Deepseek也引起了对(dui)美国科技(ji)股和能源股短期剧烈震荡。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），博通、AMD、台积(ji)电等芯片股同(tong)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(dui)美国科技(ji)巨(ju)头的(de)高估值（如(ru)美股七巨(ju)头中，英伟达的(de)市盈率在46倍(bei)左右，苹(ping)果的(de)市盈率在36倍(bei)左右，特斯拉(la)183倍(bei)市盈率。如(ru)今，七巨(ju)头的(de)平均市盈率接近50倍(bei)，市值占美股总市值28%左右。）产生质疑。此外，由于R1通过算法优(you)化显著降低模型能耗（内存使用减少50%以上），市场(chang)担忧AI对(dui)电力需求的(de)增长预(yu)期被打破，导致美国联合(he)能源、Vistra等能源公司股价暴跌21%-29%。

尽管DeepSeek在技(ji)术(shu)上取得了巨(ju)大进步，但其在中国境外的(de)未来发展仍面临(lin)不确定性，部(bu)分西方机构和政府已开(kai)始限制使用其服务。然而，全球人工(gong)智能领域(yu)都在密切关注DeepSeek如(ru)何以如(ru)此低的(de)成本(ben)实现领先性能。如(ru)果DeepSeek的(de)方法能够被广泛复制，那么对(dui)于东(dong)南亚地区、澳大利亚、新西兰等中小型国家而言，或许将有机会以更低的(de)成本(ben)进入(ru)基础模型领域(yu)，这在过去(qu)是难以想象的(de)。

对(dui)于澳新地区的(de)数据中心运营商而言，人工(gong)智能技(ji)术(shu)成本(ben)的(de)潜(qian)在降低，无疑缓解(jie)了对(dui)外国模型安全性和可靠性风险的(de)担忧。Macquarie Data Centres的(de)高管David Hirst指(zhi)出，人工(gong)智能行业的(de)发展速度远超以往任(ren)何技(ji)术(shu)趋(qu)势(shi)，且仍处(chu)于早期阶段。他认为(wei)，人工(gong)智能正在并将继续证明，它是世界上发展最快(kuai)的(de)技(ji)术(shu)之一，而我(wo)们才刚刚触及人工(gong)智能所能实现的(de)冰山一角。人工(gong)智能将从根本(ben)上改变所有行业的(de)运作方式以及人类的(de)潜(qian)力。以Deepseek为(wei)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(tong)步开(kai)源，标准着全球首个全开(kai)源的(de)混合(he)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(ji)短的(de)时间内，人工(gong)智能已取得显著进展。大型语言模型的(de)快(kuai)速发展，从模型的(de)迭代、算力的(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(gong)智能正在不断提(ti)高行业效率，并最终降低成本(ben)。DeepSeek模型的(de)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(gong)智能训练和推理门槛方面迈出了重要一步，为(wei)更多企业应用这项技(ji)术(shu)打开(kai)了大门。

DeepSeek R1 的(de)技(ji)术(shu)特点：效率与成本(ben)优(you)势(shi)

DeepSeek R1 模型的(de)出现之所以能引发行业震动，核(he)心在于其在效率和成本(ben)控制上的(de)突破。DeepSeek 通过一系列技(ji)术(shu)创新，实现了在相对(dui)较低的(de)算力投入(ru)下，获得可媲美甚至超越(yue)头部(bu)模型的(de)性能表(biao)现。这些(xie)技(ji)术(shu)特点主(zhu)要包(bao)括：

混合(he)专家模型（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低算力需求的(de)关键。与传统的(de)稠密模型不同(tong)，MoE模型包(bao)含多个“专家”子网络，每个子网络专门处(chu)理特定类型的(de)输入(ru)。在推理过程中，模型会根据输入(ru)内容动态选(xuan)择激活部(bu)分专家网络，而非所有网络，从而大幅减少计算量，提(ti)高推理效率。DeepSeek将MoE技(ji)术(shu)与模型架构深度融合(he)，实现了性能与效率的(de)平衡。

多头潜(qian)注意力机制（MLA）：该(gai)技(ji)术(shu)为(wei)DeepSeek团队(dui)独创，针对(dui)传统Transformer模型的(de)“多头注意力机制”在处(chu)理长文(wen)本(ben)时容易(yi)“分心”的(de)问题，MLA通过压缩关键信息，让模型更聚(ju)焦(jiao)核(he)心内容这种协同(tong)优(you)化方法，能够最大化硬件资源的(de)利用效率，降低整体算力需求。

PTX汇编语言优(you)化：为(wei)了更充分地挖掘硬件潜(qian)力，DeepSeek甚至深入(ru)到硬件底层，采(cai)用PTX汇编语言对(dui)核(he)心计算模块进行优(you)化。PTX汇编语言是一种针对(dui)NVIDIAGPU的(de)底层编程语言，通过精细(xi)的(de)汇编级优(you)化，可以最大限度地提(ti)升代码执行效率，减少不必要的(de)计算开(kai)销。这种极(ji)致的(de)优(you)化精神，体现了DeepSeek在算力效率上的(de)极(ji)致追求。

蒸馏技(ji)术(shu)与分布式/边缘计算架构:DeepSeek推出了一项卓越(yue)的(de)模型蒸馏技(ji)术(shu)，该(gai)技(ji)术(shu)实现了将高性能AI模型的(de)核(he)心推理能力高效移植至轻量化版本(ben)中的(de)目标。这一突破不仅结合(he)了开(kai)源与轻量化的(de)双(shuang)重优(you)势(shi)，进一步降低了人工(gong)智能技(ji)术(shu)的(de)应用门槛，同(tong)时也为(wei)边缘计算领域(yu)带来了前所未有的(de)发展机遇。企业能够依据自身(shen)行业特点，在本(ben)地进行模型训练，使得原(yuan)本(ben)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。此外，DeepSeek积(ji)极(ji)探索分布式计算与边缘计算架构的(de)新路径，通过将计算任(ren)务分布至更靠近数据源的(de)边缘节点，从而大幅减少对(dui)中央数据中心的(de)依赖。这不仅有效缓解(jie)了数据传输过程中的(de)延迟问题和带宽压力，同(tong)时优(you)化了边缘设备算力资源的(de)利用效率，构建了一个更加灵(ling)活高效的(de)算力部(bu)署方案。

通过上述技(ji)术(shu)组合(he)拳，DeepSeek R1实现了在保证模型性能的(de)同(tong)时，大幅降低训练和推理的(de)算力需求和成本(ben)。这使得人工(gong)智能技(ji)术(shu)的(de)应用门槛显著降低，为(wei)更广泛的(de)应用场(chang)景打开(kai)了大门。

算力生态的(de)重构与资源再分配

DeepSeek R1的(de)出现，不仅可能引发算力需求的(de)增长，还(hai)将深刻地重塑全球算力生态，并导致算力资源的(de)重新分配。

首先，分布式革命与集中霸权竞争。传统人工(gong)智能发展模式往往依赖于“规模至上”的(de)逻辑，追求超大规模模型和超大规模算力集群。DeepSeek R1的(de)轻量化模型和开(kai)源策(ce)略，降低了人工(gong)智能应用的(de)门槛，促进了中端算力设施和分布式数据中心的(de)普及。此前，美国科技(ji)公司曾计划建设耗电量堪比纽(niu)约市的(de)巨(ju)型数据中心，但在DeepSeek高效模型的(de)影响(xiang)下，此类超大规模基础设施的(de)必要性显著下降。算力生态正在从单一“超大规模中心垄断”模式转向与“分布式蜂群网络”竞争的(de)模式。

其次(ci)，产业链价值重新分配。在算力产业链上游，DeepSeek的(de)出现使英伟达等GPU巨(ju)头面临(lin)需求结构调整的(de)挑战。由于DeepSeek模型对(dui)算力效率的(de)提(ti)升，以及分布式计算的(de)兴起，市场(chang)对(dui)高性能GPU的(de)需求可能不再是无止(zhi)境的(de)扩张，而是更加注重能效比和定制化。与此同(tong)时，寒武纪等ASIC芯片厂商或将迎来发展机遇。ASIC芯片可以针对(dui)特定的(de)人工(gong)智能应用进行硬件加速，在能效比和成本(ben)控制上更具优(you)势(shi)，更符合(he)分布式算力发展的(de)趋(qu)势(shi)。在中游算力服务端，区域(yu)性数据中心凭借(jie)低时延和贴近应用场(chang)景的(de)优(you)势(shi)，开(kai)始承接制造业智能质检、金(jin)融风控等对(dui)延迟敏感(gan)的(de)应用需求，迫使AWS、阿里云(yun)等云(yun)计算巨(ju)头调整部(bu)分大型数据中心的(de)建设投入(ru)，转而加强边缘计算和分布式算力布局。

在下游应用端，国产算力成本(ben)的(de)下降，将驱动人工(gong)智能在制造业、金(jin)融、医疗等领域(yu)的(de)渗透(tou)率倍(bei)增。例如(ru)，在代码托管平台GitHub上，已涌现出大量基于DeepSeek模型的(de)集成应用案例（awesome deepseek integration）。同(tong)时，中国各地省市纷纷上线R1模型，加速人工(gong)智能的(de)区域(yu)化、本(ben)地化部(bu)署。越(yue)来越(yue)形成形成“需求牵(qian)引供给”的(de)正向循环，实现“算力+行业”的(de)双(shuang)向赋能。这种趋(qu)势(shi)正在形成“需求牵(qian)引供给”的(de)正向循环，实现“算力+行业”的(de)双(shuang)向赋能。人工(gong)智能技(ji)术(shu)将加速渗透(tou)到各行各业，成为(wei)推动产业升级和经济发展的(de)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求平衡。DeepSeek通过算法架构优(you)化和硬件能效协同(tong)，在单次(ci)运算能耗控制方面取得了突破性进展。通过MLA与MoE技(ji)术(shu)融合(he)、强化学习（RL）的(de)深度应用、稀疏化训练等核(he)心技(ji)术(shu)，DeepSeek大幅压缩了单次(ci)计算的(de)经济成本(ben)和能源消耗。据测算，DeepSeek模型单位计算任(ren)务的(de)能耗较传统稠密模型下降超过50%，单位计算碳排放强度降至行业平均水平的(de)1/3。这为(wei)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(de)技(ji)术(shu)支撑。

更重要的(de)是，DeepSeek通过“低能耗+分布式”模式，显著降低了高性能AI对(dui)传统能源的(de)依赖。分布式与边缘计算架构，将计算任(ren)务分散到靠近数据源的(de)边缘设备处(chu)理，有效减少了对(dui)集中式数据中心的(de)电力依赖。同(tong)时，DeepSeek的(de)高性能模型在实现同(tong)等效果时，与清洁(jie)能源耦合(he)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(tong)，不仅大幅降低了集中式数据中心对(dui)传统能源的(de)依赖，也使AI系统能够更灵(ling)活地协调计算任(ren)务和清洁(jie)能源供给，更加适配可再生能源的(de)波(bo)动性特点。例如(ru)，在太阳能充足的(de)时段优(you)先调度计算任(ren)务，并借(jie)助优(you)化算法动态匹配能源供给波(bo)动，在弃风弃光时段提(ti)升消纳率20%以上，从而有效破解(jie)新能源消纳难题。

杰文(wen)斯悖论：效率提(ti)升与需求扩张

然而，DeepSeek R1的(de)技(ji)术(shu)突破，在降低人工(gong)智能应用门槛的(de)同(tong)时，也可能引发“杰文(wen)斯悖论”。杰文(wen)斯悖论由19世纪经济学家 William Stanley Jevons提(ti)出，他发现，随着煤炭使用效率的(de)提(ti)高，煤炭的(de)消耗总量反而增加。这一悖论揭示(shi)了一个深刻的(de)经济规律：效率的(de)提(ti)升并不必然导致资源消耗的(de)减少，反而可能因为(wei)成本(ben)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(wei)软(ruan) CEO Satya Nadella引用杰文(wen)斯悖论来解(jie)释(shi)DeepSeek R1可能带来的(de)影响(xiang)，可谓一针见血。他认为(wei)，更实惠、更易(yi)于访问的(de)人工(gong)智能技(ji)术(shu)，将通过更快(kuai)的(de)普及和更广泛的(de)应用，导致需求的(de)激增。随着人工(gong)智能技(ji)术(shu)的(de)门槛降低，过去(qu)由于成本(ben)限制而无法应用人工(gong)智能的(de)领域(yu)，例如(ru)中小企业、边缘计算场(chang)景等，将涌现出大量新的(de)应用需求，从而导致算力调用密度指(zhi)数级上升。

此外，新兴应用场(chang)景的(de)爆发，也将加速算力需求的(de)裂变。智能驾驶、具身(shen)机器人等前沿领域(yu)对(dui)实时算力的(de)需求极(ji)为(wei)庞大，远超DeepSeek技(ji)术(shu)优(you)化的(de)速度。即使单任(ren)务效率提(ti)升数倍(bei)，百万级智能终端的(de)并发需求，仍将形成巨(ju)大的(de)算力吞噬黑洞。

更进一步，模型复杂(za)性的(de)提(ti)升，也可能在一定程度上抵消效率提(ti)升带来的(de)节能效果。为(wei)了探索通用人工(gong)智能（AGI）等前沿方向，模型参数规模不断向万亿级跃升，数据量也以年均30%的(de)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)，仍然会导致算力总需求净增10倍(bei)。DeepSeek的(de)高效算法或许能够“追赶”数据增长的(de)速度，但难以从根本(ben)上逆(ni)转算力需求的(de)增长曲线。

因此，DeepSeek R1的(de)技(ji)术(shu)突破，虽然在单位算力能耗上取得了显著降低，但从宏观(guan)层面来看，很可能无法有效缓解(jie)人工(gong)智能发展对(dui)算力和能源的(de)巨(ju)大需求。相反，技(ji)术(shu)普惠性引发的(de)应用爆发，以及模型复杂(za)性的(de)持续提(ti)升，可能会共同(tong)推动算力需求的(de)加速增长，最终导致电力系统在需求激增的(de)压力下加速重构。

算力的(de)尽头，依然是电力

尽管DeepSeek R1在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展，但其技(ji)术(shu)进步并不能改变人工(gong)智能发展对(dui)能源的(de)巨(ju)大需求。算力的(de)尽头，依然是电力。

DeepSeek等人工(gong)智能技(ji)术(shu)的(de)突破，将不可避免地推高全球电力需求。“杰文(wen)斯悖论”的(de)加速效应，可能使全球电力需求曲线更加陡峭。尽管DeepSeek通过优(you)化算法、硬件适配等技(ji)术(shu)，显著提(ti)升了人工(gong)智能算力效率，降低了单次(ci)任(ren)务的(de)能耗，打破了人工(gong)智能应用的(de)经济门槛，但这种技(ji)术(shu)跃迁预(yu)计将同(tong)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，形成“效率提(ti)升-应用扩张-能耗跃升”的(de)闭环。

国际能源署（IEA）的(de)数据显示(shi)，2022年全球数据中心耗电量已达460TWh，占全球总用电量的(de)2%。预(yu)计到2026年，全球数据中心耗电量将扩张至620-1050TWh。这意味着，未来几(ji)年内，数据中心的(de)能源消耗将呈现指(zhi)数级增长趋(qu)势(shi)。

面对(dui)如(ru)此巨(ju)大的(de)能源需求，全球科技(ji)巨(ju)头们已经掀起了一场(chang)围绕电力资源的(de)争夺战。美国微(wei)软(ruan)与OpenAI等科技(ji)巨(ju)头联合(he)发起了“星际之门计划”，计划耗资千亿美元，在2030年前建成全球最大的(de)AI超算集群。“星际之门”的(de)目标是建设5-10个数据中心园区，每个园区设计功率约为(wei)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(kou)可能成为(wei)AI时代的(de)卡脖子问题”，这正在成为(wei)行业共识。科技(ji)巨(ju)头对(dui)清洁(jie)能源的(de)大规模投资和抢占，本(ben)质上是对(dui)新一轮工(gong)业革命核(he)心资源的(de)争夺。谁掌握了充足、廉价、绿色的(de)电力资源，谁就将在人工(gong)智能时代的(de)竞争中占据更有利的(de)位置。需要举具体的(de)案例。

四家拥有大模型业务的(de)美国科技(ji)公司——微(wei)软(ruan)、亚马逊、谷歌(ge)、Meta仍然坚持“大力出奇迹”的(de)策(ce)略，即大规模算力投资。2024年，美国科技(ji)四巨(ju)头的(de)资本(ben)支出均达到历史最高点，总额高达2431亿美元，同(tong)比增长63%。预(yu)计2025年，它们的(de)资本(ben)支出总额将超过3200亿美元，总增速约为(wei)30%。

巨(ju)额的(de)资本(ben)支出，主(zhu)要用于购买算力设备，建设数据中心，以支撑人工(gong)智能业务的(de)快(kuai)速发展。这些(xie)科技(ji)巨(ju)头们相信，更高的(de)算力投入(ru)，能够带来更好的(de)模型性能和更快(kuai)的(de)技(ji)术(shu)迭代速度。在商业竞争中，算力的(de)质量代表(biao)的(de)是速度问题，更高算力通常带来更好的(de)效果。短期内节省算力固(gu)然重要，但从长远来看，算力需求只会螺旋上升，面向未来投资算力才是更重要的(de)战略选(xuan)择。英伟达2025年2月6日其股价单日涨幅超5%，市值重回3万亿美元，也回应了这个趋(qu)势(shi)，反映了市场(chang)对(dui)算力芯片（如(ru)GB200芯片）放量的(de)预(yu)期。

这些(xie)科技(ji)巨(ju)头们之所以敢于如(ru)此大手(shou)笔地投入(ru)算力，一方面是因为(wei)它们“钱(qian)袋子”依然富余，净利润和现金(jin)流能够支撑高强度的(de)算力投资；另一方面，巨(ju)额的(de)算力投资也已经产生了实际回报，“云(yun)+AI”业务的(de)收(shou)入(ru)和利润正在快(kuai)速增长，这进一步刺激了它们加大算力投资的(de)力度。谷歌(ge)、微(wei)软(ruan)等巨(ju)头在2025年Q1财报中披露(lu)，AI业务资本(ben)开(kai)支同(tong)比增35%，表(biao)明算力扩张仍在持续，电力需求韧性显现。

除(chu)去(qu)科技(ji)公司，主(zhu)权国家和地区也同(tong)步进入(ru)到算力的(de)竞赛当中。欧盟(meng)委(wei)员会于2025年2月宣布的(de)“Invest AI”计划，拟通过公共和私人资金(jin)调动总额2000亿欧元，核(he)心目标是建设4座AI超级工(gong)厂，配备约10万颗最先进AI芯片（是目前欧洲在建工(gong)厂的(de)4倍(bei)），专注于训练复杂(za)AI模型。其中，200亿欧元专门用于设立欧洲基金(jin)支持这些(xie)工(gong)厂。日本(ben)、沙特、印度等国家也纷纷将算力主(zhu)权纳入(ru)国家战略。

中国路径：效率、可持续性与分布式协同(tong)

面对(dui)全球人工(gong)智能发展的(de)新趋(qu)势(shi)，以及算力与能源的(de)挑战，中国需要探索一条具有自身(shen)特色的(de)发展路径。DeepSeekR1的(de)技(ji)术(shu)突破，为(wei)我(wo)们提(ti)供了一个重要的(de)启示(shi)：在人工(gong)智能发展中，效率和可持续性同(tong)样重要，甚至比单纯的(de)算力堆砌更为(wei)关键。

中国在人工(gong)智能发展上，既(ji)要仰望星空，追求前沿技(ji)术(shu)的(de)突破，也要脚踏实地，注重应用场(chang)景的(de)落地。DeepSeek R1和V3的(de)出现，代表(biao)了一种相对(dui)低算力、高表(biao)现的(de)技(ji)术(shu)路线，这符合(he)中国国情和发展阶段的(de)实际需求。对(dui)于中国而言，在算力资源相对(dui)紧张的(de)情况(kuang)下，更应该(gai)注重效率优(you)化，通过技(ji)术(shu)创新，提(ti)升单位算力的(de)价值，降低对(dui)能源的(de)消耗。

同(tong)时，中国也要清醒地认识到，优(you)秀的(de)硬件在人工(gong)智能发展过程中仍然不可替代。算法的(de)优(you)化固(gu)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)效率。尤其是在人工(gong)智能前沿研究领域(yu)，例如(ru)AI for Science，仍然需要足够的(de)算力进行支持。因此，中国在发展高效算法的(de)同(tong)时，也要加强在算力基础设施领域(yu)的(de)投入(ru)，构建自主(zhu)可控的(de)算力底座。

未来，人工(gong)智能领域(yu)的(de)竞争，将是前沿技(ji)术(shu)创新和应用场(chang)景落地的(de)双(shuang)线竞争。既(ji)要“卷前沿”，在基础理论和核(he)心技(ji)术(shu)上取得突破，也要“卷应用”，将人工(gong)智能技(ji)术(shu)广泛应用到各行各业，创造实际价值。有能力的(de)企业，必然是“两手(shou)都要抓，两手(shou)都要硬”，既(ji)要布局前沿技(ji)术(shu)，也要深耕应用场(chang)景。

在能源战略上，中国应坚持效率优(you)先、绿色发展的(de)原(yuan)则，在效率与可持续性之间寻找(zhao)平衡。DeepSeek 的(de)分布式算力架构，为(wei)我(wo)们提(ti)供了一个重要的(de)方向：通过分布式革命，瓦解(jie)算力集中垄断的(de)格局，构建更加灵(ling)活、高效、绿色的(de)算力网络。

更进一步，算力分布式革命，应与分布式能源革命协同(tong)推进。通过将算力设施与分布式能源（如(ru)光伏、风电）相结合(he)，构建“源-荷-储-算”协同(tong)的(de)新型电力系统。分布式算力可以作为(wei)新型电力系统的(de)“荷”，通过智能调度算法，与分布式能源的(de)波(bo)动性出力相匹配，实现“电-算协同(tong)”，提(ti)升清洁(jie)能源的(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革命的(de)协同(tong)发展，将倒(dao)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(you)化分配、实时响(xiang)应能力，以适应分布式能源和分布式算力的(de)需求。这将推动电力系统从传统的(de)“单向传输”模式，向“双(shuang)向互动”、“源网荷储”协同(tong)优(you)化的(de)模式转变，构建更加清洁(jie)、高效、安全、可靠的(de)现代能源体系。

结论：展望人工(gong)智能、算力与能源的(de)未来

DeepSeek R1的(de)出现，标志着人工(gong)智能技(ji)术(shu)发展进入(ru)了一个新的(de)阶段。效率优(you)化和成本(ben)控制，成为(wei)人工(gong)智能技(ji)术(shu)发展的(de)重要驱动力。然而，技(ji)术(shu)进步并不能改变人工(gong)智能对(dui)算力和能源的(de)巨(ju)大需求。杰文(wen)斯悖论提(ti)醒我(wo)们，效率提(ti)升并不必然导致资源消耗的(de)减少，反而可能刺激需求增长，最终导致资源消耗总量增加。

面对(dui)人工(gong)智能发展带来的(de)算力与能源挑战，全球科技(ji)界和能源界需要携手(shou)合(he)作，共同(tong)探索可持续发展之路。一方面，要继续加强技(ji)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(jie)能源，构建绿色算力基础设施，推动能源结构的(de)转型升级。

在中国，我(wo)们应坚持效率优(you)先、绿色发展的(de)原(yuan)则，探索具有中国特色的(de)AI发展路径。通过技(ji)术(shu)创新、模式创新和政策(ce)引导，在效率与可持续性之间找(zhao)到最佳平衡点，实现人工(gong)智能与经济社会、生态环境的(de)和谐共生。算力分布式革命与分布式能源革命的(de)协同(tong)推进，将为(wei)中国构建绿色、高效、智能的(de)未来能源体系，赢得人工(gong)智能时代的(de)竞争优(you)势(shi)，提(ti)供强劲(jin)的(de)动力。

作者信息

刘(liu)少轩(xuan)：

上海交(jiao)通大学安泰经济与管理学院副院长

上海交(jiao)通大学中银科技(ji)金(jin)融学院执行院长

陈钰什：

New Energy Nexus中国首席研究员，上海交(jiao)通大学中银科技(ji)金(jin)融学院博士后