Deepseek也(ye)引(yin)起了对美国科技(ji)股和能源股短期(qi)剧(ju)烈震荡。英伟达单日跌幅最高达17%，创美股历史最大单日市值蒸发纪录（约6000亿美元(yuan)），博通、AMD、台积电等芯片(pian)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(ji)巨头的(de)高估值（如美股七(qi)巨头中(zhong)，英伟达的(de)市盈率在46倍左右(you)，苹果的(de)市盈率在36倍左右(you)，特斯拉183倍市盈率。如今，七(qi)巨头的(de)平均市盈率接近50倍，市值占美股总市值28%左右(you)。）产生质疑(yi)。此外，由于R1通过(guo)算(suan)法优化显著降低模型能耗(hao)（内存使用减少50%以上），市场担忧AI对电力需求的(de)增(zeng)长预期(qi)被打破(po)，导致美国联合能源、Vistra等能源公司股价(jia)暴跌21%-29%。

尽管DeepSeek在技(ji)术上取(qu)得了巨大进步(bu)，但其在中(zhong)国境外的(de)未来发展仍面临(lin)不确定(ding)性(xing)，部分西方机构和政府已开(kai)始限制使用其服(fu)务(wu)。然而，全球人工智能领域都在密切关注DeepSeek如何以如此低的(de)成本(ben)实现领先(xian)性(xing)能。如果DeepSeek的(de)方法能够被广泛复制，那(na)么对于东南亚地区、澳大利亚、新西兰等中(zhong)小型国家而言，或(huo)许将有机会以更低的(de)成本(ben)进入基础模型领域，这在过(guo)去是难以想象的(de)。

对于澳新地区的(de)数据中(zhong)心运营商而言，人工智能技(ji)术成本(ben)的(de)潜在降低，无疑(yi)缓解了对外国模型安全性(xing)和可靠(kao)性(xing)风险的(de)担忧。Macquarie Data Centres的(de)高管David Hirst指出，人工智能行业的(de)发展速度远超以往(wang)任何技(ji)术趋势，且仍处于早期(qi)阶段。他认为，人工智能正在并将继续证明，它是世(shi)界上发展最快的(de)技(ji)术之一，而我们才刚刚触及人工智能所(suo)能实现的(de)冰山一角。人工智能将从根(gen)本(ben)上改变所(suo)有行业的(de)运作方式以及人类的(de)潜力。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DeepSeek-V3模型，并同步(bu)开(kai)源，标准着全球首个全开(kai)源的(de)混合专家（MoE）模型出现，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)时间内，人工智能已取(qu)得显著进展。大型语言模型的(de)快速发展，从模型的(de)迭代、算(suan)力的(de)更新，到训练和推理成本(ben)的(de)下降，再到智能体的(de)产品形态出现，人工智能正在不断提高行业效(xiao)率，并最终降低成本(ben)。DeepSeek模型的(de)创新，通过(guo)简化训练过(guo)程和更有效(xiao)地利用硬件，标志着在降低人工智能训练和推理门(men)槛方面迈(mai)出了重要一步(bu)，为更多企业应用这项技(ji)术打开(kai)了大门(men)。

DeepSeek R1 的(de)技(ji)术特点：效(xiao)率与成本(ben)优势

DeepSeek R1 模型的(de)出现之所(suo)以能引(yin)发行业震动，核心在于其在效(xiao)率和成本(ben)控(kong)制上的(de)突破(po)。DeepSeek 通过(guo)一系列技(ji)术创新，实现了在相对较低的(de)算(suan)力投入下，获得可媲美甚至超越头部模型的(de)性(xing)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(suan)力需求的(de)关键(jian)。与传统(tong)的(de)稠密模型不同，MoE模型包含(han)多个“专家”子网(wang)络(luo)，每(mei)个子网(wang)络(luo)专门(men)处理特定(ding)类型的(de)输入。在推理过(guo)程中(zhong)，模型会根(gen)据输入内容动态选择(ze)激活部分专家网(wang)络(luo)，而非所(suo)有网(wang)络(luo)，从而大幅减少计算(suan)量，提高推理效(xiao)率。DeepSeek将MoE技(ji)术与模型架构深(shen)度融合，实现了性(xing)能与效(xiao)率的(de)平衡。

多头潜注意力机制（MLA）：该(gai)技(ji)术为DeepSeek团队独创，针(zhen)对传统(tong)Transformer模型的(de)“多头注意力机制”在处理长文本(ben)时容易“分心”的(de)问(wen)题(ti)，MLA通过(guo)压(ya)缩关键(jian)信息，让模型更聚焦核心内容这种协同优化方法，能够最大化硬件资源的(de)利用效(xiao)率，降低整体算(suan)力需求。

PTX汇编语言优化：为了更充(chong)分地挖掘硬件潜力，DeepSeek甚至深(shen)入到硬件底层(ceng)，采用PTX汇编语言对核心计算(suan)模块进行优化。PTX汇编语言是一种针(zhen)对NVIDIAGPU的(de)底层(ceng)编程语言，通过(guo)精细的(de)汇编级优化，可以最大限度地提升代码执行效(xiao)率，减少不必要的(de)计算(suan)开(kai)销。这种极致的(de)优化精神，体现了DeepSeek在算(suan)力效(xiao)率上的(de)极致追求。

蒸馏(liu)技(ji)术与分布式/边缘计算(suan)架构:DeepSeek推出了一项卓越的(de)模型蒸馏(liu)技(ji)术，该(gai)技(ji)术实现了将高性(xing)能AI模型的(de)核心推理能力高效(xiao)移(yi)植至轻量化版(ban)本(ben)中(zhong)的(de)目标。这一突破(po)不仅结合了开(kai)源与轻量化的(de)双重优势，进一步(bu)降低了人工智能技(ji)术的(de)应用门(men)槛，同时也(ye)为边缘计算(suan)领域带来了前所(suo)未有的(de)发展机遇。企业能够依据自身行业特点，在本(ben)地进行模型训练，使得原本(ben)依赖于高性(xing)能服(fu)务(wu)器和稳定(ding)网(wang)络(luo)环(huan)境的(de)边缘设备(bei)得以焕发新生。此外，DeepSeek积极探索(suo)分布式计算(suan)与边缘计算(suan)架构的(de)新路径，通过(guo)将计算(suan)任务(wu)分布至更靠(kao)近数据源的(de)边缘节点，从而大幅减少对中(zhong)央数据中(zhong)心的(de)依赖。这不仅有效(xiao)缓解了数据传输过(guo)程中(zhong)的(de)延(yan)迟问(wen)题(ti)和带宽(kuan)压(ya)力，同时优化了边缘设备(bei)算(suan)力资源的(de)利用效(xiao)率，构建(jian)了一个更加灵活高效(xiao)的(de)算(suan)力部署方案。

通过(guo)上述技(ji)术组合拳，DeepSeek R1实现了在保(bao)证模型性(xing)能的(de)同时，大幅降低训练和推理的(de)算(suan)力需求和成本(ben)。这使得人工智能技(ji)术的(de)应用门(men)槛显著降低，为更广泛的(de)应用场景打开(kai)了大门(men)。

算(suan)力生态的(de)重构与资源再分配

DeepSeek R1的(de)出现，不仅可能引(yin)发算(suan)力需求的(de)增(zeng)长，还将深(shen)刻(ke)地重塑全球算(suan)力生态，并导致算(suan)力资源的(de)重新分配。

首先(xian)，分布式革命与集中(zhong)霸权竞争。传统(tong)人工智能发展模式往(wang)往(wang)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(suan)力集群。DeepSeek R1的(de)轻量化模型和开(kai)源策略，降低了人工智能应用的(de)门(men)槛，促进了中(zhong)端算(suan)力设施和分布式数据中(zhong)心的(de)普及。此前，美国科技(ji)公司曾计划(hua)建(jian)设耗(hao)电量堪比纽约市的(de)巨型数据中(zhong)心，但在DeepSeek高效(xiao)模型的(de)影响下，此类超大规模基础设施的(de)必要性(xing)显著下降。算(suan)力生态正在从单一“超大规模中(zhong)心垄断”模式转(zhuan)向与“分布式蜂群网(wang)络(luo)”竞争的(de)模式。

其次，产业链价(jia)值重新分配。在算(suan)力产业链上游，DeepSeek的(de)出现使英伟达等GPU巨头面临(lin)需求结构调整的(de)挑(tiao)战。由于DeepSeek模型对算(suan)力效(xiao)率的(de)提升，以及分布式计算(suan)的(de)兴起，市场对高性(xing)能GPU的(de)需求可能不再是无止境的(de)扩张，而是更加注重能效(xiao)比和定(ding)制化。与此同时，寒武纪等ASIC芯片(pian)厂商或(huo)将迎来发展机遇。ASIC芯片(pian)可以针(zhen)对特定(ding)的(de)人工智能应用进行硬件加速，在能效(xiao)比和成本(ben)控(kong)制上更具优势，更符合分布式算(suan)力发展的(de)趋势。在中(zhong)游算(suan)力服(fu)务(wu)端，区域性(xing)数据中(zhong)心凭借低时延(yan)和贴近应用场景的(de)优势，开(kai)始承接制造(zao)业智能质检、金融风控(kong)等对延(yan)迟敏感的(de)应用需求，迫使AWS、阿里云(yun)等云(yun)计算(suan)巨头调整部分大型数据中(zhong)心的(de)建(jian)设投入，转(zhuan)而加强(qiang)边缘计算(suan)和分布式算(suan)力布局。

在下游应用端，国产算(suan)力成本(ben)的(de)下降，将驱动人工智能在制造(zao)业、金融、医疗(liao)等领域的(de)渗透(tou)率倍增(zeng)。例如，在代码托管平台GitHub上，已涌(yong)现出大量基于DeepSeek模型的(de)集成应用案例（awesome deepseek integration）。同时，中(zhong)国各地省市纷纷上线R1模型，加速人工智能的(de)区域化、本(ben)地化部署。越来越形成形成“需求牵引(yin)供给”的(de)正向循环(huan)，实现“算(suan)力+行业”的(de)双向赋能。这种趋势正在形成“需求牵引(yin)供给”的(de)正向循环(huan)，实现“算(suan)力+行业”的(de)双向赋能。人工智能技(ji)术将加速渗透(tou)到各行各业，成为推动产业升级和经济发展的(de)重要引(yin)擎。

最后，探索(suo)低碳AI发展路径，在效(xiao)率提升和能源可持续性(xing)之间寻求平衡。DeepSeek通过(guo)算(suan)法架构优化和硬件能效(xiao)协同，在单次运算(suan)能耗(hao)控(kong)制方面取(qu)得了突破(po)性(xing)进展。通过(guo)MLA与MoE技(ji)术融合、强(qiang)化学习(xi)（RL）的(de)深(shen)度应用、稀疏化训练等核心技(ji)术，DeepSeek大幅压(ya)缩了单次计算(suan)的(de)经济成本(ben)和能源消耗(hao)。据测算(suan)，DeepSeek模型单位计算(suan)任务(wu)的(de)能耗(hao)较传统(tong)稠密模型下降超过(guo)50%，单位计算(suan)碳排(pai)放强(qiang)度降至行业平均水平的(de)1/3。这为推进绿色数据中(zhong)心建(jian)设和实现碳中(zhong)和目标提供了关键(jian)的(de)技(ji)术支撑(cheng)。

更重要的(de)是，DeepSeek通过(guo)“低能耗(hao)+分布式”模式，显著降低了高性(xing)能AI对传统(tong)能源的(de)依赖。分布式与边缘计算(suan)架构，将计算(suan)任务(wu)分散到靠(kao)近数据源的(de)边缘设备(bei)处理，有效(xiao)减少了对集中(zhong)式数据中(zhong)心的(de)电力依赖。同时，DeepSeek的(de)高性(xing)能模型在实现同等效(xiao)果时，与清洁能源耦(ou)合的(de)能效(xiao)显著优于传统(tong)AI架构。

分布式计算(suan)与边缘节点的(de)高效(xiao)协同，不仅大幅降低了集中(zhong)式数据中(zhong)心对传统(tong)能源的(de)依赖，也(ye)使AI系统(tong)能够更灵活地协调计算(suan)任务(wu)和清洁能源供给，更加适配可再生能源的(de)波动性(xing)特点。例如，在太阳能充(chong)足的(de)时段优先(xian)调度计算(suan)任务(wu)，并借助优化算(suan)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(xiao)破(po)解新能源消纳难题(ti)。

杰文斯悖论：效(xiao)率提升与需求扩张

然而，DeepSeek R1的(de)技(ji)术突破(po)，在降低人工智能应用门(men)槛的(de)同时，也(ye)可能引(yin)发“杰文斯悖论”。杰文斯悖论由19世(shi)纪经济学家 William Stanley Jevons提出，他发现，随着煤炭使用效(xiao)率的(de)提高，煤炭的(de)消耗(hao)总量反而增(zeng)加。这一悖论揭示了一个深(shen)刻(ke)的(de)经济规律(lu)：效(xiao)率的(de)提升并不必然导致资源消耗(hao)的(de)减少，反而可能因为成本(ben)降低和应用范围扩大，刺激需求增(zeng)长，最终导致资源消耗(hao)总量增(zeng)加。

微软 CEO Satya Nadella引(yin)用杰文斯悖论来解释DeepSeek R1可能带来的(de)影响，可谓一针(zhen)见血。他认为，更实惠、更易于访问(wen)的(de)人工智能技(ji)术，将通过(guo)更快的(de)普及和更广泛的(de)应用，导致需求的(de)激增(zeng)。随着人工智能技(ji)术的(de)门(men)槛降低，过(guo)去由于成本(ben)限制而无法应用人工智能的(de)领域，例如中(zhong)小企业、边缘计算(suan)场景等，将涌(yong)现出大量新的(de)应用需求，从而导致算(suan)力调用密度指数级上升。

此外，新兴应用场景的(de)爆(bao)发，也(ye)将加速算(suan)力需求的(de)裂变。智能驾(jia)驶、具身机器人等前沿领域对实时算(suan)力的(de)需求极为庞大，远超DeepSeek技(ji)术优化的(de)速度。即(ji)使单任务(wu)效(xiao)率提升数倍，百万(wan)级智能终端的(de)并发需求，仍将形成巨大的(de)算(suan)力吞噬(shi)黑洞。

更进一步(bu)，模型复杂性(xing)的(de)提升，也(ye)可能在一定(ding)程度上抵消效(xiao)率提升带来的(de)节能效(xiao)果。为了探索(suo)通用人工智能（AGI）等前沿方向，模型参数规模不断向万(wan)亿级跃升，数据量也(ye)以年均30%的(de)速度增(zeng)长。即(ji)使训练效(xiao)率提升10倍，模型规模扩大100倍，仍然会导致算(suan)力总需求净增(zeng)10倍。DeepSeek的(de)高效(xiao)算(suan)法或(huo)许能够“追赶”数据增(zeng)长的(de)速度，但难以从根(gen)本(ben)上逆转(zhuan)算(suan)力需求的(de)增(zeng)长曲线。

因此，DeepSeek R1的(de)技(ji)术突破(po)，虽然在单位算(suan)力能耗(hao)上取(qu)得了显著降低，但从宏观层(ceng)面来看，很可能无法有效(xiao)缓解人工智能发展对算(suan)力和能源的(de)巨大需求。相反，技(ji)术普惠性(xing)引(yin)发的(de)应用爆(bao)发，以及模型复杂性(xing)的(de)持续提升，可能会共同推动算(suan)力需求的(de)加速增(zeng)长，最终导致电力系统(tong)在需求激增(zeng)的(de)压(ya)力下加速重构。

算(suan)力的(de)尽头，依然是电力

尽管DeepSeek R1在算(suan)力效(xiao)率上取(qu)得了突破(po)，并可能推动算(suan)力生态向分布式方向发展，但其技(ji)术进步(bu)并不能改变人工智能发展对能源的(de)巨大需求。算(suan)力的(de)尽头，依然是电力。

DeepSeek等人工智能技(ji)术的(de)突破(po)，将不可避免地推高全球电力需求。“杰文斯悖论”的(de)加速效(xiao)应，可能使全球电力需求曲线更加陡峭。尽管DeepSeek通过(guo)优化算(suan)法、硬件适配等技(ji)术，显著提升了人工智能算(suan)力效(xiao)率，降低了单次任务(wu)的(de)能耗(hao)，打破(po)了人工智能应用的(de)经济门(men)槛，但这种技(ji)术跃迁预计将同步(bu)触发“杰文斯悖论”，能源消耗(hao)总量或(huo)将突破(po)线性(xing)增(zeng)长模式，形成“效(xiao)率提升-应用扩张-能耗(hao)跃升”的(de)闭环(huan)。

国际(ji)能源署（IEA）的(de)数据显示，2022年全球数据中(zhong)心耗(hao)电量已达460TWh，占全球总用电量的(de)2%。预计到2026年，全球数据中(zhong)心耗(hao)电量将扩张至620-1050TWh。这意味着，未来几年内，数据中(zhong)心的(de)能源消耗(hao)将呈现指数级增(zeng)长趋势。

面对如此巨大的(de)能源需求，全球科技(ji)巨头们已经掀起了一场围绕电力资源的(de)争夺战。美国微软与OpenAI等科技(ji)巨头联合发起了“星际(ji)之门(men)计划(hua)”，计划(hua)耗(hao)资千亿美元(yuan)，在2030年前建(jian)成全球最大的(de)AI超算(suan)集群。“星际(ji)之门(men)”的(de)目标是建(jian)设5-10个数据中(zhong)心园区，每(mei)个园区设计功率约为100兆瓦，总电力需求将达到5GW-10GW级别。这相当于数个大型城市的(de)用电量。

“电力缺口可能成为AI时代的(de)卡脖子问(wen)题(ti)”，这正在成为行业共识(shi)。科技(ji)巨头对清洁能源的(de)大规模投资和抢占，本(ben)质上是对新一轮工业革命核心资源的(de)争夺。谁掌握了充(chong)足、廉价(jia)、绿色的(de)电力资源，谁就将在人工智能时代的(de)竞争中(zhong)占据更有利的(de)位置。需要举具体的(de)案例。

四家拥有大模型业务(wu)的(de)美国科技(ji)公司——微软、亚马逊、谷(gu)歌、Meta仍然坚持“大力出奇迹”的(de)策略，即(ji)大规模算(suan)力投资。2024年，美国科技(ji)四巨头的(de)资本(ben)支出均达到历史最高点，总额(e)高达2431亿美元(yuan)，同比增(zeng)长63%。预计2025年，它们的(de)资本(ben)支出总额(e)将超过(guo)3200亿美元(yuan)，总增(zeng)速约为30%。

巨额(e)的(de)资本(ben)支出，主要用于购(gou)买(mai)算(suan)力设备(bei)，建(jian)设数据中(zhong)心，以支撑(cheng)人工智能业务(wu)的(de)快速发展。这些科技(ji)巨头们相信，更高的(de)算(suan)力投入，能够带来更好的(de)模型性(xing)能和更快的(de)技(ji)术迭代速度。在商业竞争中(zhong)，算(suan)力的(de)质量代表的(de)是速度问(wen)题(ti)，更高算(suan)力通常带来更好的(de)效(xiao)果。短期(qi)内节省算(suan)力固然重要，但从长远来看，算(suan)力需求只会螺旋上升，面向未来投资算(suan)力才是更重要的(de)战略选择(ze)。英伟达2025年2月6日其股价(jia)单日涨幅超5%，市值重回3万(wan)亿美元(yuan)，也(ye)回应了这个趋势，反映了市场对算(suan)力芯片(pian)（如GB200芯片(pian)）放量的(de)预期(qi)。

这些科技(ji)巨头们之所(suo)以敢于如此大手笔地投入算(suan)力，一方面是因为它们“钱袋子”依然富余，净利润(run)和现金流能够支撑(cheng)高强(qiang)度的(de)算(suan)力投资；另一方面，巨额(e)的(de)算(suan)力投资也(ye)已经产生了实际(ji)回报，“云(yun)+AI”业务(wu)的(de)收入和利润(run)正在快速增(zeng)长，这进一步(bu)刺激了它们加大算(suan)力投资的(de)力度。谷(gu)歌、微软等巨头在2025年Q1财(cai)报中(zhong)披露，AI业务(wu)资本(ben)开(kai)支同比增(zeng)35%，表明算(suan)力扩张仍在持续，电力需求韧性(xing)显现。

除去科技(ji)公司，主权国家和地区也(ye)同步(bu)进入到算(suan)力的(de)竞赛当中(zhong)。欧盟(meng)委员会于2025年2月宣布的(de)“Invest AI”计划(hua)，拟通过(guo)公共和私人资金调动总额(e)2000亿欧元(yuan)，核心目标是建(jian)设4座AI超级工厂，配备(bei)约10万(wan)颗最先(xian)进AI芯片(pian)（是目前欧洲在建(jian)工厂的(de)4倍），专注于训练复杂AI模型。其中(zhong)，200亿欧元(yuan)专门(men)用于设立欧洲基金支持这些工厂。日本(ben)、沙特、印度等国家也(ye)纷纷将算(suan)力主权纳入国家战略。

中(zhong)国路径：效(xiao)率、可持续性(xing)与分布式协同

面对全球人工智能发展的(de)新趋势，以及算(suan)力与能源的(de)挑(tiao)战，中(zhong)国需要探索(suo)一条具有自身特色的(de)发展路径。DeepSeekR1的(de)技(ji)术突破(po)，为我们提供了一个重要的(de)启示：在人工智能发展中(zhong)，效(xiao)率和可持续性(xing)同样重要，甚至比单纯的(de)算(suan)力堆砌更为关键(jian)。

中(zhong)国在人工智能发展上，既要仰望星空，追求前沿技(ji)术的(de)突破(po)，也(ye)要脚踏实地，注重应用场景的(de)落地。DeepSeek R1和V3的(de)出现，代表了一种相对低算(suan)力、高表现的(de)技(ji)术路线，这符合中(zhong)国国情和发展阶段的(de)实际(ji)需求。对于中(zhong)国而言，在算(suan)力资源相对紧张的(de)情况下，更应该(gai)注重效(xiao)率优化，通过(guo)技(ji)术创新，提升单位算(suan)力的(de)价(jia)值，降低对能源的(de)消耗(hao)。

同时，中(zhong)国也(ye)要清醒地认识(shi)到，优秀的(de)硬件在人工智能发展过(guo)程中(zhong)仍然不可替代。算(suan)法的(de)优化固然重要，但更好的(de)硬件意味着更低的(de)训练时间和更高的(de)效(xiao)率。尤其是在人工智能前沿研究领域，例如AI for Science，仍然需要足够的(de)算(suan)力进行支持。因此，中(zhong)国在发展高效(xiao)算(suan)法的(de)同时，也(ye)要加强(qiang)在算(suan)力基础设施领域的(de)投入，构建(jian)自主可控(kong)的(de)算(suan)力底座。

未来，人工智能领域的(de)竞争，将是前沿技(ji)术创新和应用场景落地的(de)双线竞争。既要“卷(juan)前沿”，在基础理论和核心技(ji)术上取(qu)得突破(po)，也(ye)要“卷(juan)应用”，将人工智能技(ji)术广泛应用到各行各业，创造(zao)实际(ji)价(jia)值。有能力的(de)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(shen)耕应用场景。

在能源战略上，中(zhong)国应坚持效(xiao)率优先(xian)、绿色发展的(de)原则，在效(xiao)率与可持续性(xing)之间寻找平衡。DeepSeek 的(de)分布式算(suan)力架构，为我们提供了一个重要的(de)方向：通过(guo)分布式革命，瓦解算(suan)力集中(zhong)垄断的(de)格局，构建(jian)更加灵活、高效(xiao)、绿色的(de)算(suan)力网(wang)络(luo)。

更进一步(bu)，算(suan)力分布式革命，应与分布式能源革命协同推进。通过(guo)将算(suan)力设施与分布式能源（如光伏、风电）相结合，构建(jian)“源-荷-储(chu)-算(suan)”协同的(de)新型电力系统(tong)。分布式算(suan)力可以作为新型电力系统(tong)的(de)“荷”，通过(guo)智能调度算(suan)法，与分布式能源的(de)波动性(xing)出力相匹(pi)配，实现“电-算(suan)协同”，提升清洁能源的(de)消纳能力，降低电力系统(tong)的(de)风险。

分布式算(suan)力革命与分布式能源革命的(de)协同发展，将倒(dao)逼电网(wang)进化，加速传统(tong)电网(wang)向智能电网(wang)转(zhuan)型。智能电网(wang)需要具备(bei)动态负荷优化分配、实时响应能力，以适应分布式能源和分布式算(suan)力的(de)需求。这将推动电力系统(tong)从传统(tong)的(de)“单向传输”模式，向“双向互动”、“源网(wang)荷储(chu)”协同优化的(de)模式转(zhuan)变，构建(jian)更加清洁、高效(xiao)、安全、可靠(kao)的(de)现代能源体系。

结论：展望人工智能、算(suan)力与能源的(de)未来

DeepSeek R1的(de)出现，标志着人工智能技(ji)术发展进入了一个新的(de)阶段。效(xiao)率优化和成本(ben)控(kong)制，成为人工智能技(ji)术发展的(de)重要驱动力。然而，技(ji)术进步(bu)并不能改变人工智能对算(suan)力和能源的(de)巨大需求。杰文斯悖论提醒我们，效(xiao)率提升并不必然导致资源消耗(hao)的(de)减少，反而可能刺激需求增(zeng)长，最终导致资源消耗(hao)总量增(zeng)加。

面对人工智能发展带来的(de)算(suan)力与能源挑(tiao)战，全球科技(ji)界和能源界需要携手合作，共同探索(suo)可持续发展之路。一方面，要继续加强(qiang)技(ji)术创新，提升算(suan)力效(xiao)率，降低单位算(suan)力能耗(hao)；另一方面，要大力发展清洁能源，构建(jian)绿色算(suan)力基础设施，推动能源结构的(de)转(zhuan)型升级。

在中(zhong)国，我们应坚持效(xiao)率优先(xian)、绿色发展的(de)原则，探索(suo)具有中(zhong)国特色的(de)AI发展路径。通过(guo)技(ji)术创新、模式创新和政策引(yin)导，在效(xiao)率与可持续性(xing)之间找到最佳(jia)平衡点，实现人工智能与经济社会、生态环(huan)境的(de)和谐(xie)共生。算(suan)力分布式革命与分布式能源革命的(de)协同推进，将为中(zhong)国构建(jian)绿色、高效(xiao)、智能的(de)未来能源体系，赢(ying)得人工智能时代的(de)竞争优势，提供强(qiang)劲的(de)动力。

作者(zhe)信息

刘少轩：

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(zhong)银(yin)科技(ji)金融学院执行院长

陈钰什：

New Energy Nexus中(zhong)国首席研究员，上海交通大学中(zhong)银(yin)科技(ji)金融学院博士后