Deepseek也引起了(le)对美国科技股和能源股短期剧烈震荡。英伟达(da)单日跌幅最高(gao)达(da)17%，创(chuang)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(zhong)挫。纳(na)斯达(da)克指数下(xia)跌3.1%，标普500指数下(xia)跌1.5%，市场对美国科技巨头(tou)的高(gao)估值（如美股七巨头(tou)中，英伟达(da)的市盈率在46倍左右(you)，苹果(guo)的市盈率在36倍左右(you)，特斯拉183倍市盈率。如今，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(you)。）产(chan)生质疑。此外，由(you)于R1通过算法优化显著降低模型能耗（内存使(shi)用减少50%以上），市场担忧AI对电力需求的增长预期被打破，导致美国联合能源、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(qi)在中国境外的未来发展仍面临不确定(ding)性，部(bu)分(fen)西(xi)方机构和政府已开始限制使(shi)用其(qi)服务。然(ran)而，全球(qiu)人工智能领域(yu)都在密切关注(zhu)DeepSeek如何(he)以如此低的成(cheng)本实现领先性能。如果(guo)DeepSeek的方法能够被广泛复制，那么(me)对于东南亚地区、澳大利亚、新西(xi)兰等中小型国家而言，或许将有机会以更低的成(cheng)本进入基础模型领域(yu)，这在过去是难以想象的。

对于澳新地区的数据中心运营商而言，人工智能技术成(cheng)本的潜在降低，无疑缓解了(le)对外国模型安全性和可(ke)靠性风险的担忧。Macquarie Data Centres的高(gao)管David Hirst指出(chu)，人工智能行(xing)业的发展速度远超以往任何(he)技术趋势，且仍处于早期阶段(duan)。他认为，人工智能正在并将继续证明，它是世界上发展最快的技术之一(yi)，而我们才刚刚触及人工智能所(suo)能实现的冰山一(yi)角。人工智能将从根本上改(gai)变所(suo)有行(xing)业的运作方式(shi)以及人类(lei)的潜力。以Deepseek为例，从2024年(nian)1月5日，DeepSeek发布(bu)了(le)首个大模型DeepSeek LLM到2024年(nian)12月26日，正式(shi)上线DeepSeek-V3模型，并同步开源，标准着(zhe)全球(qiu)首个全开源的混合专(zhuan)家（MoE）模型出(chu)现，再到2025年(nian)1月20日发布(bu)的DeekSeek-R1推理大模型。从在极短的时间内，人工智能已取得显著进展。大型语言模型的快速发展，从模型的迭代、算力的更新，到训练和推理成(cheng)本的下(xia)降，再到智能体的产(chan)品形态出(chu)现，人工智能正在不断提高(gao)行(xing)业效率，并最终降低成(cheng)本。DeepSeek模型的创(chuang)新，通过简(jian)化训练过程和更有效地利用硬件，标志着(zhe)在降低人工智能训练和推理门槛方面迈(mai)出(chu)了(le)重(zhong)要一(yi)步，为更多企业应用这项技术打开了(le)大门。

DeepSeek R1 的技术特点：效率与成(cheng)本优势

DeepSeek R1 模型的出(chu)现之所(suo)以能引发行(xing)业震动，核心在于其(qi)在效率和成(cheng)本控制上的突破。DeepSeek 通过一(yi)系列技术创(chuang)新，实现了(le)在相对较低的算力投入下(xia)，获得可(ke)媲美甚至(zhi)超越头(tou)部(bu)模型的性能表现。这些技术特点主要包括：

混合专(zhuan)家模型（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低算力需求的关键。与传统的稠密模型不同，MoE模型包含多个“专(zhuan)家”子网络，每(mei)个子网络专(zhuan)门处理特定(ding)类(lei)型的输入。在推理过程中，模型会根据输入内容动态选择激活部(bu)分(fen)专(zhuan)家网络，而非所(suo)有网络，从而大幅减少计(ji)算量，提高(gao)推理效率。DeepSeek将MoE技术与模型架构深度融合，实现了(le)性能与效率的平衡。

多头(tou)潜注(zhu)意力机制（MLA）：该(gai)技术为DeepSeek团队独(du)创(chuang)，针对传统Transformer模型的“多头(tou)注(zhu)意力机制”在处理长文(wen)本时容易“分(fen)心”的问题，MLA通过压缩关键信息(xi)，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利用效率，降低整体算力需求。

PTX汇编语言优化：为了(le)更充分(fen)地挖掘硬件潜力，DeepSeek甚至(zhi)深入到硬件底层，采用PTX汇编语言对核心计(ji)算模块进行(xing)优化。PTX汇编语言是一(yi)种针对NVIDIAGPU的底层编程语言，通过精细的汇编级优化，可(ke)以最大限度地提升(sheng)代码执行(xing)效率，减少不必要的计(ji)算开销。这种极致的优化精神，体现了(le)DeepSeek在算力效率上的极致追求。

蒸馏技术与分(fen)布(bu)式(shi)/边缘计(ji)算架构:DeepSeek推出(chu)了(le)一(yi)项卓越的模型蒸馏技术，该(gai)技术实现了(le)将高(gao)性能AI模型的核心推理能力高(gao)效移植至(zhi)轻量化版本中的目标。这一(yi)突破不仅结合了(le)开源与轻量化的双重(zhong)优势，进一(yi)步降低了(le)人工智能技术的应用门槛，同时也为边缘计(ji)算领域(yu)带来了(le)前所(suo)未有的发展机遇。企业能够依据自(zi)身行(xing)业特点，在本地进行(xing)模型训练，使(shi)得原本依赖于高(gao)性能服务器和稳定(ding)网络环境的边缘设备得以焕发新生。此外，DeepSeek积极探索分(fen)布(bu)式(shi)计(ji)算与边缘计(ji)算架构的新路径，通过将计(ji)算任务分(fen)布(bu)至(zhi)更靠近数据源的边缘节点，从而大幅减少对中央数据中心的依赖。这不仅有效缓解了(le)数据传输过程中的延迟(chi)问题和带宽压力，同时优化了(le)边缘设备算力资源的利用效率，构建了(le)一(yi)个更加灵活高(gao)效的算力部(bu)署方案。

通过上述技术组合拳，DeepSeek R1实现了(le)在保(bao)证模型性能的同时，大幅降低训练和推理的算力需求和成(cheng)本。这使(shi)得人工智能技术的应用门槛显著降低，为更广泛的应用场景打开了(le)大门。

算力生态的重(zhong)构与资源再分(fen)配

DeepSeek R1的出(chu)现，不仅可(ke)能引发算力需求的增长，还将深刻地重(zhong)塑全球(qiu)算力生态，并导致算力资源的重(zhong)新分(fen)配。

首先，分(fen)布(bu)式(shi)革命与集(ji)中霸权竞争(zheng)。传统人工智能发展模式(shi)往往依赖于“规模至(zhi)上”的逻辑，追求超大规模模型和超大规模算力集(ji)群。DeepSeek R1的轻量化模型和开源策略(lue)，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(fen)布(bu)式(shi)数据中心的普及。此前，美国科技公司曾计(ji)划建设耗电量堪比纽约市的巨型数据中心，但在DeepSeek高(gao)效模型的影响下(xia)，此类(lei)超大规模基础设施的必要性显著下(xia)降。算力生态正在从单一(yi)“超大规模中心垄断”模式(shi)转向(xiang)与“分(fen)布(bu)式(shi)蜂(feng)群网络”竞争(zheng)的模式(shi)。

其(qi)次，产(chan)业链价值重(zhong)新分(fen)配。在算力产(chan)业链上游，DeepSeek的出(chu)现使(shi)英伟达(da)等GPU巨头(tou)面临需求结构调整的挑战。由(you)于DeepSeek模型对算力效率的提升(sheng)，以及分(fen)布(bu)式(shi)计(ji)算的兴起，市场对高(gao)性能GPU的需求可(ke)能不再是无止境的扩张，而是更加注(zhu)重(zhong)能效比和定(ding)制化。与此同时，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(ding)的人工智能应用进行(xing)硬件加速，在能效比和成(cheng)本控制上更具优势，更符合分(fen)布(bu)式(shi)算力发展的趋势。在中游算力服务端(duan)，区域(yu)性数据中心凭借低时延和贴近应用场景的优势，开始承(cheng)接制造业智能质检、金融风控等对延迟(chi)敏(min)感的应用需求，迫使(shi)AWS、阿里云等云计(ji)算巨头(tou)调整部(bu)分(fen)大型数据中心的建设投入，转而加强边缘计(ji)算和分(fen)布(bu)式(shi)算力布(bu)局。

在下(xia)游应用端(duan)，国产(chan)算力成(cheng)本的下(xia)降，将驱动人工智能在制造业、金融、医疗等领域(yu)的渗透率倍增。例如，在代码托管平台GitHub上，已涌现出(chu)大量基于DeepSeek模型的集(ji)成(cheng)应用案例（awesome deepseek integration）。同时，中国各地省市纷(fen)纷(fen)上线R1模型，加速人工智能的区域(yu)化、本地化部(bu)署。越来越形成(cheng)形成(cheng)“需求牵引供(gong)给”的正向(xiang)循环，实现“算力+行(xing)业”的双向(xiang)赋能。这种趋势正在形成(cheng)“需求牵引供(gong)给”的正向(xiang)循环，实现“算力+行(xing)业”的双向(xiang)赋能。人工智能技术将加速渗透到各行(xing)各业，成(cheng)为推动产(chan)业升(sheng)级和经济发展的重(zhong)要引擎。

最后，探索低碳AI发展路径，在效率提升(sheng)和能源可(ke)持续性之间寻求平衡。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了(le)突破性进展。通过MLA与MoE技术融合、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)单次计(ji)算的经济成(cheng)本和能源消耗。据测(ce)算，DeepSeek模型单位计(ji)算任务的能耗较传统稠密模型下(xia)降超过50%，单位计(ji)算碳排放强度降至(zhi)行(xing)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(gong)了(le)关键的技术支(zhi)撑。

更重(zhong)要的是，DeepSeek通过“低能耗+分(fen)布(bu)式(shi)”模式(shi)，显著降低了(le)高(gao)性能AI对传统能源的依赖。分(fen)布(bu)式(shi)与边缘计(ji)算架构，将计(ji)算任务分(fen)散(san)到靠近数据源的边缘设备处理，有效减少了(le)对集(ji)中式(shi)数据中心的电力依赖。同时，DeepSeek的高(gao)性能模型在实现同等效果(guo)时，与清洁(jie)能源耦(ou)合的能效显著优于传统AI架构。

分(fen)布(bu)式(shi)计(ji)算与边缘节点的高(gao)效协同，不仅大幅降低了(le)集(ji)中式(shi)数据中心对传统能源的依赖，也使(shi)AI系统能够更灵活地协调计(ji)算任务和清洁(jie)能源供(gong)给，更加适配可(ke)再生能源的波动性特点。例如，在太阳(yang)能充足的时段(duan)优先调度计(ji)算任务，并借助优化算法动态匹(pi)配能源供(gong)给波动，在弃风弃光时段(duan)提升(sheng)消纳(na)率20%以上，从而有效破解新能源消纳(na)难题。

杰文(wen)斯悖论：效率提升(sheng)与需求扩张

然(ran)而，DeepSeek R1的技术突破，在降低人工智能应用门槛的同时，也可(ke)能引发“杰文(wen)斯悖论”。杰文(wen)斯悖论由(you)19世纪经济学家 William Stanley Jevons提出(chu)，他发现，随着(zhe)煤炭使(shi)用效率的提高(gao)，煤炭的消耗总量反而增加。这一(yi)悖论揭示(shi)了(le)一(yi)个深刻的经济规律：效率的提升(sheng)并不必然(ran)导致资源消耗的减少，反而可(ke)能因(yin)为成(cheng)本降低和应用范围扩大，刺激需求增长，最终导致资源消耗总量增加。

微软 CEO Satya Nadella引用杰文(wen)斯悖论来解释DeepSeek R1可(ke)能带来的影响，可(ke)谓一(yi)针见血。他认为，更实惠、更易于访问的人工智能技术，将通过更快的普及和更广泛的应用，导致需求的激增。随着(zhe)人工智能技术的门槛降低，过去由(you)于成(cheng)本限制而无法应用人工智能的领域(yu)，例如中小企业、边缘计(ji)算场景等，将涌现出(chu)大量新的应用需求，从而导致算力调用密度指数级上升(sheng)。

此外，新兴应用场景的爆(bao)发，也将加速算力需求的裂变。智能驾驶、具身机器人等前沿领域(yu)对实时算力的需求极为庞大，远超DeepSeek技术优化的速度。即使(shi)单任务效率提升(sheng)数倍，百万级智能终端(duan)的并发需求，仍将形成(cheng)巨大的算力吞噬黑洞。

更进一(yi)步，模型复杂性的提升(sheng)，也可(ke)能在一(yi)定(ding)程度上抵消效率提升(sheng)带来的节能效果(guo)。为了(le)探索通用人工智能（AGI）等前沿方向(xiang)，模型参数规模不断向(xiang)万亿级跃升(sheng)，数据量也以年(nian)均30%的速度增长。即使(shi)训练效率提升(sheng)10倍，模型规模扩大100倍，仍然(ran)会导致算力总需求净增10倍。DeepSeek的高(gao)效算法或许能够“追赶”数据增长的速度，但难以从根本上逆(ni)转算力需求的增长曲线。

因(yin)此，DeepSeek R1的技术突破，虽(sui)然(ran)在单位算力能耗上取得了(le)显著降低，但从宏观层面来看，很(hen)可(ke)能无法有效缓解人工智能发展对算力和能源的巨大需求。相反，技术普惠性引发的应用爆(bao)发，以及模型复杂性的持续提升(sheng)，可(ke)能会共同推动算力需求的加速增长，最终导致电力系统在需求激增的压力下(xia)加速重(zhong)构。

算力的尽头(tou)，依然(ran)是电力

尽管DeepSeek R1在算力效率上取得了(le)突破，并可(ke)能推动算力生态向(xiang)分(fen)布(bu)式(shi)方向(xiang)发展，但其(qi)技术进步并不能改(gai)变人工智能发展对能源的巨大需求。算力的尽头(tou)，依然(ran)是电力。

DeepSeek等人工智能技术的突破，将不可(ke)避免地推高(gao)全球(qiu)电力需求。“杰文(wen)斯悖论”的加速效应，可(ke)能使(shi)全球(qiu)电力需求曲线更加陡峭。尽管DeepSeek通过优化算法、硬件适配等技术，显著提升(sheng)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，但这种技术跃迁(qian)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性增长模式(shi)，形成(cheng)“效率提升(sheng)-应用扩张-能耗跃升(sheng)”的闭(bi)环。

国际能源署（IEA）的数据显示(shi)，2022年(nian)全球(qiu)数据中心耗电量已达(da)460TWh，占全球(qiu)总用电量的2%。预计(ji)到2026年(nian)，全球(qiu)数据中心耗电量将扩张至(zhi)620-1050TWh。这意味着(zhe)，未来几年(nian)内，数据中心的能源消耗将呈现指数级增长趋势。

面对如此巨大的能源需求，全球(qiu)科技巨头(tou)们已经掀起了(le)一(yi)场围绕电力资源的争(zheng)夺(duo)战。美国微软与OpenAI等科技巨头(tou)联合发起了(le)“星际之门计(ji)划”，计(ji)划耗资千亿美元，在2030年(nian)前建成(cheng)全球(qiu)最大的AI超算集(ji)群。“星际之门”的目标是建设5-10个数据中心园区，每(mei)个园区设计(ji)功率约为100兆(zhao)瓦(wa)，总电力需求将达(da)到5GW-10GW级别。这相当于数个大型城市的用电量。

“电力缺口(kou)可(ke)能成(cheng)为AI时代的卡脖子问题”，这正在成(cheng)为行(xing)业共识。科技巨头(tou)对清洁(jie)能源的大规模投资和抢占，本质上是对新一(yi)轮工业革命核心资源的争(zheng)夺(duo)。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公司——微软、亚马逊、谷(gu)歌、Meta仍然(ran)坚(jian)持“大力出(chu)奇迹”的策略(lue)，即大规模算力投资。2024年(nian)，美国科技四巨头(tou)的资本支(zhi)出(chu)均达(da)到历史最高(gao)点，总额高(gao)达(da)2431亿美元，同比增长63%。预计(ji)2025年(nian)，它们的资本支(zhi)出(chu)总额将超过3200亿美元，总增速约为30%。

巨额的资本支(zhi)出(chu)，主要用于购(gou)买算力设备，建设数据中心，以支(zhi)撑人工智能业务的快速发展。这些科技巨头(tou)们相信，更高(gao)的算力投入，能够带来更好的模型性能和更快的技术迭代速度。在商业竞争(zheng)中，算力的质量代表的是速度问题，更高(gao)算力通常带来更好的效果(guo)。短期内节省算力固(gu)然(ran)重(zhong)要，但从长远来看，算力需求只会螺旋上升(sheng)，面向(xiang)未来投资算力才是更重(zhong)要的战略(lue)选择。英伟达(da)2025年(nian)2月6日其(qi)股价单日涨幅超5%，市值重(zhong)回3万亿美元，也回应了(le)这个趋势，反映了(le)市场对算力芯片（如GB200芯片）放量的预期。

这些科技巨头(tou)们之所(suo)以敢于如此大手笔地投入算力，一(yi)方面是因(yin)为它们“钱(qian)袋子”依然(ran)富余(yu)，净利润和现金流能够支(zhi)撑高(gao)强度的算力投资；另(ling)一(yi)方面，巨额的算力投资也已经产(chan)生了(le)实际回报，“云+AI”业务的收入和利润正在快速增长，这进一(yi)步刺激了(le)它们加大算力投资的力度。谷(gu)歌、微软等巨头(tou)在2025年(nian)Q1财报中披(pi)露，AI业务资本开支(zhi)同比增35%，表明算力扩张仍在持续，电力需求韧性显现。

除去科技公司，主权国家和地区也同步进入到算力的竞赛当中。欧盟(meng)委(wei)员会于2025年(nian)2月宣布(bu)的“Invest AI”计(ji)划，拟通过公共和私人资金调动总额2000亿欧元，核心目标是建设4座(zuo)AI超级工厂，配备约10万颗最先进AI芯片（是目前欧洲在建工厂的4倍），专(zhuan)注(zhu)于训练复杂AI模型。其(qi)中，200亿欧元专(zhuan)门用于设立欧洲基金支(zhi)持这些工厂。日本、沙特、印度等国家也纷(fen)纷(fen)将算力主权纳(na)入国家战略(lue)。

中国路径：效率、可(ke)持续性与分(fen)布(bu)式(shi)协同

面对全球(qiu)人工智能发展的新趋势，以及算力与能源的挑战，中国需要探索一(yi)条具有自(zi)身特色的发展路径。DeepSeekR1的技术突破，为我们提供(gong)了(le)一(yi)个重(zhong)要的启(qi)示(shi)：在人工智能发展中，效率和可(ke)持续性同样重(zhong)要，甚至(zhi)比单纯的算力堆砌更为关键。

中国在人工智能发展上，既要仰望(wang)星空，追求前沿技术的突破，也要脚踏实地，注(zhu)重(zhong)应用场景的落(luo)地。DeepSeek R1和V3的出(chu)现，代表了(le)一(yi)种相对低算力、高(gao)表现的技术路线，这符合中国国情和发展阶段(duan)的实际需求。对于中国而言，在算力资源相对紧张的情况(kuang)下(xia)，更应该(gai)注(zhu)重(zhong)效率优化，通过技术创(chuang)新，提升(sheng)单位算力的价值，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能发展过程中仍然(ran)不可(ke)替代。算法的优化固(gu)然(ran)重(zhong)要，但更好的硬件意味着(zhe)更低的训练时间和更高(gao)的效率。尤其(qi)是在人工智能前沿研究(jiu)领域(yu)，例如AI for Science，仍然(ran)需要足够的算力进行(xing)支(zhi)持。因(yin)此，中国在发展高(gao)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(zi)主可(ke)控的算力底座(zuo)。

未来，人工智能领域(yu)的竞争(zheng)，将是前沿技术创(chuang)新和应用场景落(luo)地的双线竞争(zheng)。既要“卷前沿”，在基础理论和核心技术上取得突破，也要“卷应用”，将人工智能技术广泛应用到各行(xing)各业，创(chuang)造实际价值。有能力的企业，必然(ran)是“两手都要抓，两手都要硬”，既要布(bu)局前沿技术，也要深耕应用场景。

在能源战略(lue)上，中国应坚(jian)持效率优先、绿色发展的原则，在效率与可(ke)持续性之间寻找平衡。DeepSeek 的分(fen)布(bu)式(shi)算力架构，为我们提供(gong)了(le)一(yi)个重(zhong)要的方向(xiang)：通过分(fen)布(bu)式(shi)革命，瓦(wa)解算力集(ji)中垄断的格局，构建更加灵活、高(gao)效、绿色的算力网络。

更进一(yi)步，算力分(fen)布(bu)式(shi)革命，应与分(fen)布(bu)式(shi)能源革命协同推进。通过将算力设施与分(fen)布(bu)式(shi)能源（如光伏、风电）相结合，构建“源-荷-储-算”协同的新型电力系统。分(fen)布(bu)式(shi)算力可(ke)以作为新型电力系统的“荷”，通过智能调度算法，与分(fen)布(bu)式(shi)能源的波动性出(chu)力相匹(pi)配，实现“电-算协同”，提升(sheng)清洁(jie)能源的消纳(na)能力，降低电力系统的风险。

分(fen)布(bu)式(shi)算力革命与分(fen)布(bu)式(shi)能源革命的协同发展，将倒逼电网进化，加速传统电网向(xiang)智能电网转型。智能电网需要具备动态负荷优化分(fen)配、实时响应能力，以适应分(fen)布(bu)式(shi)能源和分(fen)布(bu)式(shi)算力的需求。这将推动电力系统从传统的“单向(xiang)传输”模式(shi)，向(xiang)“双向(xiang)互动”、“源网荷储”协同优化的模式(shi)转变，构建更加清洁(jie)、高(gao)效、安全、可(ke)靠的现代能源体系。

结论：展望(wang)人工智能、算力与能源的未来

DeepSeek R1的出(chu)现，标志着(zhe)人工智能技术发展进入了(le)一(yi)个新的阶段(duan)。效率优化和成(cheng)本控制，成(cheng)为人工智能技术发展的重(zhong)要驱动力。然(ran)而，技术进步并不能改(gai)变人工智能对算力和能源的巨大需求。杰文(wen)斯悖论提醒我们，效率提升(sheng)并不必然(ran)导致资源消耗的减少，反而可(ke)能刺激需求增长，最终导致资源消耗总量增加。

面对人工智能发展带来的算力与能源挑战，全球(qiu)科技界和能源界需要携手合作，共同探索可(ke)持续发展之路。一(yi)方面，要继续加强技术创(chuang)新，提升(sheng)算力效率，降低单位算力能耗；另(ling)一(yi)方面，要大力发展清洁(jie)能源，构建绿色算力基础设施，推动能源结构的转型升(sheng)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。通过技术创(chuang)新、模式(shi)创(chuang)新和政策引导，在效率与可(ke)持续性之间找到最佳平衡点，实现人工智能与经济社会、生态环境的和谐共生。算力分(fen)布(bu)式(shi)革命与分(fen)布(bu)式(shi)能源革命的协同推进，将为中国构建绿色、高(gao)效、智能的未来能源体系，赢得人工智能时代的竞争(zheng)优势，提供(gong)强劲的动力。

作者信息(xi)

刘少轩：

上海(hai)交通大学安泰(tai)经济与管理学院副院长

上海(hai)交通大学中银科技金融学院执行(xing)院长

陈钰什(shi)：

New Energy Nexus中国首席研究(jiu)员，上海(hai)交通大学中银科技金融学院博士后