Deepseek也引起了(le)对(dui)美国科技股和能源股短期剧烈震荡。英伟(wei)达单日跌幅最高达17%，创美股历史最大单日市值(zhi)蒸发纪(ji)录（约6000亿(yi)美元），博通、AMD、台积电等(deng)芯片股同步重挫。纳斯达克指数(shu)下(xia)跌3.1%，标普500指数(shu)下(xia)跌1.5%，市场对(dui)美国科技巨头的高估(gu)值(zhi)（如美股七巨头中，英伟(wei)达的市盈率在46倍左(zuo)右，苹果的市盈率在36倍左(zuo)右，特斯拉(la)183倍市盈率。如今，七巨头的平均市盈率接近50倍，市值(zhi)占美股总市值(zhi)28%左(zuo)右。）产生(sheng)质疑。此外(wai)，由于R1通过算法优化显(xian)著降低模(mo)型能耗（内(nei)存使用减少50%以上(shang)），市场担忧(you)AI对(dui)电力需求(qiu)的增(zeng)长预期被打破，导致美国联合能源、Vistra等(deng)能源公司股价暴跌21%-29%。

尽管DeepSeek在技术(shu)上(shang)取得(de)了(le)巨大进步，但其在中国境外(wai)的未(wei)来发展仍面临不确定性，部分西方机构和政府已(yi)开始(shi)限制使用其服务。然而，全球人工智能领域(yu)都在密(mi)切关注DeepSeek如何以如此低的成(cheng)本(ben)实(shi)现领先性能。如果DeepSeek的方法能够被广泛复制，那么(me)对(dui)于东南亚地区、澳大利亚、新西兰等(deng)中小型国家(jia)而言，或(huo)许将有机会以更低的成(cheng)本(ben)进入基础模(mo)型领域(yu)，这在过去是(shi)难以想(xiang)象的。

对(dui)于澳新地区的数(shu)据(ju)中心运营商而言，人工智能技术(shu)成(cheng)本(ben)的潜在降低，无疑缓解了(le)对(dui)外(wai)国模(mo)型安全性和可靠性风险的担忧(you)。Macquarie Data Centres的高管David Hirst指出，人工智能行业的发展速度远超以往任何技术(shu)趋势，且(qie)仍处于早期阶(jie)段。他认为(wei)，人工智能正在并将继(ji)续证明，它是(shi)世界上(shang)发展最快的技术(shu)之一，而我们才刚刚触及(ji)人工智能所能实(shi)现的冰山一角。人工智能将从根本(ben)上(shang)改变所有行业的运作方式以及(ji)人类的潜力。以Deepseek为(wei)例，从2024年1月5日，DeepSeek发布了(le)首个大模(mo)型DeepSeek LLM到(dao)2024年12月26日，正式上(shang)线DeepSeek-V3模(mo)型，并同步开源，标准着全球首个全开源的混合专家(jia)（MoE）模(mo)型出现，再到(dao)2025年1月20日发布的DeekSeek-R1推理大模(mo)型。从在极短的时间内(nei)，人工智能已(yi)取得(de)显(xian)著进展。大型语(yu)言模(mo)型的快速发展，从模(mo)型的迭代、算力的更新，到(dao)训练和推理成(cheng)本(ben)的下(xia)降，再到(dao)智能体的产品形态出现，人工智能正在不断提(ti)高行业效率，并最终降低成(cheng)本(ben)。DeepSeek模(mo)型的创新，通过简化训练过程和更有效地利用硬件，标志着在降低人工智能训练和推理门槛方面迈出了(le)重要一步，为(wei)更多企业应用这项技术(shu)打开了(le)大门。

DeepSeek R1 的技术(shu)特点(dian)：效率与(yu)成(cheng)本(ben)优势

DeepSeek R1 模(mo)型的出现之所以能引发行业震动，核(he)心在于其在效率和成(cheng)本(ben)控制上(shang)的突破。DeepSeek 通过一系列技术(shu)创新，实(shi)现了(le)在相对(dui)较低的算力投入下(xia)，获得(de)可媲美甚至超越头部模(mo)型的性能表现。这些技术(shu)特点(dian)主(zhu)要包括：

混合专家(jia)模(mo)型（Mixture-of-Experts, MoE）：MoE架构是(shi)DeepSeek R1降低算力需求(qiu)的关键。与(yu)传统的稠密(mi)模(mo)型不同，MoE模(mo)型包含多个“专家(jia)”子(zi)网络，每个子(zi)网络专门处理特定类型的输入。在推理过程中，模(mo)型会根据(ju)输入内(nei)容动态选择激活部分专家(jia)网络，而非所有网络，从而大幅减少计算量(liang)，提(ti)高推理效率。DeepSeek将MoE技术(shu)与(yu)模(mo)型架构深度融合，实(shi)现了(le)性能与(yu)效率的平衡。

多头潜注意(yi)力机制（MLA）：该技术(shu)为(wei)DeepSeek团队独创，针对(dui)传统Transformer模(mo)型的“多头注意(yi)力机制”在处理长文本(ben)时容易“分心”的问题，MLA通过压(ya)缩关键信息，让模(mo)型更聚焦核(he)心内(nei)容这种(zhong)协同优化方法，能够最大化硬件资源的利用效率，降低整体算力需求(qiu)。

PTX汇编语(yu)言优化：为(wei)了(le)更充分地挖掘硬件潜力，DeepSeek甚至深入到(dao)硬件底(di)层，采(cai)用PTX汇编语(yu)言对(dui)核(he)心计算模(mo)块进行优化。PTX汇编语(yu)言是(shi)一种(zhong)针对(dui)NVIDIAGPU的底(di)层编程语(yu)言，通过精细的汇编级优化，可以最大限度地提(ti)升代码执行效率，减少不必要的计算开销。这种(zhong)极致的优化精神，体现了(le)DeepSeek在算力效率上(shang)的极致追求(qiu)。

蒸馏技术(shu)与(yu)分布式/边缘计算架构:DeepSeek推出了(le)一项卓越的模(mo)型蒸馏技术(shu)，该技术(shu)实(shi)现了(le)将高性能AI模(mo)型的核(he)心推理能力高效移植至轻量(liang)化版本(ben)中的目标。这一突破不仅(jin)结合了(le)开源与(yu)轻量(liang)化的双重优势，进一步降低了(le)人工智能技术(shu)的应用门槛，同时也为(wei)边缘计算领域(yu)带(dai)来了(le)前所未(wei)有的发展机遇。企业能够依(yi)据(ju)自身行业特点(dian)，在本(ben)地进行模(mo)型训练，使得(de)原本(ben)依(yi)赖(lai)于高性能服务器和稳定网络环境的边缘设备得(de)以焕发新生(sheng)。此外(wai)，DeepSeek积极探索分布式计算与(yu)边缘计算架构的新路径，通过将计算任务分布至更靠近数(shu)据(ju)源的边缘节点(dian)，从而大幅减少对(dui)中央数(shu)据(ju)中心的依(yi)赖(lai)。这不仅(jin)有效缓解了(le)数(shu)据(ju)传输过程中的延迟(chi)问题和带(dai)宽压(ya)力，同时优化了(le)边缘设备算力资源的利用效率，构建了(le)一个更加灵活高效的算力部署方案。

通过上(shang)述技术(shu)组合拳(quan)，DeepSeek R1实(shi)现了(le)在保证模(mo)型性能的同时，大幅降低训练和推理的算力需求(qiu)和成(cheng)本(ben)。这使得(de)人工智能技术(shu)的应用门槛显(xian)著降低，为(wei)更广泛的应用场景打开了(le)大门。

算力生(sheng)态的重构与(yu)资源再分配

DeepSeek R1的出现，不仅(jin)可能引发算力需求(qiu)的增(zeng)长，还(hai)将深刻地重塑全球算力生(sheng)态，并导致算力资源的重新分配。

首先，分布式革命与(yu)集(ji)中霸权竞争(zheng)。传统人工智能发展模(mo)式往往依(yi)赖(lai)于“规模(mo)至上(shang)”的逻辑，追求(qiu)超大规模(mo)模(mo)型和超大规模(mo)算力集(ji)群(qun)。DeepSeek R1的轻量(liang)化模(mo)型和开源策略，降低了(le)人工智能应用的门槛，促进了(le)中端(duan)算力设施和分布式数(shu)据(ju)中心的普及(ji)。此前，美国科技公司曾计划(hua)建设耗电量(liang)堪比纽约市的巨型数(shu)据(ju)中心，但在DeepSeek高效模(mo)型的影(ying)响下(xia)，此类超大规模(mo)基础设施的必要性显(xian)著下(xia)降。算力生(sheng)态正在从单一“超大规模(mo)中心垄(long)断”模(mo)式转向与(yu)“分布式蜂群(qun)网络”竞争(zheng)的模(mo)式。

其次，产业链价值(zhi)重新分配。在算力产业链上(shang)游，DeepSeek的出现使英伟(wei)达等(deng)GPU巨头面临需求(qiu)结构调整的挑战。由于DeepSeek模(mo)型对(dui)算力效率的提(ti)升，以及(ji)分布式计算的兴起，市场对(dui)高性能GPU的需求(qiu)可能不再是(shi)无止境的扩(kuo)张，而是(shi)更加注重能效比和定制化。与(yu)此同时，寒(han)武纪(ji)等(deng)ASIC芯片厂商或(huo)将迎来发展机遇。ASIC芯片可以针对(dui)特定的人工智能应用进行硬件加速，在能效比和成(cheng)本(ben)控制上(shang)更具优势，更符合分布式算力发展的趋势。在中游算力服务端(duan)，区域(yu)性数(shu)据(ju)中心凭借低时延和贴近应用场景的优势，开始(shi)承接制造业智能质检、金融风控等(deng)对(dui)延迟(chi)敏感的应用需求(qiu)，迫使AWS、阿里云等(deng)云计算巨头调整部分大型数(shu)据(ju)中心的建设投入，转而加强边缘计算和分布式算力布局。

在下(xia)游应用端(duan)，国产算力成(cheng)本(ben)的下(xia)降，将驱动人工智能在制造业、金融、医疗等(deng)领域(yu)的渗(shen)透率倍增(zeng)。例如，在代码托管平台GitHub上(shang)，已(yi)涌现出大量(liang)基于DeepSeek模(mo)型的集(ji)成(cheng)应用案例（awesome deepseek integration）。同时，中国各地省市纷纷上(shang)线R1模(mo)型，加速人工智能的区域(yu)化、本(ben)地化部署。越来越形成(cheng)形成(cheng)“需求(qiu)牵引供给(gei)”的正向循环，实(shi)现“算力+行业”的双向赋能。这种(zhong)趋势正在形成(cheng)“需求(qiu)牵引供给(gei)”的正向循环，实(shi)现“算力+行业”的双向赋能。人工智能技术(shu)将加速渗(shen)透到(dao)各行各业，成(cheng)为(wei)推动产业升级和经济发展的重要引擎。

最后，探索低碳AI发展路径，在效率提(ti)升和能源可持续性之间寻(xun)求(qiu)平衡。DeepSeek通过算法架构优化和硬件能效协同，在单次运算能耗控制方面取得(de)了(le)突破性进展。通过MLA与(yu)MoE技术(shu)融合、强化学习（RL）的深度应用、稀疏化训练等(deng)核(he)心技术(shu)，DeepSeek大幅压(ya)缩了(le)单次计算的经济成(cheng)本(ben)和能源消耗。据(ju)测算，DeepSeek模(mo)型单位计算任务的能耗较传统稠密(mi)模(mo)型下(xia)降超过50%，单位计算碳排放强度降至行业平均水平的1/3。这为(wei)推进绿色数(shu)据(ju)中心建设和实(shi)现碳中和目标提(ti)供了(le)关键的技术(shu)支撑。

更重要的是(shi)，DeepSeek通过“低能耗+分布式”模(mo)式，显(xian)著降低了(le)高性能AI对(dui)传统能源的依(yi)赖(lai)。分布式与(yu)边缘计算架构，将计算任务分散到(dao)靠近数(shu)据(ju)源的边缘设备处理，有效减少了(le)对(dui)集(ji)中式数(shu)据(ju)中心的电力依(yi)赖(lai)。同时，DeepSeek的高性能模(mo)型在实(shi)现同等(deng)效果时，与(yu)清洁能源耦合的能效显(xian)著优于传统AI架构。

分布式计算与(yu)边缘节点(dian)的高效协同，不仅(jin)大幅降低了(le)集(ji)中式数(shu)据(ju)中心对(dui)传统能源的依(yi)赖(lai)，也使AI系统能够更灵活地协调计算任务和清洁能源供给(gei)，更加适配可再生(sheng)能源的波动性特点(dian)。例如，在太(tai)阳能充足的时段优先调度计算任务，并借助优化算法动态匹配能源供给(gei)波动，在弃风弃光时段提(ti)升消纳率20%以上(shang)，从而有效破解新能源消纳难题。

杰(jie)文斯悖论：效率提(ti)升与(yu)需求(qiu)扩(kuo)张

然而，DeepSeek R1的技术(shu)突破，在降低人工智能应用门槛的同时，也可能引发“杰(jie)文斯悖论”。杰(jie)文斯悖论由19世纪(ji)经济学家(jia) William Stanley Jevons提(ti)出，他发现，随着煤炭使用效率的提(ti)高，煤炭的消耗总量(liang)反(fan)而增(zeng)加。这一悖论揭示了(le)一个深刻的经济规律：效率的提(ti)升并不必然导致资源消耗的减少，反(fan)而可能因为(wei)成(cheng)本(ben)降低和应用范围扩(kuo)大，刺(ci)激需求(qiu)增(zeng)长，最终导致资源消耗总量(liang)增(zeng)加。

微软 CEO Satya Nadella引用杰(jie)文斯悖论来解释(shi)DeepSeek R1可能带(dai)来的影(ying)响，可谓一针见血。他认为(wei)，更实(shi)惠、更易于访问的人工智能技术(shu)，将通过更快的普及(ji)和更广泛的应用，导致需求(qiu)的激增(zeng)。随着人工智能技术(shu)的门槛降低，过去由于成(cheng)本(ben)限制而无法应用人工智能的领域(yu)，例如中小企业、边缘计算场景等(deng)，将涌现出大量(liang)新的应用需求(qiu)，从而导致算力调用密(mi)度指数(shu)级上(shang)升。

此外(wai)，新兴应用场景的爆发，也将加速算力需求(qiu)的裂变。智能驾驶、具身机器人等(deng)前沿领域(yu)对(dui)实(shi)时算力的需求(qiu)极为(wei)庞(pang)大，远超DeepSeek技术(shu)优化的速度。即使单任务效率提(ti)升数(shu)倍，百万级智能终端(duan)的并发需求(qiu)，仍将形成(cheng)巨大的算力吞噬黑(hei)洞。

更进一步，模(mo)型复杂性的提(ti)升，也可能在一定程度上(shang)抵消效率提(ti)升带(dai)来的节能效果。为(wei)了(le)探索通用人工智能（AGI）等(deng)前沿方向，模(mo)型参数(shu)规模(mo)不断向万亿(yi)级跃升，数(shu)据(ju)量(liang)也以年均30%的速度增(zeng)长。即使训练效率提(ti)升10倍，模(mo)型规模(mo)扩(kuo)大100倍，仍然会导致算力总需求(qiu)净(jing)增(zeng)10倍。DeepSeek的高效算法或(huo)许能够“追赶”数(shu)据(ju)增(zeng)长的速度，但难以从根本(ben)上(shang)逆转算力需求(qiu)的增(zeng)长曲线。

因此，DeepSeek R1的技术(shu)突破，虽然在单位算力能耗上(shang)取得(de)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能发展对(dui)算力和能源的巨大需求(qiu)。相反(fan)，技术(shu)普惠性引发的应用爆发，以及(ji)模(mo)型复杂性的持续提(ti)升，可能会共(gong)同推动算力需求(qiu)的加速增(zeng)长，最终导致电力系统在需求(qiu)激增(zeng)的压(ya)力下(xia)加速重构。

算力的尽头，依(yi)然是(shi)电力

尽管DeepSeek R1在算力效率上(shang)取得(de)了(le)突破，并可能推动算力生(sheng)态向分布式方向发展，但其技术(shu)进步并不能改变人工智能发展对(dui)能源的巨大需求(qiu)。算力的尽头，依(yi)然是(shi)电力。

DeepSeek等(deng)人工智能技术(shu)的突破，将不可避免(mian)地推高全球电力需求(qiu)。“杰(jie)文斯悖论”的加速效应，可能使全球电力需求(qiu)曲线更加陡峭。尽管DeepSeek通过优化算法、硬件适配等(deng)技术(shu)，显(xian)著提(ti)升了(le)人工智能算力效率，降低了(le)单次任务的能耗，打破了(le)人工智能应用的经济门槛，但这种(zhong)技术(shu)跃迁预计将同步触发“杰(jie)文斯悖论”，能源消耗总量(liang)或(huo)将突破线性增(zeng)长模(mo)式，形成(cheng)“效率提(ti)升-应用扩(kuo)张-能耗跃升”的闭环。

国际(ji)能源署（IEA）的数(shu)据(ju)显(xian)示，2022年全球数(shu)据(ju)中心耗电量(liang)已(yi)达460TWh，占全球总用电量(liang)的2%。预计到(dao)2026年，全球数(shu)据(ju)中心耗电量(liang)将扩(kuo)张至620-1050TWh。这意(yi)味着，未(wei)来几年内(nei)，数(shu)据(ju)中心的能源消耗将呈现指数(shu)级增(zeng)长趋势。

面对(dui)如此巨大的能源需求(qiu)，全球科技巨头们已(yi)经掀起了(le)一场围绕电力资源的争(zheng)夺战。美国微软与(yu)OpenAI等(deng)科技巨头联合发起了(le)“星际(ji)之门计划(hua)”，计划(hua)耗资千亿(yi)美元，在2030年前建成(cheng)全球最大的AI超算集(ji)群(qun)。“星际(ji)之门”的目标是(shi)建设5-10个数(shu)据(ju)中心园区，每个园区设计功(gong)率约为(wei)100兆瓦，总电力需求(qiu)将达到(dao)5GW-10GW级别。这相当于数(shu)个大型城市的用电量(liang)。

“电力缺口可能成(cheng)为(wei)AI时代的卡脖子(zi)问题”，这正在成(cheng)为(wei)行业共(gong)识(shi)。科技巨头对(dui)清洁能源的大规模(mo)投资和抢(qiang)占，本(ben)质上(shang)是(shi)对(dui)新一轮(lun)工业革命核(he)心资源的争(zheng)夺。谁掌握了(le)充足、廉价、绿色的电力资源，谁就将在人工智能时代的竞争(zheng)中占据(ju)更有利的位置。需要举具体的案例。

四(si)家(jia)拥有大模(mo)型业务的美国科技公司——微软、亚马(ma)逊、谷歌、Meta仍然坚(jian)持“大力出奇迹”的策略，即大规模(mo)算力投资。2024年，美国科技四(si)巨头的资本(ben)支出均达到(dao)历史最高点(dian)，总额高达2431亿(yi)美元，同比增(zeng)长63%。预计2025年，它们的资本(ben)支出总额将超过3200亿(yi)美元，总增(zeng)速约为(wei)30%。

巨额的资本(ben)支出，主(zhu)要用于购买(mai)算力设备，建设数(shu)据(ju)中心，以支撑人工智能业务的快速发展。这些科技巨头们相信，更高的算力投入，能够带(dai)来更好的模(mo)型性能和更快的技术(shu)迭代速度。在商业竞争(zheng)中，算力的质量(liang)代表的是(shi)速度问题，更高算力通常带(dai)来更好的效果。短期内(nei)节省算力固然重要，但从长远来看，算力需求(qiu)只会螺旋上(shang)升，面向未(wei)来投资算力才是(shi)更重要的战略选择。英伟(wei)达2025年2月6日其股价单日涨幅超5%，市值(zhi)重回3万亿(yi)美元，也回应了(le)这个趋势，反(fan)映了(le)市场对(dui)算力芯片（如GB200芯片）放量(liang)的预期。

这些科技巨头们之所以敢于如此大手笔(bi)地投入算力，一方面是(shi)因为(wei)它们“钱袋子(zi)”依(yi)然富余，净(jing)利润和现金流能够支撑高强度的算力投资；另一方面，巨额的算力投资也已(yi)经产生(sheng)了(le)实(shi)际(ji)回报，“云+AI”业务的收(shou)入和利润正在快速增(zeng)长，这进一步刺(ci)激了(le)它们加大算力投资的力度。谷歌、微软等(deng)巨头在2025年Q1财报中披露，AI业务资本(ben)开支同比增(zeng)35%，表明算力扩(kuo)张仍在持续，电力需求(qiu)韧性显(xian)现。

除去科技公司，主(zhu)权国家(jia)和地区也同步进入到(dao)算力的竞赛当中。欧盟委员(yuan)会于2025年2月宣(xuan)布的“Invest AI”计划(hua)，拟通过公共(gong)和私人资金调动总额2000亿(yi)欧元，核(he)心目标是(shi)建设4座(zuo)AI超级工厂，配备约10万颗最先进AI芯片（是(shi)目前欧洲在建工厂的4倍），专注于训练复杂AI模(mo)型。其中，200亿(yi)欧元专门用于设立欧洲基金支持这些工厂。日本(ben)、沙特、印(yin)度等(deng)国家(jia)也纷纷将算力主(zhu)权纳入国家(jia)战略。

中国路径：效率、可持续性与(yu)分布式协同

面对(dui)全球人工智能发展的新趋势，以及(ji)算力与(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(shu)突破，为(wei)我们提(ti)供了(le)一个重要的启示：在人工智能发展中，效率和可持续性同样重要，甚至比单纯的算力堆砌更为(wei)关键。

中国在人工智能发展上(shang)，既(ji)要仰望星空，追求(qiu)前沿技术(shu)的突破，也要脚踏实(shi)地，注重应用场景的落地。DeepSeek R1和V3的出现，代表了(le)一种(zhong)相对(dui)低算力、高表现的技术(shu)路线，这符合中国国情和发展阶(jie)段的实(shi)际(ji)需求(qiu)。对(dui)于中国而言，在算力资源相对(dui)紧张的情况下(xia)，更应该注重效率优化，通过技术(shu)创新，提(ti)升单位算力的价值(zhi)，降低对(dui)能源的消耗。

同时，中国也要清醒地认识(shi)到(dao)，优秀的硬件在人工智能发展过程中仍然不可替代。算法的优化固然重要，但更好的硬件意(yi)味着更低的训练时间和更高的效率。尤其是(shi)在人工智能前沿研究(jiu)领域(yu)，例如AI for Science，仍然需要足够的算力进行支持。因此，中国在发展高效算法的同时，也要加强在算力基础设施领域(yu)的投入，构建自主(zhu)可控的算力底(di)座(zuo)。

未(wei)来，人工智能领域(yu)的竞争(zheng)，将是(shi)前沿技术(shu)创新和应用场景落地的双线竞争(zheng)。既(ji)要“卷(juan)前沿”，在基础理论和核(he)心技术(shu)上(shang)取得(de)突破，也要“卷(juan)应用”，将人工智能技术(shu)广泛应用到(dao)各行各业，创造实(shi)际(ji)价值(zhi)。有能力的企业，必然是(shi)“两手都要抓，两手都要硬”，既(ji)要布局前沿技术(shu)，也要深耕应用场景。

在能源战略上(shang)，中国应坚(jian)持效率优先、绿色发展的原则，在效率与(yu)可持续性之间寻(xun)找平衡。DeepSeek 的分布式算力架构，为(wei)我们提(ti)供了(le)一个重要的方向：通过分布式革命，瓦解算力集(ji)中垄(long)断的格局，构建更加灵活、高效、绿色的算力网络。

更进一步，算力分布式革命，应与(yu)分布式能源革命协同推进。通过将算力设施与(yu)分布式能源（如光伏(fu)、风电）相结合，构建“源-荷-储(chu)-算”协同的新型电力系统。分布式算力可以作为(wei)新型电力系统的“荷”，通过智能调度算法，与(yu)分布式能源的波动性出力相匹配，实(shi)现“电-算协同”，提(ti)升清洁能源的消纳能力，降低电力系统的风险。

分布式算力革命与(yu)分布式能源革命的协同发展，将倒逼电网进化，加速传统电网向智能电网转型。智能电网需要具备动态负荷优化分配、实(shi)时响应能力，以适应分布式能源和分布式算力的需求(qiu)。这将推动电力系统从传统的“单向传输”模(mo)式，向“双向互动”、“源网荷储(chu)”协同优化的模(mo)式转变，构建更加清洁、高效、安全、可靠的现代能源体系。

结论：展望人工智能、算力与(yu)能源的未(wei)来

DeepSeek R1的出现，标志着人工智能技术(shu)发展进入了(le)一个新的阶(jie)段。效率优化和成(cheng)本(ben)控制，成(cheng)为(wei)人工智能技术(shu)发展的重要驱动力。然而，技术(shu)进步并不能改变人工智能对(dui)算力和能源的巨大需求(qiu)。杰(jie)文斯悖论提(ti)醒我们，效率提(ti)升并不必然导致资源消耗的减少，反(fan)而可能刺(ci)激需求(qiu)增(zeng)长，最终导致资源消耗总量(liang)增(zeng)加。

面对(dui)人工智能发展带(dai)来的算力与(yu)能源挑战，全球科技界和能源界需要携手合作，共(gong)同探索可持续发展之路。一方面，要继(ji)续加强技术(shu)创新，提(ti)升算力效率，降低单位算力能耗；另一方面，要大力发展清洁能源，构建绿色算力基础设施，推动能源结构的转型升级。

在中国，我们应坚(jian)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(shu)创新、模(mo)式创新和政策引导，在效率与(yu)可持续性之间找到(dao)最佳平衡点(dian)，实(shi)现人工智能与(yu)经济社会、生(sheng)态环境的和谐共(gong)生(sheng)。算力分布式革命与(yu)分布式能源革命的协同推进，将为(wei)中国构建绿色、高效、智能的未(wei)来能源体系，赢得(de)人工智能时代的竞争(zheng)优势，提(ti)供强劲的动力。

作者信息

刘少轩：

上(shang)海交通大学安泰经济与(yu)管理学院(yuan)副院(yuan)长

上(shang)海交通大学中银科技金融学院(yuan)执行院(yuan)长

陈钰(yu)什：

New Energy Nexus中国首席研究(jiu)员(yuan)，上(shang)海交通大学中银科技金融学院(yuan)博士后