Deepseek也引起了对美(mei)国科技股(gu)和能源股(gu)短期剧烈(lie)震荡(dang)。英伟达单(dan)日跌幅最高达17%，创美(mei)股(gu)历史(shi)最大单(dan)日市值蒸发(fa)纪录（约6000亿(yi)美(mei)元(yuan)），博(bo)通、AMD、台(tai)积电(dian)等芯片股(gu)同步重挫。纳斯达克指(zhi)数下跌3.1%，标普500指(zhi)数下跌1.5%，市场(chang)对美(mei)国科技巨头的高估(gu)值（如美(mei)股(gu)七巨头中，英伟达的市盈率在(zai)46倍(bei)左右，苹果的市盈率在(zai)36倍(bei)左右，特斯拉183倍(bei)市盈率。如今，七巨头的平均市盈率接近50倍(bei)，市值占美(mei)股(gu)总市值28%左右。）产生质疑。此外(wai)，由于(yu)R1通过算法优化显著(zhu)降低(di)模型能耗(hao)（内存使用减少50%以上），市场(chang)担忧AI对电(dian)力需求(qiu)的增长预期被打破，导(dao)致美(mei)国联合能源、Vistra等能源公司股(gu)价暴(bao)跌21%-29%。

尽管DeepSeek在(zai)技术上取得了巨大进步，但(dan)其在(zai)中国境外(wai)的未来发(fa)展仍面临不确(que)定性，部分西方机构和政(zheng)府已开始限制使用其服务。然而，全球人工智(zhi)能领域都在(zai)密切关注DeepSeek如何以如此低(di)的成(cheng)本实现领先性能。如果DeepSeek的方法能够被广泛复制，那(na)么对于(yu)东南亚地区、澳大利亚、新西兰等中小型国家而言，或许将(jiang)有机会以更低(di)的成(cheng)本进入(ru)基础模型领域，这在(zai)过去是难以想(xiang)象的。

对于(yu)澳新地区的数据中心运营商而言，人工智(zhi)能技术成(cheng)本的潜在(zai)降低(di)，无疑缓解了对外(wai)国模型安全性和可靠性风险的担忧。Macquarie Data Centres的高管David Hirst指(zhi)出(chu)，人工智(zhi)能行业的发(fa)展速度远超以往任何技术趋势，且仍处于(yu)早期阶段。他认为，人工智(zhi)能正在(zai)并将(jiang)继(ji)续证明，它是世界上发(fa)展最快的技术之一，而我们才刚刚触及人工智(zhi)能所能实现的冰山一角。人工智(zhi)能将(jiang)从根本上改变所有行业的运作方式以及人类的潜力。以Deepseek为例，从2024年(nian)1月(yue)5日，DeepSeek发(fa)布了首个大模型DeepSeek LLM到2024年(nian)12月(yue)26日，正式上线(xian)DeepSeek-V3模型，并同步开源，标准着(zhe)全球首个全开源的混合专家（MoE）模型出(chu)现，再到2025年(nian)1月(yue)20日发(fa)布的DeekSeek-R1推理大模型。从在(zai)极短的时间内，人工智(zhi)能已取得显著(zhu)进展。大型语言模型的快速发(fa)展，从模型的迭代、算力的更新，到训练和推理成(cheng)本的下降，再到智(zhi)能体的产品形态出(chu)现，人工智(zhi)能正在(zai)不断提(ti)高行业效率，并最终降低(di)成(cheng)本。DeepSeek模型的创新，通过简化训练过程和更有效地利用硬件，标志(zhi)着(zhe)在(zai)降低(di)人工智(zhi)能训练和推理门槛方面迈出(chu)了重要一步，为更多企业应用这项技术打开了大门。

DeepSeek R1 的技术特点：效率与成(cheng)本优势

DeepSeek R1 模型的出(chu)现之所以能引发(fa)行业震动，核心在(zai)于(yu)其在(zai)效率和成(cheng)本控制上的突破。DeepSeek 通过一系列技术创新，实现了在(zai)相(xiang)对较低(di)的算力投入(ru)下，获(huo)得可媲美(mei)甚至超越头部模型的性能表现。这些(xie)技术特点主要包括：

混合专家模型（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低(di)算力需求(qiu)的关键。与传统的稠密模型不同，MoE模型包含多个“专家”子网络，每个子网络专门处理特定类型的输入(ru)。在(zai)推理过程中，模型会根据输入(ru)内容动态选择激(ji)活部分专家网络，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(jiang)MoE技术与模型架构深度融合，实现了性能与效率的平衡。

多头潜注意力机制（MLA）：该技术为DeepSeek团队独创，针对传统Transformer模型的“多头注意力机制”在(zai)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(di)整体算力需求(qiu)。

PTX汇编(bian)语言优化：为了更充分地挖掘硬件潜力，DeepSeek甚至深入(ru)到硬件底层，采(cai)用PTX汇编(bian)语言对核心计算模块进行优化。PTX汇编(bian)语言是一种针对NVIDIAGPU的底层编(bian)程语言，通过精细的汇编(bian)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。这种极致的优化精神，体现了DeepSeek在(zai)算力效率上的极致追(zhui)求(qiu)。

蒸馏技术与分布式/边缘计算架构:DeepSeek推出(chu)了一项卓越的模型蒸馏技术，该技术实现了将(jiang)高性能AI模型的核心推理能力高效移植至轻量(liang)化版本中的目标。这一突破不仅结合了开源与轻量(liang)化的双重优势，进一步降低(di)了人工智(zhi)能技术的应用门槛，同时也为边缘计算领域带来了前所未有的发(fa)展机遇。企业能够依据自身行业特点，在(zai)本地进行模型训练，使得原本依赖于(yu)高性能服务器(qi)和稳定网络环境的边缘设备(bei)得以焕发(fa)新生。此外(wai)，DeepSeek积极探索分布式计算与边缘计算架构的新路径，通过将(jiang)计算任务分布至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。这不仅有效缓解了数据传输过程中的延迟问题和带宽压力，同时优化了边缘设备(bei)算力资源的利用效率，构建了一个更加灵活高效的算力部署方案。

通过上述技术组合拳，DeepSeek R1实现了在(zai)保证模型性能的同时，大幅降低(di)训练和推理的算力需求(qiu)和成(cheng)本。这使得人工智(zhi)能技术的应用门槛显著(zhu)降低(di)，为更广泛的应用场(chang)景打开了大门。

算力生态的重构与资源再分配

DeepSeek R1的出(chu)现，不仅可能引发(fa)算力需求(qiu)的增长，还将(jiang)深刻(ke)地重塑全球算力生态，并导(dao)致算力资源的重新分配。

首先，分布式革命与集中霸权竞争。传统人工智(zhi)能发(fa)展模式往往依赖于(yu)“规模至上”的逻辑，追(zhui)求(qiu)超大规模模型和超大规模算力集群。DeepSeek R1的轻量(liang)化模型和开源策略，降低(di)了人工智(zhi)能应用的门槛，促进了中端算力设施和分布式数据中心的普及。此前，美(mei)国科技公司曾计划建设耗(hao)电(dian)量(liang)堪(kan)比纽约市的巨型数据中心，但(dan)在(zai)DeepSeek高效模型的影响下，此类超大规模基础设施的必要性显著(zhu)下降。算力生态正在(zai)从单(dan)一“超大规模中心垄断”模式转向与“分布式蜂群网络”竞争的模式。

其次，产业链价值重新分配。在(zai)算力产业链上游(you)，DeepSeek的出(chu)现使英伟达等GPU巨头面临需求(qiu)结构调整的挑战(zhan)。由于(yu)DeepSeek模型对算力效率的提(ti)升，以及分布式计算的兴起，市场(chang)对高性能GPU的需求(qiu)可能不再是无止境的扩张，而是更加注重能效比和定制化。与此同时，寒武纪等ASIC芯片厂商或将(jiang)迎来发(fa)展机遇。ASIC芯片可以针对特定的人工智(zhi)能应用进行硬件加速，在(zai)能效比和成(cheng)本控制上更具优势，更符合分布式算力发(fa)展的趋势。在(zai)中游(you)算力服务端，区域性数据中心凭借低(di)时延和贴近应用场(chang)景的优势，开始承接制造业智(zhi)能质检、金融风控等对延迟敏感的应用需求(qiu)，迫使AWS、阿里云等云计算巨头调整部分大型数据中心的建设投入(ru)，转而加强边缘计算和分布式算力布局。

在(zai)下游(you)应用端，国产算力成(cheng)本的下降，将(jiang)驱动人工智(zhi)能在(zai)制造业、金融、医疗等领域的渗透率倍(bei)增。例如，在(zai)代码托管平台(tai)GitHub上，已涌现出(chu)大量(liang)基于(yu)DeepSeek模型的集成(cheng)应用案例（awesome deepseek integration）。同时，中国各地省市纷纷上线(xian)R1模型，加速人工智(zhi)能的区域化、本地化部署。越来越形成(cheng)形成(cheng)“需求(qiu)牵引供给”的正向循环，实现“算力+行业”的双向赋能。这种趋势正在(zai)形成(cheng)“需求(qiu)牵引供给”的正向循环，实现“算力+行业”的双向赋能。人工智(zhi)能技术将(jiang)加速渗透到各行各业，成(cheng)为推动产业升级和经济发(fa)展的重要引擎。

最后(hou)，探索低(di)碳AI发(fa)展路径，在(zai)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(zai)单(dan)次运算能耗(hao)控制方面取得了突破性进展。通过MLA与MoE技术融合、强化学习(xi)（RL）的深度应用、稀疏化训练等核心技术，DeepSeek大幅压缩了单(dan)次计算的经济成(cheng)本和能源消耗(hao)。据测算，DeepSeek模型单(dan)位计算任务的能耗(hao)较传统稠密模型下降超过50%，单(dan)位计算碳排放强度降至行业平均水(shui)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(ti)供了关键的技术支撑。

更重要的是，DeepSeek通过“低(di)能耗(hao)+分布式”模式，显著(zhu)降低(di)了高性能AI对传统能源的依赖。分布式与边缘计算架构，将(jiang)计算任务分散到靠近数据源的边缘设备(bei)处理，有效减少了对集中式数据中心的电(dian)力依赖。同时，DeepSeek的高性能模型在(zai)实现同等效果时，与清洁能源耦合的能效显著(zhu)优于(yu)传统AI架构。

分布式计算与边缘节点的高效协同，不仅大幅降低(di)了集中式数据中心对传统能源的依赖，也使AI系统能够更灵活地协调计算任务和清洁能源供给，更加适配可再生能源的波动性特点。例如，在(zai)太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波动，在(zai)弃风弃光时段提(ti)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(lun)：效率提(ti)升与需求(qiu)扩张

然而，DeepSeek R1的技术突破，在(zai)降低(di)人工智(zhi)能应用门槛的同时，也可能引发(fa)“杰文斯悖论(lun)”。杰文斯悖论(lun)由19世纪经济学家 William Stanley Jevons提(ti)出(chu)，他发(fa)现，随着(zhe)煤炭使用效率的提(ti)高，煤炭的消耗(hao)总量(liang)反而增加。这一悖论(lun)揭示了一个深刻(ke)的经济规律：效率的提(ti)升并不必然导(dao)致资源消耗(hao)的减少，反而可能因为成(cheng)本降低(di)和应用范围扩大，刺(ci)激(ji)需求(qiu)增长，最终导(dao)致资源消耗(hao)总量(liang)增加。

微(wei)软 CEO Satya Nadella引用杰文斯悖论(lun)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(yu)访问的人工智(zhi)能技术，将(jiang)通过更快的普及和更广泛的应用，导(dao)致需求(qiu)的激(ji)增。随着(zhe)人工智(zhi)能技术的门槛降低(di)，过去由于(yu)成(cheng)本限制而无法应用人工智(zhi)能的领域，例如中小企业、边缘计算场(chang)景等，将(jiang)涌现出(chu)大量(liang)新的应用需求(qiu)，从而导(dao)致算力调用密度指(zhi)数级上升。

此外(wai)，新兴应用场(chang)景的爆发(fa)，也将(jiang)加速算力需求(qiu)的裂变。智(zhi)能驾驶、具身机器(qi)人等前沿领域对实时算力的需求(qiu)极为庞大，远超DeepSeek技术优化的速度。即使单(dan)任务效率提(ti)升数倍(bei)，百(bai)万级智(zhi)能终端的并发(fa)需求(qiu)，仍将(jiang)形成(cheng)巨大的算力吞噬(shi)黑洞。

更进一步，模型复杂性的提(ti)升，也可能在(zai)一定程度上抵消效率提(ti)升带来的节能效果。为了探索通用人工智(zhi)能（AGI）等前沿方向，模型参(can)数规模不断向万亿(yi)级跃升，数据量(liang)也以年(nian)均30%的速度增长。即使训练效率提(ti)升10倍(bei)，模型规模扩大100倍(bei)，仍然会导(dao)致算力总需求(qiu)净(jing)增10倍(bei)。DeepSeek的高效算法或许能够“追(zhui)赶”数据增长的速度，但(dan)难以从根本上逆(ni)转算力需求(qiu)的增长曲线(xian)。

因此，DeepSeek R1的技术突破，虽然在(zai)单(dan)位算力能耗(hao)上取得了显著(zhu)降低(di)，但(dan)从宏观(guan)层面来看，很可能无法有效缓解人工智(zhi)能发(fa)展对算力和能源的巨大需求(qiu)。相(xiang)反，技术普惠性引发(fa)的应用爆发(fa)，以及模型复杂性的持续提(ti)升，可能会共同推动算力需求(qiu)的加速增长，最终导(dao)致电(dian)力系统在(zai)需求(qiu)激(ji)增的压力下加速重构。

算力的尽头，依然是电(dian)力

尽管DeepSeek R1在(zai)算力效率上取得了突破，并可能推动算力生态向分布式方向发(fa)展，但(dan)其技术进步并不能改变人工智(zhi)能发(fa)展对能源的巨大需求(qiu)。算力的尽头，依然是电(dian)力。

DeepSeek等人工智(zhi)能技术的突破，将(jiang)不可避免(mian)地推高全球电(dian)力需求(qiu)。“杰文斯悖论(lun)”的加速效应，可能使全球电(dian)力需求(qiu)曲线(xian)更加陡峭。尽管DeepSeek通过优化算法、硬件适配等技术，显著(zhu)提(ti)升了人工智(zhi)能算力效率，降低(di)了单(dan)次任务的能耗(hao)，打破了人工智(zhi)能应用的经济门槛，但(dan)这种技术跃迁预计将(jiang)同步触发(fa)“杰文斯悖论(lun)”，能源消耗(hao)总量(liang)或将(jiang)突破线(xian)性增长模式，形成(cheng)“效率提(ti)升-应用扩张-能耗(hao)跃升”的闭环。

国际能源署（IEA）的数据显示，2022年(nian)全球数据中心耗(hao)电(dian)量(liang)已达460TWh，占全球总用电(dian)量(liang)的2%。预计到2026年(nian)，全球数据中心耗(hao)电(dian)量(liang)将(jiang)扩张至620-1050TWh。这意味着(zhe)，未来几(ji)年(nian)内，数据中心的能源消耗(hao)将(jiang)呈现指(zhi)数级增长趋势。

面对如此巨大的能源需求(qiu)，全球科技巨头们已经掀起了一场(chang)围绕电(dian)力资源的争夺战(zhan)。美(mei)国微(wei)软与OpenAI等科技巨头联合发(fa)起了“星际之门计划”，计划耗(hao)资千亿(yi)美(mei)元(yuan)，在(zai)2030年(nian)前建成(cheng)全球最大的AI超算集群。“星际之门”的目标是建设5-10个数据中心园区，每个园区设计功率约为100兆瓦，总电(dian)力需求(qiu)将(jiang)达到5GW-10GW级别。这相(xiang)当(dang)于(yu)数个大型城市的用电(dian)量(liang)。

“电(dian)力缺口可能成(cheng)为AI时代的卡脖子问题”，这正在(zai)成(cheng)为行业共识。科技巨头对清洁能源的大规模投资和抢占，本质上是对新一轮工业革命核心资源的争夺。谁掌握了充足、廉价、绿色的电(dian)力资源，谁就将(jiang)在(zai)人工智(zhi)能时代的竞争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(mei)国科技公司——微(wei)软、亚马逊、谷歌、Meta仍然坚(jian)持“大力出(chu)奇(qi)迹”的策略，即大规模算力投资。2024年(nian)，美(mei)国科技四巨头的资本支出(chu)均达到历史(shi)最高点，总额高达2431亿(yi)美(mei)元(yuan)，同比增长63%。预计2025年(nian)，它们的资本支出(chu)总额将(jiang)超过3200亿(yi)美(mei)元(yuan)，总增速约为30%。

巨额的资本支出(chu)，主要用于(yu)购(gou)买算力设备(bei)，建设数据中心，以支撑人工智(zhi)能业务的快速发(fa)展。这些(xie)科技巨头们相(xiang)信，更高的算力投入(ru)，能够带来更好(hao)的模型性能和更快的技术迭代速度。在(zai)商业竞争中，算力的质量(liang)代表的是速度问题，更高算力通常带来更好(hao)的效果。短期内节省算力固然重要，但(dan)从长远来看，算力需求(qiu)只会螺旋上升，面向未来投资算力才是更重要的战(zhan)略选择。英伟达2025年(nian)2月(yue)6日其股(gu)价单(dan)日涨幅超5%，市值重回3万亿(yi)美(mei)元(yuan)，也回应了这个趋势，反映了市场(chang)对算力芯片（如GB200芯片）放量(liang)的预期。

这些(xie)科技巨头们之所以敢于(yu)如此大手笔(bi)地投入(ru)算力，一方面是因为它们“钱袋子”依然富余，净(jing)利润和现金流能够支撑高强度的算力投资；另(ling)一方面，巨额的算力投资也已经产生了实际回报，“云+AI”业务的收(shou)入(ru)和利润正在(zai)快速增长，这进一步刺(ci)激(ji)了它们加大算力投资的力度。谷歌、微(wei)软等巨头在(zai)2025年(nian)Q1财报中披露(lu)，AI业务资本开支同比增35%，表明算力扩张仍在(zai)持续，电(dian)力需求(qiu)韧性显现。

除去科技公司，主权国家和地区也同步进入(ru)到算力的竞赛当(dang)中。欧盟委员会于(yu)2025年(nian)2月(yue)宣布的“Invest AI”计划，拟通过公共和私人资金调动总额2000亿(yi)欧元(yuan)，核心目标是建设4座AI超级工厂，配备(bei)约10万颗最先进AI芯片（是目前欧洲在(zai)建工厂的4倍(bei)），专注于(yu)训练复杂AI模型。其中，200亿(yi)欧元(yuan)专门用于(yu)设立欧洲基金支持这些(xie)工厂。日本、沙特、印度等国家也纷纷将(jiang)算力主权纳入(ru)国家战(zhan)略。

中国路径：效率、可持续性与分布式协同

面对全球人工智(zhi)能发(fa)展的新趋势，以及算力与能源的挑战(zhan)，中国需要探索一条具有自身特色的发(fa)展路径。DeepSeekR1的技术突破，为我们提(ti)供了一个重要的启示：在(zai)人工智(zhi)能发(fa)展中，效率和可持续性同样重要，甚至比单(dan)纯的算力堆砌更为关键。

中国在(zai)人工智(zhi)能发(fa)展上，既要仰(yang)望星空，追(zhui)求(qiu)前沿技术的突破，也要脚踏实地，注重应用场(chang)景的落地。DeepSeek R1和V3的出(chu)现，代表了一种相(xiang)对低(di)算力、高表现的技术路线(xian)，这符合中国国情(qing)和发(fa)展阶段的实际需求(qiu)。对于(yu)中国而言，在(zai)算力资源相(xiang)对紧张的情(qing)况下，更应该注重效率优化，通过技术创新，提(ti)升单(dan)位算力的价值，降低(di)对能源的消耗(hao)。

同时，中国也要清醒(xing)地认识到，优秀的硬件在(zai)人工智(zhi)能发(fa)展过程中仍然不可替代。算法的优化固然重要，但(dan)更好(hao)的硬件意味着(zhe)更低(di)的训练时间和更高的效率。尤其是在(zai)人工智(zhi)能前沿研究领域，例如AI for Science，仍然需要足够的算力进行支持。因此，中国在(zai)发(fa)展高效算法的同时，也要加强在(zai)算力基础设施领域的投入(ru)，构建自主可控的算力底座。

未来，人工智(zhi)能领域的竞争，将(jiang)是前沿技术创新和应用场(chang)景落地的双线(xian)竞争。既要“卷前沿”，在(zai)基础理论(lun)和核心技术上取得突破，也要“卷应用”，将(jiang)人工智(zhi)能技术广泛应用到各行各业，创造实际价值。有能力的企业，必然是“两(liang)手都要抓，两(liang)手都要硬”，既要布局前沿技术，也要深耕(geng)应用场(chang)景。

在(zai)能源战(zhan)略上，中国应坚(jian)持效率优先、绿色发(fa)展的原则，在(zai)效率与可持续性之间寻(xun)找平衡。DeepSeek 的分布式算力架构，为我们提(ti)供了一个重要的方向：通过分布式革命，瓦解算力集中垄断的格局，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，应与分布式能源革命协同推进。通过将(jiang)算力设施与分布式能源（如光伏、风电(dian)）相(xiang)结合，构建“源-荷-储-算”协同的新型电(dian)力系统。分布式算力可以作为新型电(dian)力系统的“荷”，通过智(zhi)能调度算法，与分布式能源的波动性出(chu)力相(xiang)匹配，实现“电(dian)-算协同”，提(ti)升清洁能源的消纳能力，降低(di)电(dian)力系统的风险。

分布式算力革命与分布式能源革命的协同发(fa)展，将(jiang)倒逼电(dian)网进化，加速传统电(dian)网向智(zhi)能电(dian)网转型。智(zhi)能电(dian)网需要具备(bei)动态负(fu)荷优化分配、实时响应能力，以适应分布式能源和分布式算力的需求(qiu)。这将(jiang)推动电(dian)力系统从传统的“单(dan)向传输”模式，向“双向互动”、“源网荷储”协同优化的模式转变，构建更加清洁、高效、安全、可靠的现代能源体系。

结论(lun)：展望人工智(zhi)能、算力与能源的未来

DeepSeek R1的出(chu)现，标志(zhi)着(zhe)人工智(zhi)能技术发(fa)展进入(ru)了一个新的阶段。效率优化和成(cheng)本控制，成(cheng)为人工智(zhi)能技术发(fa)展的重要驱动力。然而，技术进步并不能改变人工智(zhi)能对算力和能源的巨大需求(qiu)。杰文斯悖论(lun)提(ti)醒(xing)我们，效率提(ti)升并不必然导(dao)致资源消耗(hao)的减少，反而可能刺(ci)激(ji)需求(qiu)增长，最终导(dao)致资源消耗(hao)总量(liang)增加。

面对人工智(zhi)能发(fa)展带来的算力与能源挑战(zhan)，全球科技界和能源界需要携手合作，共同探索可持续发(fa)展之路。一方面，要继(ji)续加强技术创新，提(ti)升算力效率，降低(di)单(dan)位算力能耗(hao)；另(ling)一方面，要大力发(fa)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(zai)中国，我们应坚(jian)持效率优先、绿色发(fa)展的原则，探索具有中国特色的AI发(fa)展路径。通过技术创新、模式创新和政(zheng)策引导(dao)，在(zai)效率与可持续性之间找到最佳平衡点，实现人工智(zhi)能与经济社会、生态环境的和谐共生。算力分布式革命与分布式能源革命的协同推进，将(jiang)为中国构建绿色、高效、智(zhi)能的未来能源体系，赢得人工智(zhi)能时代的竞争优势，提(ti)供强劲的动力。

作者信息

刘(liu)少轩：

上海交通大学安泰经济与管理学院副(fu)院长

上海交通大学中银科技金融学院执行院长

陈钰什(shi)：

New Energy Nexus中国首席研究员，上海交通大学中银科技金融学院博(bo)士后(hou)