本文来自微信公众号： 未尽研究 ，作者：周健工
算电协同是一个技术问题，也是一个经济问题。它需要端到端的“极致协同优化”。
算力网、新型电网与新一代通信网，共同构成智能经济与智能社会建设的重要底座。但这几张网并不是孤立发展的。进入“十五五”，算电协同需要走向端到端的系统工程。
这种协同同时发生在空间与时间尺度上。算电协同正在从芯片、机架、数据中心扩展到电网，但由于建设与迭代周期错配，算电协同在设计之初就需要考虑其扩展性。
所有这些努力，最终都指向“每瓦价值”这一共同目标。
AI应用扩展、算力扩展、电力扩展
AI的扩展，带来了算力的扩展。到了今年二季度，中国日均token调用量已经达到500万亿，增速陡峭，是去年同期的16倍。自7月以来，国内一波“好用”的开源模型，推动了智谱、DeepSeek、Kimi等的ARR显著增长，日均token调用量仍在高速增长。
算力的扩展，又带来了电力的扩展。今年5月，国家能源局曾提出，在“十五五”时期，全国算力用电量年均新增1000亿千瓦时以上，到2030年预计达8000亿千瓦时，占全社会用电量6%左右。这相当于较2025年的1700亿千瓦时增长了近4倍。
这一轮算力与电力需求的扩展，正在越来越多地由智能体驱动。国家提出到2027年，智能体等应用普及率超过70%，这一指标到2030年更是要达到90%。
在ChatGPT发布半年多后，未尽研究曾根据当时的AI应用趋势，估算2030年国内智算规模将达到近6000EFLOPS（FP16精度，相当于FP32下3000EFLOPS）。但到了今年，国家“十五五计划”，提出“适度超前”建设AI算力，到2030年达到9800EFLOPS，较2025年增长超5倍。
但智能体经济对电力的需求，并不仅仅体现在规模的长期增长上，更体现在负荷的瞬时波动上。
训练需要让大规模算力长期稳定运行并保持较高的利用率；从文本对话到图片、视频生成，推理的单位任务的算力需求呈数量级上升。相比之下，智能体带来的最大变化，在于它需要根据任务复杂度自主决定调用模型、工具和外部数据的次数。对于电力系统而言，这是更加动态、更加难以预测的负荷。
空间与时间的尺度
这些变化，推动算电协同沿着芯片、机架、数据中心和电网等四个空间尺度逐层扩展。“AI工厂”也因此正在成为功率密度增长最快的“新物种”。
英伟达的GPU早已突破kW级别。2026年的VR200约2200W，下一代产品功耗还可能进一步翻倍。按照长期演进趋势，10年后单芯片功耗甚至可能进入15kW级别。这种功率密度的提升，还会沿着算电协同四个尺度扩展方向继续放大。单机架正在进入MW级别，而数据中心正在进入GW级别。
这意味着在不同空间尺度下，“AI工厂”都将面临严峻的“散热墙”瓶颈。如果散热能力跟不上功率密度增长，关键IT设备就无法长期以设计功率运行，最终限制整个AI工厂实际能够生产的Token速度与总量。
在这一扩展过程中，电力瓶颈客观存在。中国本土芯片在能效上与美国先进芯片仍存在差距。如果说“电力换算力”，那么“散热墙”与推理经济性等问题，就更加不容忽视。
而且，受到风光新能源等分布不均，以及绿电占比的约束，“AI工厂”存在明显的空间集聚效应。这使得电力总量上的优势，并不总是对应着负荷所在地的局部供电能力。算力越集中，对输配电能力和局部电网强度的要求越高；负荷波动越大，对电力系统峰值供给和动态调节能力的要求也越高。
算电协同也不等于找一个电价最低的地方建数据中心。就目前而言，电费在AI数据中心的总成本比重并不高。中国西部地区的低电价，能够缓冲硬件能效劣势，但与美国德克萨斯相比，这一优势并不显著。最终能否形成算力成本优势，还取决于系统采购价、同任务能耗和有效吞吐量。
时间才是最大的成本。电力已经从一种成本要素，升级为算力能否释放的物理前提。每年昂贵的IT设备折旧成本，往往远高于电费。OpenAI交由甲骨文建设的2.45GW数据中心，最近卡死在电力环节，大概率将延期，也就意味着OpenAI无法将大量用户需求，及时地转化为现金流。
中国适度超前发展电力，但算力价值的充分释放，同样受制于电力建设时间窗口的约束。目前，模型竞争正在以数周为单位迭代，华为与阿里巴巴等都开始芯片的一年一迭代，但是，电网扩容可能仍然需要四到八年。这意味着电力基础设施一直在追赶算力生态的建设，而每一次算力侧的迭代，都会不同程度地影响电力侧的设计。
这意味着，算电协同也是时间尺度上的协同。它必须是可扩展的，以避免时间周期错配对“AI工厂”推理经济性的影响。
算电协同目标是每瓦价值
空间与时间尺度上的扩展，导致了系统优化设计的边界不断扩展。黄仁勋认为英伟达提供算力的经济优势，正在于“极致协同设计”（Extreme Codesign）。
计算、存储、网络、功耗、散热，已经耦合成更加紧密的系统，运行调度需要综合考虑。此前，黄仁勋提出Scale up与Scale Out，覆盖了GPU间互联与机架间互联；去年又提出Scale Across，将系统的优化设计延伸至集群之间；今年，英伟达又创造了Scale In的概念，将过去位于AI计算域外围的网卡、CPU、DPU、存储，也纳入极致协同设计。
在一个AI机架内部，算电协同就无处不在。电力在服务器内部，就需要VRM电压调节与PDM电源分配。行业正在步入800V高压直流（HVDC）时代。在去年的OCP峰会上，台达电子就推算，如果单个机架的功率达到1MW，那么，如果继续使用传统的54V供电，电流将达到近2万安培，这是极其巨大的电流，会带来线路损耗、散热和短路等安全问题。
围绕800V HVDC，包括通用接口、液冷系统、储能系统，整个园区供电架构都需要同步协同设计，以应对动态功率波动、电压调节，以及电网响应和无功功率支撑。中国七部委《促进数字化绿色化协同转型发展实施方案》也提出，要探索算力设施800V高压直流供电架构，推动超百千瓦单机柜部署。
所有这些算电协同的努力，一方面是尝试在相同的供电条件下部署更多算力，另一方面则是探索让这些算力更稳定、更充分地运行，尽可能减少供电、散热、通信和调度带来的损耗。最终，衡量算电协同成效的，是单位电力所创造的经济价值。
端到端协同
为了提升单位电力的经济价值，英伟达与谷歌都将能源视为AI技术栈的重要底座。
黄仁勋提出的“极致协同设计”，正是将整个数据中心作为计算单元，而不仅仅是单台GPU服务器。计算、存储、网络、电力、冷却、CUDA等，横向贯通。在智能体编程这一高交互性、低时延场景下，Vera Rubin NVL72的单位兆瓦Token吞吐量最高可达到当前主力算力GB300 NVL72的30倍；每百万Token的成本最高可降至约1/45。
与英伟达相比，谷歌的协同还进一步延伸到了模型层与应用层，因此显得更为纵向立体。此前，市场曾担心AI的出现会颠覆谷歌搜索的商业模式。摩根士丹利曾测算，在一定的AI渗透率和回答长度假设下，谷歌每年新增的AI计算成本可能达到60亿美元。
但通过TPU、网络、数据中心等全栈协同，以及模型轻量化与智能路由机制，谷歌的核心AI响应成本持续下降。谷歌披露，2026年一季度公司核心AI响应成本已下降超过30%。与此同时，AI Overviews与AI Mode等业务形态也扩展了新的货币化路径。
中国正在把这种端到端的极致协同设计，进一步延伸到国家层面。从发电侧、电网侧，到数据中心、机架，再到先进芯片，甚至延伸至后摩尔时代的晶体管与计算架构。它覆盖了AI计算所消耗的每一度电如何最终转化为有效计算的整个链条。
这也将提高新能源消纳、源网荷储和绿电直连的经济价值，推动这些已经探索多年的机制加快落地。归根结底，这是要把电力和数据送到计算发生的地方。
中国与美国对AI的竞争，因为资源禀赋不同，导致优化方向不同。但是，这场竞争最终殊途同归，都是对每瓦智能与每瓦价值的竞争。没有谁可以只靠短期的资源优势“躺赢”。
--
（根据2026云栖大会主题演讲“算电协同端到端”整理，有调整）
