件能效协(xie)同，在单次运(yun)算能耗控制(zhi)方面(mian)取得了(le)突破性进展。通过MLA与MoE技术融(rong)合(he)、强化学习（RL）的(de)深度应(ying)用(yong)、稀疏化训练等核心技术，DeepSeek大幅压缩了(le)单次计(ji)算的(de)经济成本和能源消耗。据测(ce)算，DeepSeek模型单位计(ji)算任务的(de)能耗较传统稠(chou)密模型下降超过50%，单位计(ji)算碳排放(fang)强度降至行业平均水平的(de)1/3。这为推进绿色数据中心建设和实现(xian)碳中和目标提供了(le)关键的(de)技术支(zhi)撑。

更重要的(de)是，DeepSeek通过“低(di)能耗+分布式”模式，显(xian)著(zhu)降低(di)了(le)高性能AI对传统能源的(de)依赖。分布式与边缘计(ji)算架构，将计(ji)算任务分散到靠近数据源的(de)边缘设备处理，有效减少了(le)对集中式数据中心的(de)电力(li)依赖。同时(shi)，DeepSeek的(de)高性能模型在实现(xian)同等效果时(shi)，与清洁能源耦合(he)的(de)能效显(xian)著(zhu)优于传统AI架构。

分布式计(ji)算与边缘节点的(de)高效协(xie)同，不仅大幅降低(di)了(le)集中式数据中心对传统能源的(de)依赖，也使(shi)AI系统能够(gou)更灵活地协(xie)调计(ji)算任务和清洁能源供给(gei)，更加适配可(ke)再生能源的(de)波(bo)动性特点。例(li)如，在太阳能充足的(de)时(shi)段优先调度计(ji)算任务，并(bing)借(jie)助优化算法动态匹配能源供给(gei)波(bo)动，在弃风弃光时(shi)段提升(sheng)消纳率20%以上，从而有效破解(jie)新(xin)能源消纳难题(ti)。

杰文斯悖论：效率提升(sheng)与需求扩张

然(ran)而，DeepSeek R1的(de)技术突破，在降低(di)人(ren)工智能应(ying)用(yong)门槛的(de)同时(shi)，也可(ke)能引(yin)发“杰文斯悖论”。杰文斯悖论由19世纪经济学家 William Stanley Jevons提出，他发现(xian)，随着煤炭使(shi)用(yong)效率的(de)提高，煤炭的(de)消耗总量反(fan)而增加。这一悖论揭示了(le)一个深刻的(de)经济规律：效率的(de)提升(sheng)并(bing)不必然(ran)导致资源消耗的(de)减少，反(fan)而可(ke)能因为成本降低(di)和应(ying)用(yong)范(fan)围扩大，刺激需求增长，最终导致资源消耗总量增加。

微(wei)软 CEO Satya Nadella引(yin)用(yong)杰文斯悖论来解(jie)释DeepSeek R1可(ke)能带(dai)来的(de)影响，可(ke)谓一针见血。他认为，更实惠、更易于访问的(de)人(ren)工智能技术，将通过更快的(de)普及(ji)和更广(guang)泛的(de)应(ying)用(yong)，导致需求的(de)激增。随着人(ren)工智能技术的(de)门槛降低(di)，过去由于成本限制(zhi)而无法应(ying)用(yong)人(ren)工智能的(de)领域(yu)，例(li)如中小企业、边缘计(ji)算场(chang)景(jing)等，将涌现(xian)出大量新(xin)的(de)应(ying)用(yong)需求，从而导致算力(li)调用(yong)密度指数级上升(sheng)。

此外(wai)，新(xin)兴应(ying)用(yong)场(chang)景(jing)的(de)爆发，也将加速算力(li)需求的(de)裂(lie)变。智能驾驶、具身机器人(ren)等前沿领域(yu)对实时(shi)算力(li)的(de)需求极为庞大，远超DeepSeek技术优化的(de)速度。即使(shi)单任务效率提升(sheng)数倍(bei)，百万(wan)级智能终端(duan)的(de)并(bing)发需求，仍将形成巨大的(de)算力(li)吞噬黑洞。

更进一步，模型复杂性的(de)提升(sheng)，也可(ke)能在一定程度上抵消效率提升(sheng)带(dai)来的(de)节能效果。为了(le)探索(suo)通用(yong)人(ren)工智能（AGI）等前沿方向，模型参数规模不断向万(wan)亿级跃(yue)升(sheng)，数据量也以年均30%的(de)速度增长。即使(shi)训练效率提升(sheng)10倍(bei)，模型规模扩大100倍(bei)，仍然(ran)会导致算力(li)总需求净增10倍(bei)。DeepSeek的(de)高效算法或许能够(gou)“追赶”数据增长的(de)速度，但难以从根本上逆转(zhuan)算力(li)需求的(de)增长曲线。

因此，DeepSeek R1的(de)技术突破，虽然(ran)在单位算力(li)能耗上取得了(le)显(xian)著(zhu)降低(di)，但从宏观层(ceng)面(mian)来看，很可(ke)能无法有效缓解(jie)人(ren)工智能发展对算力(li)和能源的(de)巨大需求。相反(fan)，技术普惠性引(yin)发的(de)应(ying)用(yong)爆发，以及(ji)模型复杂性的(de)持续提升(sheng)，可(ke)能会共同推动算力(li)需求的(de)加速增长，最终导致电力(li)系统在需求激增的(de)压力(li)下加速重构。

算力(li)的(de)尽头，依然(ran)是电力(li)

尽管(guan)DeepSeek R1在算力(li)效率上取得了(le)突破，并(bing)可(ke)能推动算力(li)生态向分布式方向发展，但其技术进步并(bing)不能改变人(ren)工智能发展对能源的(de)巨大需求。算力(li)的(de)尽头，依然(ran)是电力(li)。

DeepSeek等人(ren)工智能技术的(de)突破，将不可(ke)避免地推高全球电力(li)需求。“杰文斯悖论”的(de)加速效应(ying)，可(ke)能使(shi)全球电力(li)需求曲线更加陡峭。尽管(guan)DeepSeek通过优化算法、硬(ying)件适配等技术，显(xian)著(zhu)提升(sheng)了(le)人(ren)工智能算力(li)效率，降低(di)了(le)单次任务的(de)能耗，打破了(le)人(ren)工智能应(ying)用(yong)的(de)经济门槛，但这种技术跃(yue)迁预计(ji)将同步触发“杰文斯悖论”，能源消耗总量或将突破线性增长模式，形成“效率提升(sheng)-应(ying)用(yong)扩张-能耗跃(yue)升(sheng)”的(de)闭环。

国际能源署(shu)（IEA）的(de)数据显(xian)示，2022年全球数据中心耗电量已达460TWh，占全球总用(yong)电量的(de)2%。预计(ji)到2026年，全球数据中心耗电量将扩张至620-1050TWh。这意味着，未来几年内，数据中心的(de)能源消耗将呈现(xian)指数级增长趋势。

面(mian)对如此巨大的(de)能源需求，全球科技巨头们已经掀起了(le)一场(chang)围绕电力(li)资源的(de)争夺战。美国微(wei)软与OpenAI等科技巨头联合(he)发起了(le)“星际之门计(ji)划”，计(ji)划耗资千亿美元，在2030年前建成全球最大的(de)AI超算集群。“星际之门”的(de)目标是建设5-10个数据中心园区(qu)，每个园区(qu)设计(ji)功率约为100兆瓦(wa)，总电力(li)需求将达到5GW-10GW级别。这相当于数个大型城市的(de)用(yong)电量。

“电力(li)缺口(kou)可(ke)能成为AI时(shi)代(dai)的(de)卡(ka)脖子问题(ti)”，这正在成为行业共识(shi)。科技巨头对清洁能源的(de)大规模投资和抢占，本质(zhi)上是对新(xin)一轮工业革命核心资源的(de)争夺。谁掌握了(le)充足、廉价、绿色的(de)电力(li)资源，谁就(jiu)将在人(ren)工智能时(shi)代(dai)的(de)竞争中占据更有利的(de)位置。需要举(ju)具体的(de)案例(li)。

四家拥有大模型业务的(de)美国科技公司——微(wei)软、亚马逊、谷歌、Meta仍然(ran)坚持“大力(li)出奇迹”的(de)策略，即大规模算力(li)投资。2024年，美国科技四巨头的(de)资本支(zhi)出均达到历史最高点，总额高达2431亿美元，同比增长63%。预计(ji)2025年，它们的(de)资本支(zhi)出总额将超过3200亿美元，总增速约为30%。

巨额的(de)资本支(zhi)出，主要用(yong)于购买算力(li)设备，建设数据中心，以支(zhi)撑人(ren)工智能业务的(de)快速发展。这些科技巨头们相信，更高的(de)算力(li)投入，能够(gou)带(dai)来更好的(de)模型性能和更快的(de)技术迭(die)代(dai)速度。在商业竞争中，算力(li)的(de)质(zhi)量代(dai)表(biao)的(de)是速度问题(ti)，更高算力(li)通常带(dai)来更好的(de)效果。短期内节省算力(li)固然(ran)重要，但从长远来看，算力(li)需求只会螺旋上升(sheng)，面(mian)向未来投资算力(li)才是更重要的(de)战略选择。英伟(wei)达2025年2月6日其股价单日涨幅超5%，市值重回3万(wan)亿美元，也回应(ying)了(le)这个趋势，反(fan)映(ying)了(le)市场(chang)对算力(li)芯片（如GB200芯片）放(fang)量的(de)预期。

这些科技巨头们之所以敢于如此大手笔(bi)地投入算力(li)，一方面(mian)是因为它们“钱(qian)袋子”依然(ran)富余，净利润(run)和现(xian)金流能够(gou)支(zhi)撑高强度的(de)算力(li)投资；另(ling)一方面(mian)，巨额的(de)算力(li)投资也已经产生了(le)实际回报，“云+AI”业务的(de)收入和利润(run)正在快速增长，这进一步刺激了(le)它们加大算力(li)投资的(de)力(li)度。谷歌、微(wei)软等巨头在2025年Q1财报中披露，AI业务资本开支(zhi)同比增35%，表(biao)明算力(li)扩张仍在持续，电力(li)需求韧性显(xian)现(xian)。

除去科技公司，主权国家和地区(qu)也同步进入到算力(li)的(de)竞赛当中。欧盟委员会于2025年2月宣布的(de)“Invest AI”计(ji)划，拟(ni)通过公共和私人(ren)资金调动总额2000亿欧元，核心目标是建设4座AI超级工厂，配备约10万(wan)颗最先进AI芯片（是目前欧洲在建工厂的(de)4倍(bei)），专注于训练复杂AI模型。其中，200亿欧元专门用(yong)于设立欧洲基金支(zhi)持这些工厂。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(lu)径：效率、可(ke)持续性与分布式协(xie)同

面(mian)对全球人(ren)工智能发展的(de)新(xin)趋势，以及(ji)算力(li)与能源的(de)挑战，中国需要探索(suo)一条具有自身特色的(de)发展路(lu)径。DeepSeekR1的(de)技术突破，为我(wo)们提供了(le)一个重要的(de)启示：在人(ren)工智能发展中，效率和可(ke)持续性同样重要，甚至比单纯的(de)算力(li)堆砌更为关键。

中国在人(ren)工智能发展上，既要仰望星空，追求前沿技术的(de)突破，也要脚踏实地，注重应(ying)用(yong)场(chang)景(jing)的(de)落(luo)地。DeepSeek R1和V3的(de)出现(xian)，代(dai)表(biao)了(le)一种相对低(di)算力(li)、高表(biao)现(xian)的(de)技术路(lu)线，这符合(he)中国国情和发展阶段的(de)实际需求。对于中国而言，在算力(li)资源相对紧(jin)张的(de)情况下，更应(ying)该注重效率优化，通过技术创新(xin)，提升(sheng)单位算力(li)的(de)价值，降低(di)对能源的(de)消耗。

同时(shi)，中国也要清醒地认识(shi)到，优秀的(de)硬(ying)件在人(ren)工智能发展过程中仍然(ran)不可(ke)替代(dai)。算法的(de)优化固然(ran)重要，但更好的(de)硬(ying)件意味着更低(di)的(de)训练时(shi)间(jian)和更高的(de)效率。尤其是在人(ren)工智能前沿研究领域(yu)，例(li)如AI for Science，仍然(ran)需要足够(gou)的(de)算力(li)进行支(zhi)持。因此，中国在发展高效算法的(de)同时(shi)，也要加强在算力(li)基础设施领域(yu)的(de)投入，构建自主可(ke)控的(de)算力(li)底座。

未来，人(ren)工智能领域(yu)的(de)竞争，将是前沿技术创新(xin)和应(ying)用(yong)场(chang)景(jing)落(luo)地的(de)双线竞争。既要“卷前沿”，在基础理论和核心技术上取得突破，也要“卷应(ying)用(yong)”，将人(ren)工智能技术广(guang)泛应(ying)用(yong)到各行各业，创造实际价值。有能力(li)的(de)企业，必然(ran)是“两(liang)手都要抓，两(liang)手都要硬(ying)”，既要布局前沿技术，也要深耕应(ying)用(yong)场(chang)景(jing)。

在能源战略上，中国应(ying)坚持效率优先、绿色发展的(de)原(yuan)则，在效率与可(ke)持续性之间(jian)寻找平衡。DeepSeek 的(de)分布式算力(li)架构，为我(wo)们提供了(le)一个重要的(de)方向：通过分布式革命，瓦(wa)解(jie)算力(li)集中垄断的(de)格局，构建更加灵活、高效、绿色的(de)算力(li)网络。

更进一步，算力(li)分布式革命，应(ying)与分布式能源革命协(xie)同推进。通过将算力(li)设施与分布式能源（如光伏、风电）相结合(he)，构建“源-荷-储(chu)-算”协(xie)同的(de)新(xin)型电力(li)系统。分布式算力(li)可(ke)以作为新(xin)型电力(li)系统的(de)“荷”，通过智能调度算法，与分布式能源的(de)波(bo)动性出力(li)相匹配，实现(xian)“电-算协(xie)同”，提升(sheng)清洁能源的(de)消纳能力(li)，降低(di)电力(li)系统的(de)风险(xian)。

分布式算力(li)革命与分布式能源革命的(de)协(xie)同发展，将倒逼电网进化，加速传统电网向智能电网转(zhuan)型。智能电网需要具备动态负荷优化分配、实时(shi)响应(ying)能力(li)，以适应(ying)分布式能源和分布式算力(li)的(de)需求。这将推动电力(li)系统从传统的(de)“单向传输”模式，向“双向互动”、“源网荷储(chu)”协(xie)同优化的(de)模式转(zhuan)变，构建更加清洁、高效、安全、可(ke)靠的(de)现(xian)代(dai)能源体系。

结论：展望人(ren)工智能、算力(li)与能源的(de)未来

DeepSeek R1的(de)出现(xian)，标志着人(ren)工智能技术发展进入了(le)一个新(xin)的(de)阶段。效率优化和成本控制(zhi)，成为人(ren)工智能技术发展的(de)重要驱动力(li)。然(ran)而，技术进步并(bing)不能改变人(ren)工智能对算力(li)和能源的(de)巨大需求。杰文斯悖论提醒我(wo)们，效率提升(sheng)并(bing)不必然(ran)导致资源消耗的(de)减少，反(fan)而可(ke)能刺激需求增长，最终导致资源消耗总量增加。

面(mian)对人(ren)工智能发展带(dai)来的(de)算力(li)与能源挑战，全球科技界和能源界需要携手合(he)作，共同探索(suo)可(ke)持续发展之路(lu)。一方面(mian)，要继续加强技术创新(xin)，提升(sheng)算力(li)效率，降低(di)单位算力(li)能耗；另(ling)一方面(mian)，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(de)转(zhuan)型升(sheng)级。

在中国，我(wo)们应(ying)坚持效率优先、绿色发展的(de)原(yuan)则，探索(suo)具有中国特色的(de)AI发展路(lu)径。通过技术创新(xin)、模式创新(xin)和政策引(yin)导，在效率与可(ke)持续性之间(jian)找到最佳平衡点，实现(xian)人(ren)工智能与经济社会、生态环境的(de)和谐共生。算力(li)分布式革命与分布式能源革命的(de)协(xie)同推进，将为中国构建绿色、高效、智能的(de)未来能源体系，赢得人(ren)工智能时(shi)代(dai)的(de)竞争优势，提供强劲的(de)动力(li)。

作者信息

刘少轩：

上海交通大学安泰经济与管(guan)理学院副(fu)院长

上海交通大学中银(yin)科技金融(rong)学院执行院长

陈钰什(shi)：

New Energy Nexus中国首席研究员，上海交通大学中银(yin)科技金融(rong)学院博士(shi)后