Deepseek也引起了(le)对美国科(ke)技股和能源(yuan)股短期剧烈震荡。英伟达单日跌幅最高达17%，创美股历史(shi)最大单日市值蒸发纪录（约6000亿美元），博通(tong)、AMD、台积电等芯片股同步重(zhong)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(ke)技巨头的(de)高估值（如美股七巨头中，英伟达的(de)市盈率在46倍(bei)左(zuo)右，苹果的(de)市盈率在36倍(bei)左(zuo)右，特斯拉183倍(bei)市盈率。如今，七巨头的(de)平均(jun)市盈率接近50倍(bei)，市值占美股总市值28%左(zuo)右。）产(chan)生质疑。此(ci)外，由于R1通(tong)过算法优(you)化显著降低模型能耗（内存使用减少50%以上(shang)），市场担忧AI对电力需(xu)求的(de)增长预(yu)期被(bei)打破，导致(zhi)美国联合能源(yuan)、Vistra等能源(yuan)公司股价暴跌21%-29%。

尽管DeepSeek在技术上(shang)取(qu)得了(le)巨大进步，但其在中国境外的(de)未来发展仍(reng)面临不确定性，部(bu)分西方机(ji)构和政府已开始限(xian)制使用其服务。然而(er)，全(quan)球人工智能领域都在密切关注DeepSeek如何以如此(ci)低的(de)成本实现领先性能。如果DeepSeek的(de)方法能够被(bei)广泛复制，那么对于东(dong)南亚地区、澳大利亚、新西兰(lan)等中小型国家而(er)言(yan)，或许将有机(ji)会以更低的(de)成本进入基础(chu)模型领域，这在过去是难以想象的(de)。

对于澳新地区的(de)数据中心运营商而(er)言(yan)，人工智能技术成本的(de)潜在降低，无疑缓解了(le)对外国模型安全(quan)性和可靠(kao)性风险的(de)担忧。Macquarie Data Centres的(de)高管David Hirst指出，人工智能行(xing)业的(de)发展速(su)度远超以往任何技术趋势(shi)，且仍(reng)处于早期阶段。他认为，人工智能正在并将继续证明，它是世(shi)界上(shang)发展最快的(de)技术之一，而(er)我们才(cai)刚刚触及人工智能所能实现的(de)冰山一角。人工智能将从根本上(shang)改变所有行(xing)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(le)首个(ge)大模型DeepSeek LLM到2024年12月26日，正式上(shang)线DeepSeek-V3模型，并同步开源(yuan)，标准着全(quan)球首个(ge)全(quan)开源(yuan)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(li)大模型。从在极(ji)短的(de)时间内，人工智能已取(qu)得显著进展。大型语(yu)言(yan)模型的(de)快速(su)发展，从模型的(de)迭代、算力的(de)更新，到训练和推理(li)成本的(de)下降，再到智能体的(de)产(chan)品形态(tai)出现，人工智能正在不断提高行(xing)业效率，并最终降低成本。DeepSeek模型的(de)创新，通(tong)过简化训练过程(cheng)和更有效地利用硬件，标志着在降低人工智能训练和推理(li)门槛方面迈出了(le)重(zhong)要一步，为更多企业应用这项技术打开了(le)大门。

DeepSeek R1 的(de)技术特点：效率与成本优(you)势(shi)

DeepSeek R1 模型的(de)出现之所以能引发行(xing)业震动，核(he)心在于其在效率和成本控制上(shang)的(de)突破。DeepSeek 通(tong)过一系列技术创新，实现了(le)在相(xiang)对较低的(de)算力投入下，获得可媲美甚至(zhi)超越头部(bu)模型的(de)性能表现。这些技术特点主要包括：

混合专家模型（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低算力需(xu)求的(de)关键。与传统的(de)稠密模型不同，MoE模型包含多个(ge)“专家”子网络，每个(ge)子网络专门处理(li)特定类型的(de)输入。在推理(li)过程(cheng)中，模型会根据输入内容动态(tai)选择激活(huo)部(bu)分专家网络，而(er)非(fei)所有网络，从而(er)大幅减少计算量(liang)，提高推理(li)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(de)平衡(heng)。

多头潜注意(yi)力机(ji)制（MLA）：该技术为DeepSeek团队独(du)创，针对传统Transformer模型的(de)“多头注意(yi)力机(ji)制”在处理(li)长文本时容易“分心”的(de)问题，MLA通(tong)过压缩关键信息，让模型更聚焦核(he)心内容这种协同优(you)化方法，能够最大化硬件资源(yuan)的(de)利用效率，降低整体算力需(xu)求。

PTX汇编语(yu)言(yan)优(you)化：为了(le)更充分地挖掘硬件潜力，DeepSeek甚至(zhi)深入到硬件底层，采用PTX汇编语(yu)言(yan)对核(he)心计算模块进行(xing)优(you)化。PTX汇编语(yu)言(yan)是一种针对NVIDIAGPU的(de)底层编程(cheng)语(yu)言(yan)，通(tong)过精细的(de)汇编级优(you)化，可以最大限(xian)度地提升代码执行(xing)效率，减少不必要的(de)计算开销。这种极(ji)致(zhi)的(de)优(you)化精神，体现了(le)DeepSeek在算力效率上(shang)的(de)极(ji)致(zhi)追求。

蒸馏技术与分布式/边缘计算架构:DeepSeek推出了(le)一项卓越的(de)模型蒸馏技术，该技术实现了(le)将高性能AI模型的(de)核(he)心推理(li)能力高效移植至(zhi)轻量(liang)化版本中的(de)目标。这一突破不仅结(jie)合了(le)开源(yuan)与轻量(liang)化的(de)双重(zhong)优(you)势(shi)，进一步降低了(le)人工智能技术的(de)应用门槛，同时也为边缘计算领域带来了(le)前所未有的(de)发展机(ji)遇。企业能够依据自身(shen)行(xing)业特点，在本地进行(xing)模型训练，使得原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生。此(ci)外，DeepSeek积极(ji)探(tan)索分布式计算与边缘计算架构的(de)新路(lu)径，通(tong)过将计算任务分布至(zhi)更靠(kao)近数据源(yuan)的(de)边缘节点，从而(er)大幅减少对中央数据中心的(de)依赖。这不仅有效缓解了(le)数据传输过程(cheng)中的(de)延迟问题和带宽压力，同时优(you)化了(le)边缘设备算力资源(yuan)的(de)利用效率，构建(jian)了(le)一个(ge)更加灵活(huo)高效的(de)算力部(bu)署方案。

通(tong)过上(shang)述技术组合拳(quan)，DeepSeek R1实现了(le)在保证模型性能的(de)同时，大幅降低训练和推理(li)的(de)算力需(xu)求和成本。这使得人工智能技术的(de)应用门槛显著降低，为更广泛的(de)应用场景打开了(le)大门。

算力生态(tai)的(de)重(zhong)构与资源(yuan)再分配

DeepSeek R1的(de)出现，不仅可能引发算力需(xu)求的(de)增长，还将深刻(ke)地重(zhong)塑全(quan)球算力生态(tai)，并导致(zhi)算力资源(yuan)的(de)重(zhong)新分配。

首先，分布式革命与集中霸权竞(jing)争。传统人工智能发展模式往往依赖于“规模至(zhi)上(shang)”的(de)逻辑，追求超大规模模型和超大规模算力集群。DeepSeek R1的(de)轻量(liang)化模型和开源(yuan)策略，降低了(le)人工智能应用的(de)门槛，促进了(le)中端算力设施和分布式数据中心的(de)普及。此(ci)前，美国科(ke)技公司曾计划建(jian)设耗电量(liang)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(ci)类超大规模基础(chu)设施的(de)必要性显著下降。算力生态(tai)正在从单一“超大规模中心垄断”模式转向与“分布式蜂群网络”竞(jing)争的(de)模式。

其次，产(chan)业链价值重(zhong)新分配。在算力产(chan)业链上(shang)游，DeepSeek的(de)出现使英伟达等GPU巨头面临需(xu)求结(jie)构调整的(de)挑战。由于DeepSeek模型对算力效率的(de)提升，以及分布式计算的(de)兴起，市场对高性能GPU的(de)需(xu)求可能不再是无止(zhi)境的(de)扩张，而(er)是更加注重(zhong)能效比和定制化。与此(ci)同时，寒武纪等ASIC芯片厂(chang)商或将迎(ying)来发展机(ji)遇。ASIC芯片可以针对特定的(de)人工智能应用进行(xing)硬件加速(su)，在能效比和成本控制上(shang)更具优(you)势(shi)，更符合分布式算力发展的(de)趋势(shi)。在中游算力服务端，区域性数据中心凭借低时延和贴近应用场景的(de)优(you)势(shi)，开始承接制造业智能质检、金融风控等对延迟敏感的(de)应用需(xu)求，迫使AWS、阿里(li)云等云计算巨头调整部(bu)分大型数据中心的(de)建(jian)设投入，转而(er)加强(qiang)边缘计算和分布式算力布局。

在下游应用端，国产(chan)算力成本的(de)下降，将驱动人工智能在制造业、金融、医疗等领域的(de)渗透率倍(bei)增。例如，在代码托管平台GitHub上(shang)，已涌现出大量(liang)基于DeepSeek模型的(de)集成应用案例（awesome deepseek integration）。同时，中国各(ge)地省市纷纷上(shang)线R1模型，加速(su)人工智能的(de)区域化、本地化部(bu)署。越来越形成形成“需(xu)求牵引供给”的(de)正向循环，实现“算力+行(xing)业”的(de)双向赋能。这种趋势(shi)正在形成“需(xu)求牵引供给”的(de)正向循环，实现“算力+行(xing)业”的(de)双向赋能。人工智能技术将加速(su)渗透到各(ge)行(xing)各(ge)业，成为推动产(chan)业升级和经济发展的(de)重(zhong)要引擎。

最后，探(tan)索低碳AI发展路(lu)径，在效率提升和能源(yuan)可持续性之间寻求平衡(heng)。DeepSeek通(tong)过算法架构优(you)化和硬件能效协同，在单次运算能耗控制方面取(qu)得了(le)突破性进展。通(tong)过MLA与MoE技术融合、强(qiang)化学习（RL）的(de)深度应用、稀疏化训练等核(he)心技术，DeepSeek大幅压缩了(le)单次计算的(de)经济成本和能源(yuan)消耗。据测算，DeepSeek模型单位计算任务的(de)能耗较传统稠密模型下降超过50%，单位计算碳排放强(qiang)度降至(zhi)行(xing)业平均(jun)水平的(de)1/3。这为推进绿色数据中心建(jian)设和实现碳中和目标提供了(le)关键的(de)技术支撑。

更重(zhong)要的(de)是，DeepSeek通(tong)过“低能耗+分布式”模式，显著降低了(le)高性能AI对传统能源(yuan)的(de)依赖。分布式与边缘计算架构，将计算任务分散到靠(kao)近数据源(yuan)的(de)边缘设备处理(li)，有效减少了(le)对集中式数据中心的(de)电力依赖。同时，DeepSeek的(de)高性能模型在实现同等效果时，与清洁能源(yuan)耦合的(de)能效显著优(you)于传统AI架构。

分布式计算与边缘节点的(de)高效协同，不仅大幅降低了(le)集中式数据中心对传统能源(yuan)的(de)依赖，也使AI系统能够更灵活(huo)地协调计算任务和清洁能源(yuan)供给，更加适配可再生能源(yuan)的(de)波动性特点。例如，在太阳能充足的(de)时段优(you)先调度计算任务，并借助优(you)化算法动态(tai)匹配能源(yuan)供给波动，在弃风弃光时段提升消纳率20%以上(shang)，从而(er)有效破解新能源(yuan)消纳难题。

杰文斯悖(bei)论(lun)：效率提升与需(xu)求扩张

然而(er)，DeepSeek R1的(de)技术突破，在降低人工智能应用门槛的(de)同时，也可能引发“杰文斯悖(bei)论(lun)”。杰文斯悖(bei)论(lun)由19世(shi)纪经济学家 William Stanley Jevons提出，他发现，随着煤炭使用效率的(de)提高，煤炭的(de)消耗总量(liang)反而(er)增加。这一悖(bei)论(lun)揭示了(le)一个(ge)深刻(ke)的(de)经济规律(lu)：效率的(de)提升并不必然导致(zhi)资源(yuan)消耗的(de)减少，反而(er)可能因为成本降低和应用范围扩大，刺激需(xu)求增长，最终导致(zhi)资源(yuan)消耗总量(liang)增加。

微软(ruan) CEO Satya Nadella引用杰文斯悖(bei)论(lun)来解释DeepSeek R1可能带来的(de)影响，可谓(wei)一针见血。他认为，更实惠、更易于访问的(de)人工智能技术，将通(tong)过更快的(de)普及和更广泛的(de)应用，导致(zhi)需(xu)求的(de)激增。随着人工智能技术的(de)门槛降低，过去由于成本限(xian)制而(er)无法应用人工智能的(de)领域，例如中小企业、边缘计算场景等，将涌现出大量(liang)新的(de)应用需(xu)求，从而(er)导致(zhi)算力调用密度指数级上(shang)升。

此(ci)外，新兴应用场景的(de)爆发，也将加速(su)算力需(xu)求的(de)裂变。智能驾驶、具身(shen)机(ji)器人等前沿领域对实时算力的(de)需(xu)求极(ji)为庞大，远超DeepSeek技术优(you)化的(de)速(su)度。即使单任务效率提升数倍(bei)，百万级智能终端的(de)并发需(xu)求，仍(reng)将形成巨大的(de)算力吞噬黑洞。

更进一步，模型复杂性的(de)提升，也可能在一定程(cheng)度上(shang)抵消效率提升带来的(de)节能效果。为了(le)探(tan)索通(tong)用人工智能（AGI）等前沿方向，模型参(can)数规模不断向万亿级跃升，数据量(liang)也以年均(jun)30%的(de)速(su)度增长。即使训练效率提升10倍(bei)，模型规模扩大100倍(bei)，仍(reng)然会导致(zhi)算力总需(xu)求净增10倍(bei)。DeepSeek的(de)高效算法或许能够“追赶(gan)”数据增长的(de)速(su)度，但难以从根本上(shang)逆转算力需(xu)求的(de)增长曲线。

因此(ci)，DeepSeek R1的(de)技术突破，虽然在单位算力能耗上(shang)取(qu)得了(le)显著降低，但从宏观层面来看，很可能无法有效缓解人工智能发展对算力和能源(yuan)的(de)巨大需(xu)求。相(xiang)反，技术普惠性引发的(de)应用爆发，以及模型复杂性的(de)持续提升，可能会共同推动算力需(xu)求的(de)加速(su)增长，最终导致(zhi)电力系统在需(xu)求激增的(de)压力下加速(su)重(zhong)构。

算力的(de)尽头，依然是电力

尽管DeepSeek R1在算力效率上(shang)取(qu)得了(le)突破，并可能推动算力生态(tai)向分布式方向发展，但其技术进步并不能改变人工智能发展对能源(yuan)的(de)巨大需(xu)求。算力的(de)尽头，依然是电力。

DeepSeek等人工智能技术的(de)突破，将不可避免地推高全(quan)球电力需(xu)求。“杰文斯悖(bei)论(lun)”的(de)加速(su)效应，可能使全(quan)球电力需(xu)求曲线更加陡峭。尽管DeepSeek通(tong)过优(you)化算法、硬件适配等技术，显著提升了(le)人工智能算力效率，降低了(le)单次任务的(de)能耗，打破了(le)人工智能应用的(de)经济门槛，但这种技术跃迁预(yu)计将同步触发“杰文斯悖(bei)论(lun)”，能源(yuan)消耗总量(liang)或将突破线性增长模式，形成“效率提升-应用扩张-能耗跃升”的(de)闭(bi)环。

国际(ji)能源(yuan)署（IEA）的(de)数据显示，2022年全(quan)球数据中心耗电量(liang)已达460TWh，占全(quan)球总用电量(liang)的(de)2%。预(yu)计到2026年，全(quan)球数据中心耗电量(liang)将扩张至(zhi)620-1050TWh。这意(yi)味着，未来几年内，数据中心的(de)能源(yuan)消耗将呈现指数级增长趋势(shi)。

面对如此(ci)巨大的(de)能源(yuan)需(xu)求，全(quan)球科(ke)技巨头们已经掀起了(le)一场围绕(rao)电力资源(yuan)的(de)争夺(duo)战。美国微软(ruan)与OpenAI等科(ke)技巨头联合发起了(le)“星(xing)际(ji)之门计划”，计划耗资千亿美元，在2030年前建(jian)成全(quan)球最大的(de)AI超算集群。“星(xing)际(ji)之门”的(de)目标是建(jian)设5-10个(ge)数据中心园(yuan)区，每个(ge)园(yuan)区设计功率约为100兆瓦，总电力需(xu)求将达到5GW-10GW级别。这相(xiang)当于数个(ge)大型城市的(de)用电量(liang)。

“电力缺口可能成为AI时代的(de)卡脖子问题”，这正在成为行(xing)业共识。科(ke)技巨头对清洁能源(yuan)的(de)大规模投资和抢占，本质上(shang)是对新一轮工业革命核(he)心资源(yuan)的(de)争夺(duo)。谁(shui)掌握了(le)充足、廉(lian)价、绿色的(de)电力资源(yuan)，谁(shui)就(jiu)将在人工智能时代的(de)竞(jing)争中占据更有利的(de)位置。需(xu)要举具体的(de)案例。

四家拥有大模型业务的(de)美国科(ke)技公司——微软(ruan)、亚马逊、谷歌、Meta仍(reng)然坚持“大力出奇迹”的(de)策略，即大规模算力投资。2024年，美国科(ke)技四巨头的(de)资本支出均(jun)达到历史(shi)最高点，总额(e)高达2431亿美元，同比增长63%。预(yu)计2025年，它们的(de)资本支出总额(e)将超过3200亿美元，总增速(su)约为30%。

巨额(e)的(de)资本支出，主要用于购买算力设备，建(jian)设数据中心，以支撑人工智能业务的(de)快速(su)发展。这些科(ke)技巨头们相(xiang)信，更高的(de)算力投入，能够带来更好的(de)模型性能和更快的(de)技术迭代速(su)度。在商业竞(jing)争中，算力的(de)质量(liang)代表的(de)是速(su)度问题，更高算力通(tong)常带来更好的(de)效果。短期内节省算力固(gu)然重(zhong)要，但从长远来看，算力需(xu)求只会螺旋上(shang)升，面向未来投资算力才(cai)是更重(zhong)要的(de)战略选择。英伟达2025年2月6日其股价单日涨幅超5%，市值重(zhong)回3万亿美元，也回应了(le)这个(ge)趋势(shi)，反映了(le)市场对算力芯片（如GB200芯片）放量(liang)的(de)预(yu)期。

这些科(ke)技巨头们之所以敢于如此(ci)大手笔地投入算力，一方面是因为它们“钱袋(dai)子”依然富(fu)余，净利润和现金流能够支撑高强(qiang)度的(de)算力投资；另一方面，巨额(e)的(de)算力投资也已经产(chan)生了(le)实际(ji)回报，“云+AI”业务的(de)收入和利润正在快速(su)增长，这进一步刺激了(le)它们加大算力投资的(de)力度。谷歌、微软(ruan)等巨头在2025年Q1财(cai)报中披露，AI业务资本开支同比增35%，表明算力扩张仍(reng)在持续，电力需(xu)求韧性显现。

除去科(ke)技公司，主权国家和地区也同步进入到算力的(de)竞(jing)赛当中。欧盟委员(yuan)会于2025年2月宣布的(de)“Invest AI”计划，拟通(tong)过公共和私人资金调动总额(e)2000亿欧元，核(he)心目标是建(jian)设4座(zuo)AI超级工厂(chang)，配备约10万颗最先进AI芯片（是目前欧洲在建(jian)工厂(chang)的(de)4倍(bei)），专注于训练复杂AI模型。其中，200亿欧元专门用于设立(li)欧洲基金支持这些工厂(chang)。日本、沙特、印(yin)度等国家也纷纷将算力主权纳入国家战略。

中国路(lu)径：效率、可持续性与分布式协同

面对全(quan)球人工智能发展的(de)新趋势(shi)，以及算力与能源(yuan)的(de)挑战，中国需(xu)要探(tan)索一条具有自身(shen)特色的(de)发展路(lu)径。DeepSeekR1的(de)技术突破，为我们提供了(le)一个(ge)重(zhong)要的(de)启(qi)示：在人工智能发展中，效率和可持续性同样重(zhong)要，甚至(zhi)比单纯的(de)算力堆(dui)砌(qi)更为关键。

中国在人工智能发展上(shang)，既要仰望星(xing)空，追求前沿技术的(de)突破，也要脚踏实地，注重(zhong)应用场景的(de)落地。DeepSeek R1和V3的(de)出现，代表了(le)一种相(xiang)对低算力、高表现的(de)技术路(lu)线，这符合中国国情和发展阶段的(de)实际(ji)需(xu)求。对于中国而(er)言(yan)，在算力资源(yuan)相(xiang)对紧张的(de)情况下，更应该注重(zhong)效率优(you)化，通(tong)过技术创新，提升单位算力的(de)价值，降低对能源(yuan)的(de)消耗。

同时，中国也要清醒地认识到，优(you)秀的(de)硬件在人工智能发展过程(cheng)中仍(reng)然不可替(ti)代。算法的(de)优(you)化固(gu)然重(zhong)要，但更好的(de)硬件意(yi)味着更低的(de)训练时间和更高的(de)效率。尤其是在人工智能前沿研究领域，例如AI for Science，仍(reng)然需(xu)要足够的(de)算力进行(xing)支持。因此(ci)，中国在发展高效算法的(de)同时，也要加强(qiang)在算力基础(chu)设施领域的(de)投入，构建(jian)自主可控的(de)算力底座(zuo)。

未来，人工智能领域的(de)竞(jing)争，将是前沿技术创新和应用场景落地的(de)双线竞(jing)争。既要“卷前沿”，在基础(chu)理(li)论(lun)和核(he)心技术上(shang)取(qu)得突破，也要“卷应用”，将人工智能技术广泛应用到各(ge)行(xing)各(ge)业，创造实际(ji)价值。有能力的(de)企业，必然是“两手都要抓，两手都要硬”，既要布局前沿技术，也要深耕应用场景。

在能源(yuan)战略上(shang)，中国应坚持效率优(you)先、绿色发展的(de)原则，在效率与可持续性之间寻找平衡(heng)。DeepSeek 的(de)分布式算力架构，为我们提供了(le)一个(ge)重(zhong)要的(de)方向：通(tong)过分布式革命，瓦解算力集中垄断的(de)格局，构建(jian)更加灵活(huo)、高效、绿色的(de)算力网络。

更进一步，算力分布式革命，应与分布式能源(yuan)革命协同推进。通(tong)过将算力设施与分布式能源(yuan)（如光伏、风电）相(xiang)结(jie)合，构建(jian)“源(yuan)-荷-储-算”协同的(de)新型电力系统。分布式算力可以作为新型电力系统的(de)“荷”，通(tong)过智能调度算法，与分布式能源(yuan)的(de)波动性出力相(xiang)匹配，实现“电-算协同”，提升清洁能源(yuan)的(de)消纳能力，降低电力系统的(de)风险。

分布式算力革命与分布式能源(yuan)革命的(de)协同发展，将倒逼电网进化，加速(su)传统电网向智能电网转型。智能电网需(xu)要具备动态(tai)负荷优(you)化分配、实时响应能力，以适应分布式能源(yuan)和分布式算力的(de)需(xu)求。这将推动电力系统从传统的(de)“单向传输”模式，向“双向互动”、“源(yuan)网荷储”协同优(you)化的(de)模式转变，构建(jian)更加清洁、高效、安全(quan)、可靠(kao)的(de)现代能源(yuan)体系。

结(jie)论(lun)：展望人工智能、算力与能源(yuan)的(de)未来

DeepSeek R1的(de)出现，标志着人工智能技术发展进入了(le)一个(ge)新的(de)阶段。效率优(you)化和成本控制，成为人工智能技术发展的(de)重(zhong)要驱动力。然而(er)，技术进步并不能改变人工智能对算力和能源(yuan)的(de)巨大需(xu)求。杰文斯悖(bei)论(lun)提醒我们，效率提升并不必然导致(zhi)资源(yuan)消耗的(de)减少，反而(er)可能刺激需(xu)求增长，最终导致(zhi)资源(yuan)消耗总量(liang)增加。

面对人工智能发展带来的(de)算力与能源(yuan)挑战，全(quan)球科(ke)技界和能源(yuan)界需(xu)要携手合作，共同探(tan)索可持续发展之路(lu)。一方面，要继续加强(qiang)技术创新，提升算力效率，降低单位算力能耗；另一方面，要大力发展清洁能源(yuan)，构建(jian)绿色算力基础(chu)设施，推动能源(yuan)结(jie)构的(de)转型升级。

在中国，我们应坚持效率优(you)先、绿色发展的(de)原则，探(tan)索具有中国特色的(de)AI发展路(lu)径。通(tong)过技术创新、模式创新和政策引导，在效率与可持续性之间找到最佳平衡(heng)点，实现人工智能与经济社(she)会、生态(tai)环境的(de)和谐共生。算力分布式革命与分布式能源(yuan)革命的(de)协同推进，将为中国构建(jian)绿色、高效、智能的(de)未来能源(yuan)体系，赢得人工智能时代的(de)竞(jing)争优(you)势(shi)，提供强(qiang)劲的(de)动力。

作者信息

刘少轩：

上(shang)海交通(tong)大学安泰经济与管理(li)学院副院长

上(shang)海交通(tong)大学中银科(ke)技金融学院执行(xing)院长

陈钰(yu)什：

New Energy Nexus中国首席研究员(yuan)，上(shang)海交通(tong)大学中银科(ke)技金融学院博士后