Deepseek也引起(qi)了对美(mei)国(guo)科技股和能源股短期剧烈震荡。英伟达单(dan)日跌(die)幅(fu)最高达17%，创美(mei)股历(li)史最大(da)单(dan)日市值蒸发(fa)纪录（约6000亿美(mei)元(yuan)），博通、AMD、台积电(dian)等(deng)芯片股同步重挫。纳斯达克(ke)指数(shu)下跌(die)3.1%，标普500指数(shu)下跌(die)1.5%，市场对美(mei)国(guo)科技巨头的高估值（如美(mei)股七巨头中，英伟达的市盈率在(zai)46倍左右，苹果的市盈率在(zai)36倍左右，特斯拉183倍市盈率。如今(jin)，七巨头的平均市盈率接近50倍，市值占美(mei)股总市值28%左右。）产生质疑。此外，由于R1通过算法优化显著降低模(mo)型能耗（内(nei)存使用减少(shao)50%以上），市场担忧AI对电(dian)力需求的增(zeng)长预期被(bei)打破，导致美(mei)国(guo)联合(he)能源、Vistra等(deng)能源公司股价(jia)暴跌(die)21%-29%。

尽管DeepSeek在(zai)技术上取得了巨大(da)进步，但其在(zai)中国(guo)境外的未来发(fa)展(zhan)仍面临不确定性，部分西(xi)方机构和政府已开始限(xian)制使用其服务。然而，全球人工智能领域都(dou)在(zai)密(mi)切关注DeepSeek如何以如此低的成本实现领先性能。如果DeepSeek的方法能够被(bei)广泛复制，那么对于东(dong)南亚地区、澳大(da)利亚、新西(xi)兰(lan)等(deng)中小型国(guo)家而言，或许将有机会以更低的成本进入基础(chu)模(mo)型领域，这在(zai)过去(qu)是难以想象的。

对于澳新地区的数(shu)据中心运营商而言，人工智能技术成本的潜在(zai)降低，无疑缓解(jie)了对外国(guo)模(mo)型安全性和可(ke)靠性风(feng)险的担忧。Macquarie Data Centres的高管David Hirst指出，人工智能行业的发(fa)展(zhan)速度远超(chao)以往任何技术趋势，且仍处于早(zao)期阶段。他认为，人工智能正在(zai)并将继续证明，它是世界上发(fa)展(zhan)最快的技术之(zhi)一，而我们才刚刚触及人工智能所能实现的冰山一角。人工智能将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(li)，从2024年1月5日，DeepSeek发(fa)布了首个大(da)模(mo)型DeepSeek LLM到2024年12月26日，正式上线DeepSeek-V3模(mo)型，并同步开源，标准着(zhe)全球首个全开源的混合(he)专家（MoE）模(mo)型出现，再到2025年1月20日发(fa)布的DeekSeek-R1推理(li)大(da)模(mo)型。从在(zai)极短的时间内(nei)，人工智能已取得显著进展(zhan)。大(da)型语言模(mo)型的快速发(fa)展(zhan)，从模(mo)型的迭代、算力的更新，到训练和推理(li)成本的下降，再到智能体的产品形态出现，人工智能正在(zai)不断提(ti)高行业效率，并最终降低成本。DeepSeek模(mo)型的创新，通过简化训练过程和更有效地利用硬件，标志着(zhe)在(zai)降低人工智能训练和推理(li)门槛方面迈出了重要一步，为更多企业应用这项技术打开了大(da)门。

DeepSeek R1 的技术特点：效率与成本优势

DeepSeek R1 模(mo)型的出现之(zhi)所以能引发(fa)行业震动，核心在(zai)于其在(zai)效率和成本控制上的突破。DeepSeek 通过一系列技术创新，实现了在(zai)相对较低的算力投(tou)入下，获(huo)得可(ke)媲美(mei)甚至超(chao)越头部模(mo)型的性能表(biao)现。这些技术特点主(zhu)要包括：

混合(he)专家模(mo)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(mi)模(mo)型不同，MoE模(mo)型包含多个“专家”子网络，每个子网络专门处理(li)特定类型的输入。在(zai)推理(li)过程中，模(mo)型会根据输入内(nei)容动态选择(ze)激活(huo)部分专家网络，而非所有网络，从而大(da)幅(fu)减少(shao)计算量，提(ti)高推理(li)效率。DeepSeek将MoE技术与模(mo)型架构深度融合(he)，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(mo)型的“多头注意力机制”在(zai)处理(li)长文本时容易“分心”的问(wen)题，MLA通过压(ya)缩关键信息，让模(mo)型更聚焦核心内(nei)容这种协同优化方法，能够最大(da)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：为了更充分地挖掘硬件潜力，DeepSeek甚至深入到硬件底层，采用PTX汇编语言对核心计算模(mo)块进行优化。PTX汇编语言是一种针对NVIDIAGPU的底层编程语言，通过精细(xi)的汇编级优化，可(ke)以最大(da)限(xian)度地提(ti)升代码执行效率，减少(shao)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求。

蒸馏技术与分布式/边缘计算架构:DeepSeek推出了一项卓越的模(mo)型蒸馏技术，该技术实现了将高性能AI模(mo)型的核心推理(li)能力高效移植至轻(qing)量化版本中的目标。这一突破不仅结合(he)了开源与轻(qing)量化的双重优势，进一步降低了人工智能技术的应用门槛，同时也为边缘计算领域带来了前所未有的发(fa)展(zhan)机遇。企业能够依据自身行业特点，在(zai)本地进行模(mo)型训练，使得原本依赖于高性能服务器和稳定网络环境的边缘设备得以焕发(fa)新生。此外，DeepSeek积极探索分布式计算与边缘计算架构的新路径，通过将计算任务分布至更靠近数(shu)据源的边缘节点，从而大(da)幅(fu)减少(shao)对中央数(shu)据中心的依赖。这不仅有效缓解(jie)了数(shu)据传输过程中的延迟(chi)问(wen)题和带宽压(ya)力，同时优化了边缘设备算力资源的利用效率，构建了一个更加灵活(huo)高效的算力部署方案。

通过上述(shu)技术组合(he)拳，DeepSeek R1实现了在(zai)保证模(mo)型性能的同时，大(da)幅(fu)降低训练和推理(li)的算力需求和成本。这使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(jing)打开了大(da)门。

算力生态的重构与资源再分配

DeepSeek R1的出现，不仅可(ke)能引发(fa)算力需求的增(zeng)长，还将深刻(ke)地重塑全球算力生态，并导致算力资源的重新分配。

首先，分布式革(ge)命与集中霸权竞争。传统人工智能发(fa)展(zhan)模(mo)式往往依赖于“规模(mo)至上”的逻辑，追求超(chao)大(da)规模(mo)模(mo)型和超(chao)大(da)规模(mo)算力集群。DeepSeek R1的轻(qing)量化模(mo)型和开源策(ce)略，降低了人工智能应用的门槛，促进了中端算力设施(shi)和分布式数(shu)据中心的普及。此前，美(mei)国(guo)科技公司曾计划建设耗电(dian)量堪比(bi)纽约市的巨型数(shu)据中心，但在(zai)DeepSeek高效模(mo)型的影(ying)响下，此类超(chao)大(da)规模(mo)基础(chu)设施(shi)的必要性显著下降。算力生态正在(zai)从单(dan)一“超(chao)大(da)规模(mo)中心垄断”模(mo)式转向与“分布式蜂群网络”竞争的模(mo)式。

其次，产业链价(jia)值重新分配。在(zai)算力产业链上游，DeepSeek的出现使英伟达等(deng)GPU巨头面临需求结构调整的挑(tiao)战。由于DeepSeek模(mo)型对算力效率的提(ti)升，以及分布式计算的兴起(qi)，市场对高性能GPU的需求可(ke)能不再是无止境的扩张，而是更加注重能效比(bi)和定制化。与此同时，寒武纪等(deng)ASIC芯片厂(chang)商或将迎来发(fa)展(zhan)机遇。ASIC芯片可(ke)以针对特定的人工智能应用进行硬件加速，在(zai)能效比(bi)和成本控制上更具优势，更符合(he)分布式算力发(fa)展(zhan)的趋势。在(zai)中游算力服务端，区域性数(shu)据中心凭借低时延和贴近应用场景(jing)的优势，开始承接制造业智能质检、金融风(feng)控等(deng)对延迟(chi)敏(min)感的应用需求，迫使AWS、阿里云等(deng)云计算巨头调整部分大(da)型数(shu)据中心的建设投(tou)入，转而加强边缘计算和分布式算力布局。

在(zai)下游应用端，国(guo)产算力成本的下降，将驱(qu)动人工智能在(zai)制造业、金融、医疗等(deng)领域的渗透(tou)率倍增(zeng)。例(li)如，在(zai)代码托管平台GitHub上，已涌现出大(da)量基于DeepSeek模(mo)型的集成应用案例(li)（awesome deepseek integration）。同时，中国(guo)各地省市纷(fen)纷(fen)上线R1模(mo)型，加速人工智能的区域化、本地化部署。越来越形成形成“需求牵引供给”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“需求牵引供给”的正向循环，实现“算力+行业”的双向赋能。人工智能技术将加速渗透(tou)到各行各业，成为推动产业升级和经济(ji)发(fa)展(zhan)的重要引擎。

最后，探索低碳AI发(fa)展(zhan)路径，在(zai)效率提(ti)升和能源可(ke)持(chi)续性之(zhi)间寻求平衡。DeepSeek通过算法架构优化和硬件能效协同，在(zai)单(dan)次运算能耗控制方面取得了突破性进展(zhan)。通过MLA与MoE技术融合(he)、强化学习(xi)（RL）的深度应用、稀疏化训练等(deng)核心技术，DeepSeek大(da)幅(fu)压(ya)缩了单(dan)次计算的经济(ji)成本和能源消耗。据测算，DeepSeek模(mo)型单(dan)位计算任务的能耗较传统稠密(mi)模(mo)型下降超(chao)过50%，单(dan)位计算碳排放强度降至行业平均水平的1/3。这为推进绿色数(shu)据中心建设和实现碳中和目标提(ti)供了关键的技术支(zhi)撑。

更重要的是，DeepSeek通过“低能耗+分布式”模(mo)式，显著降低了高性能AI对传统能源的依赖。分布式与边缘计算架构，将计算任务分散到靠近数(shu)据源的边缘设备处理(li)，有效减少(shao)了对集中式数(shu)据中心的电(dian)力依赖。同时，DeepSeek的高性能模(mo)型在(zai)实现同等(deng)效果时，与清洁能源耦合(he)的能效显著优于传统AI架构。

分布式计算与边缘节点的高效协同，不仅大(da)幅(fu)降低了集中式数(shu)据中心对传统能源的依赖，也使AI系统能够更灵活(huo)地协调计算任务和清洁能源供给，更加适配可(ke)再生能源的波(bo)动性特点。例(li)如，在(zai)太阳能充足的时段优先调度计算任务，并借助(zhu)优化算法动态匹配能源供给波(bo)动，在(zai)弃(qi)风(feng)弃(qi)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。

杰文斯悖论：效率提(ti)升与需求扩张

然而，DeepSeek R1的技术突破，在(zai)降低人工智能应用门槛的同时，也可(ke)能引发(fa)“杰文斯悖论”。杰文斯悖论由19世纪经济(ji)学家 William Stanley Jevons提(ti)出，他发(fa)现，随着(zhe)煤炭使用效率的提(ti)高，煤炭的消耗总量反而增(zeng)加。这一悖论揭示了一个深刻(ke)的经济(ji)规律：效率的提(ti)升并不必然导致资源消耗的减少(shao)，反而可(ke)能因为成本降低和应用范围(wei)扩大(da)，刺(ci)激需求增(zeng)长，最终导致资源消耗总量增(zeng)加。

微软 CEO Satya Nadella引用杰文斯悖论来解(jie)释DeepSeek R1可(ke)能带来的影(ying)响，可(ke)谓一针见血。他认为，更实惠、更易于访问(wen)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(zeng)。随着(zhe)人工智能技术的门槛降低，过去(qu)由于成本限(xian)制而无法应用人工智能的领域，例(li)如中小企业、边缘计算场景(jing)等(deng)，将涌现出大(da)量新的应用需求，从而导致算力调用密(mi)度指数(shu)级上升。

此外，新兴应用场景(jing)的爆发(fa)，也将加速算力需求的裂变。智能驾驶、具身机器人等(deng)前沿领域对实时算力的需求极为庞大(da)，远超(chao)DeepSeek技术优化的速度。即使单(dan)任务效率提(ti)升数(shu)倍，百(bai)万级智能终端的并发(fa)需求，仍将形成巨大(da)的算力吞噬黑洞。

更进一步，模(mo)型复杂性的提(ti)升，也可(ke)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能（AGI）等(deng)前沿方向，模(mo)型参数(shu)规模(mo)不断向万亿级跃升，数(shu)据量也以年均30%的速度增(zeng)长。即使训练效率提(ti)升10倍，模(mo)型规模(mo)扩大(da)100倍，仍然会导致算力总需求净增(zeng)10倍。DeepSeek的高效算法或许能够“追赶”数(shu)据增(zeng)长的速度，但难以从根本上逆转算力需求的增(zeng)长曲线。

因此，DeepSeek R1的技术突破，虽(sui)然在(zai)单(dan)位算力能耗上取得了显著降低，但从宏观层面来看(kan)，很可(ke)能无法有效缓解(jie)人工智能发(fa)展(zhan)对算力和能源的巨大(da)需求。相反，技术普惠性引发(fa)的应用爆发(fa)，以及模(mo)型复杂性的持(chi)续提(ti)升，可(ke)能会共同推动算力需求的加速增(zeng)长，最终导致电(dian)力系统在(zai)需求激增(zeng)的压(ya)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(ke)能推动算力生态向分布式方向发(fa)展(zhan)，但其技术进步并不能改变人工智能发(fa)展(zhan)对能源的巨大(da)需求。算力的尽头，依然是电(dian)力。

DeepSeek等(deng)人工智能技术的突破，将不可(ke)避免地推高全球电(dian)力需求。“杰文斯悖论”的加速效应，可(ke)能使全球电(dian)力需求曲线更加陡峭。尽管DeepSeek通过优化算法、硬件适配等(deng)技术，显著提(ti)升了人工智能算力效率，降低了单(dan)次任务的能耗，打破了人工智能应用的经济(ji)门槛，但这种技术跃迁预计将同步触发(fa)“杰文斯悖论”，能源消耗总量或将突破线性增(zeng)长模(mo)式，形成“效率提(ti)升-应用扩张-能耗跃升”的闭环。

国(guo)际能源署（IEA）的数(shu)据显示，2022年全球数(shu)据中心耗电(dian)量已达460TWh，占全球总用电(dian)量的2%。预计到2026年，全球数(shu)据中心耗电(dian)量将扩张至620-1050TWh。这意味着(zhe)，未来几(ji)年内(nei)，数(shu)据中心的能源消耗将呈现指数(shu)级增(zeng)长趋势。

面对如此巨大(da)的能源需求，全球科技巨头们已经掀起(qi)了一场围(wei)绕电(dian)力资源的争夺战。美(mei)国(guo)微软与OpenAI等(deng)科技巨头联合(he)发(fa)起(qi)了“星际之(zhi)门计划”，计划耗资千亿美(mei)元(yuan)，在(zai)2030年前建成全球最大(da)的AI超(chao)算集群。“星际之(zhi)门”的目标是建设5-10个数(shu)据中心园区，每个园区设计功率约为100兆瓦，总电(dian)力需求将达到5GW-10GW级别(bie)。这相当于数(shu)个大(da)型城市的用电(dian)量。

“电(dian)力缺口可(ke)能成为AI时代的卡脖子问(wen)题”，这正在(zai)成为行业共识。科技巨头对清洁能源的大(da)规模(mo)投(tou)资和抢占，本质上是对新一轮工业革(ge)命核心资源的争夺。谁掌握了充足、廉(lian)价(jia)、绿色的电(dian)力资源，谁就将在(zai)人工智能时代的竞争中占据更有利的位置。需要举具体的案例(li)。

四家拥有大(da)模(mo)型业务的美(mei)国(guo)科技公司——微软、亚马逊(xun)、谷歌、Meta仍然坚持(chi)“大(da)力出奇迹(ji)”的策(ce)略，即大(da)规模(mo)算力投(tou)资。2024年，美(mei)国(guo)科技四巨头的资本支(zhi)出均达到历(li)史最高点，总额高达2431亿美(mei)元(yuan)，同比(bi)增(zeng)长63%。预计2025年，它们的资本支(zhi)出总额将超(chao)过3200亿美(mei)元(yuan)，总增(zeng)速约为30%。

巨额的资本支(zhi)出，主(zhu)要用于购买算力设备，建设数(shu)据中心，以支(zhi)撑人工智能业务的快速发(fa)展(zhan)。这些科技巨头们相信，更高的算力投(tou)入，能够带来更好的模(mo)型性能和更快的技术迭代速度。在(zai)商业竞争中，算力的质量代表(biao)的是速度问(wen)题，更高算力通常(chang)带来更好的效果。短期内(nei)节省算力固然重要，但从长远来看(kan)，算力需求只会螺旋上升，面向未来投(tou)资算力才是更重要的战略选择(ze)。英伟达2025年2月6日其股价(jia)单(dan)日涨幅(fu)超(chao)5%，市值重回3万亿美(mei)元(yuan)，也回应了这个趋势，反映了市场对算力芯片（如GB200芯片）放量的预期。

这些科技巨头们之(zhi)所以敢于如此大(da)手(shou)笔地投(tou)入算力，一方面是因为它们“钱(qian)袋子”依然富余，净利润和现金流能够支(zhi)撑高强度的算力投(tou)资；另一方面，巨额的算力投(tou)资也已经产生了实际回报，“云+AI”业务的收入和利润正在(zai)快速增(zeng)长，这进一步刺(ci)激了它们加大(da)算力投(tou)资的力度。谷歌、微软等(deng)巨头在(zai)2025年Q1财(cai)报中披露，AI业务资本开支(zhi)同比(bi)增(zeng)35%，表(biao)明算力扩张仍在(zai)持(chi)续，电(dian)力需求韧性显现。

除去(qu)科技公司，主(zhu)权国(guo)家和地区也同步进入到算力的竞赛当中。欧盟委员会于2025年2月宣布的“Invest AI”计划，拟通过公共和私(si)人资金调动总额2000亿欧元(yuan)，核心目标是建设4座AI超(chao)级工厂(chang)，配备约10万颗最先进AI芯片（是目前欧洲在(zai)建工厂(chang)的4倍），专注于训练复杂AI模(mo)型。其中，200亿欧元(yuan)专门用于设立欧洲基金支(zhi)持(chi)这些工厂(chang)。日本、沙(sha)特、印度等(deng)国(guo)家也纷(fen)纷(fen)将算力主(zhu)权纳入国(guo)家战略。

中国(guo)路径：效率、可(ke)持(chi)续性与分布式协同

面对全球人工智能发(fa)展(zhan)的新趋势，以及算力与能源的挑(tiao)战，中国(guo)需要探索一条具有自身特色的发(fa)展(zhan)路径。DeepSeekR1的技术突破，为我们提(ti)供了一个重要的启示：在(zai)人工智能发(fa)展(zhan)中，效率和可(ke)持(chi)续性同样重要，甚至比(bi)单(dan)纯的算力堆砌更为关键。

中国(guo)在(zai)人工智能发(fa)展(zhan)上，既要仰望星空，追求前沿技术的突破，也要脚踏实地，注重应用场景(jing)的落地。DeepSeek R1和V3的出现，代表(biao)了一种相对低算力、高表(biao)现的技术路线，这符合(he)中国(guo)国(guo)情(qing)和发(fa)展(zhan)阶段的实际需求。对于中国(guo)而言，在(zai)算力资源相对紧(jin)张的情(qing)况(kuang)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(jia)值，降低对能源的消耗。

同时，中国(guo)也要清醒地认识到，优秀的硬件在(zai)人工智能发(fa)展(zhan)过程中仍然不可(ke)替代。算法的优化固然重要，但更好的硬件意味着(zhe)更低的训练时间和更高的效率。尤(you)其是在(zai)人工智能前沿研究领域，例(li)如AI for Science，仍然需要足够的算力进行支(zhi)持(chi)。因此，中国(guo)在(zai)发(fa)展(zhan)高效算法的同时，也要加强在(zai)算力基础(chu)设施(shi)领域的投(tou)入，构建自主(zhu)可(ke)控的算力底座。

未来，人工智能领域的竞争，将是前沿技术创新和应用场景(jing)落地的双线竞争。既要“卷前沿”，在(zai)基础(chu)理(li)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各业，创造实际价(jia)值。有能力的企业，必然是“两手(shou)都(dou)要抓，两手(shou)都(dou)要硬”，既要布局前沿技术，也要深耕应用场景(jing)。

在(zai)能源战略上，中国(guo)应坚持(chi)效率优先、绿色发(fa)展(zhan)的原则(ze)，在(zai)效率与可(ke)持(chi)续性之(zhi)间寻找平衡。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(ge)命，瓦解(jie)算力集中垄断的格局，构建更加灵活(huo)、高效、绿色的算力网络。

更进一步，算力分布式革(ge)命，应与分布式能源革(ge)命协同推进。通过将算力设施(shi)与分布式能源（如光伏、风(feng)电(dian)）相结合(he)，构建“源-荷-储(chu)-算”协同的新型电(dian)力系统。分布式算力可(ke)以作为新型电(dian)力系统的“荷”，通过智能调度算法，与分布式能源的波(bo)动性出力相匹配，实现“电(dian)-算协同”，提(ti)升清洁能源的消纳能力，降低电(dian)力系统的风(feng)险。

分布式算力革(ge)命与分布式能源革(ge)命的协同发(fa)展(zhan)，将倒逼(bi)电(dian)网进化，加速传统电(dian)网向智能电(dian)网转型。智能电(dian)网需要具备动态负荷优化分配、实时响应能力，以适应分布式能源和分布式算力的需求。这将推动电(dian)力系统从传统的“单(dan)向传输”模(mo)式，向“双向互动”、“源网荷储(chu)”协同优化的模(mo)式转变，构建更加清洁、高效、安全、可(ke)靠的现代能源体系。

结论：展(zhan)望人工智能、算力与能源的未来

DeepSeek R1的出现，标志着(zhe)人工智能技术发(fa)展(zhan)进入了一个新的阶段。效率优化和成本控制，成为人工智能技术发(fa)展(zhan)的重要驱(qu)动力。然而，技术进步并不能改变人工智能对算力和能源的巨大(da)需求。杰文斯悖论提(ti)醒我们，效率提(ti)升并不必然导致资源消耗的减少(shao)，反而可(ke)能刺(ci)激需求增(zeng)长，最终导致资源消耗总量增(zeng)加。

面对人工智能发(fa)展(zhan)带来的算力与能源挑(tiao)战，全球科技界和能源界需要携(xie)手(shou)合(he)作，共同探索可(ke)持(chi)续发(fa)展(zhan)之(zhi)路。一方面，要继续加强技术创新，提(ti)升算力效率，降低单(dan)位算力能耗；另一方面，要大(da)力发(fa)展(zhan)清洁能源，构建绿色算力基础(chu)设施(shi)，推动能源结构的转型升级。

在(zai)中国(guo)，我们应坚持(chi)效率优先、绿色发(fa)展(zhan)的原则(ze)，探索具有中国(guo)特色的AI发(fa)展(zhan)路径。通过技术创新、模(mo)式创新和政策(ce)引导，在(zai)效率与可(ke)持(chi)续性之(zhi)间找到最佳平衡点，实现人工智能与经济(ji)社会、生态环境的和谐共生。算力分布式革(ge)命与分布式能源革(ge)命的协同推进，将为中国(guo)构建绿色、高效、智能的未来能源体系，赢得人工智能时代的竞争优势，提(ti)供强劲的动力。

作者信息

刘少(shao)轩：

上海交通大(da)学安泰经济(ji)与管理(li)学院副院长

上海交通大(da)学中银科技金融学院执行院长

陈钰什：

New Energy Nexus中国(guo)首席研究员，上海交通大(da)学中银科技金融学院博士后