2025年电子行业深度报告：AI用电的“困”与“破”

一、AI推升电力消耗

随着近些年AI模型竞赛日益激烈，训练最先进人工智能模型所需的数据量和计算量呈指数级增长。例如，GPT-4的训练数据量约为4.9万亿个数据点（Data Points)，训练计算量 约为22万亿亿次（即2.2 × 1025）。

训练是一个耗时且耗能的过程，计算在GPU/ASIC等专用芯片上进行。当前，单个GPU的最大额定功耗可达1000瓦，这与一台烤面包机的功耗相当。超大型的模型是在由多个 GPU组成的集群上进行训练的。例如，GPT-4是在25,000个GPU上经过多日训练而成，算力芯片合计额定功率近10MW。除此之外，加上用于模型训练的其他服务器部件包括 CPU、内存、网络设备和交换机等以及非IT设备功耗，用于训练GPT-4的设备总额定功率高达约20MW。

并且，GPT-4训练时间约95天（2280小时），采用84%的负载因子计算，其训练能耗需求约为38.2GWh，折合训练期间内日均能耗约0.40吉瓦时（40万度电），如果以一个家 庭单日电力消耗约为10度，GPT-4日均能耗约等于4万个家庭单日用电量。

不同于训练，推理任务的能耗需要考虑因素较多。比如，输入Token量及输出Token量、硬件配置以及批处理规模、键值缓存管理、注意力 机制等操作优化策略的多重影响。此外，由于面向用户的商业AI模型在规模与实施细节方面缺乏透明度，难以精确测算其算力需求及后续 能耗。不过随着长上下文任务及多模态模型的加速渗透，即使通过MoE或其他算法提升效率，但是总耗能或仍然持续提升。

基于不同的生成任务，能耗差异较大。使用小型语言模型进行文本生成约消耗0.3瓦时，中型语言模型则需消耗约5瓦时。图像生成任务每项约耗电1.7瓦时。而视频生成的能耗强 度高出两个数量级，生成一段短时长、相对低质量的视频（时长6秒，每秒8帧）需消耗约115瓦时。

采用混合专家模型能耗改善明显，而推理模型则产生较大能耗。混合专家模型参数总量是中型模型的2.5倍，但能耗仅增加约45%。推理模型通过推理时缩放技术在处理数学、编 程等复杂问题时需要进行更深入的"思考"。但将推理模型用于简单文本生成任务时，其耗电量将达到同等规模常规模型的2倍。

数据中心是一种集中式设施，主要用于容纳大量计算机服务器、网络设备、存储系统及IT组件。所有上述设备均需配备专用电源单元，以确保为每台设备提供 适配的输入电压。当前数据中心中，服务器平均约占60%的用电需求，但比例因数据中心类型存在显著差异。存储系统是用于集中化数据存储与备份的设备， 约占总耗电量的5%。网络设备包括连接数据中心的交换机、引导流量的路由器以及优化性能的负载均衡器，其电力消耗最高可达总需求的5%。冷却与环境控 制系统通过调节温湿度确保IT设备处于最佳运行状态。冷却系统能耗占比差异显著，高效能的超大规模数据中心约为7%，而能效较低的企业数据中心可能超过 30%。不间断电源电池与备用发电机可在断电时维持数据中心运行。这些设备虽很少启用，但对保障数据中心必须实现的超高可靠性至关重要。

解决方案一：燃气轮机

用电方面，真正的挑战在于电力基础设施制造周期与AI需求周期错配。为满足数据中心电力需求可来源于多种途径，每种技术性能、成本、排放、开发流程和建 设周期方面都具有独特特性。随着数据中心预计在未来数年快速增长，构建并确保稳定高效电力来源的战略变得尤为关键。目前，美国唯一能在较短时间开发完 成的可靠电力来源是太阳能光伏和燃气轮机，与数据中心的典型建设时间线相吻合。但即使在这些情况下，供应链延迟或供应紧张也可能进一步延长开发时间。

以用电量视角看，2024年美国全国电力需求约3975.38TWh，若美国至2030年数据中心用电量达420TWh，约占全国用电量的10%（假设其他用电量不变，若 其他用电量增加，此比值下降）。电力供给方面，天然气是美国发电量最大的单一来源（2024年约占发电量的42.5%），得益于页岩气革命带来的低价天然气，大 量替代了传统的煤电。近期数据中心电力需求的激增，导致对额外天然气发电的兴趣显著增加，主要是在天然气作为低成本燃料的美国。

例如，在路易斯安那州，Entergy Louisiana 正计划增加超过2GW的天然气发电能力，为 Meta 的数据中心供电。NextEra Energy 和 GE Vernova 也计划在美国 各地开发天然气发电项目，主要是为了满足数据中心日益增长的电力需求。为了降低排放，一些数据中心运营商正考虑从长远来看为天然气发电厂配备碳捕获技术。

基于IEA预测，在多种情境下，天然气发电量对于美国而言均至关重要。在加速情景中，2024-2030年间数据中心近50%的新增发电量来自化石燃料（包括煤炭 和天然气），天然气发电增速较基准快1.5倍（美国增量最显著）。至2035年，所有情景下化石燃料在数据中心发电结构中的占比仍维持在40%左右。

解决方案二：光伏+储能

光伏发电具有建设周期短、安装灵活的独特优势。一般而言，一座大型地面光伏电站从规划到并网发电只需1~2年时间，部分中小规模项目甚至在数月内即可建 成。光伏组件和逆变器等设备模块化程度高，可并行施工部署，同时光伏选址相对自由（只要有足够日照和用地，无需像水电那样依赖特殊地理条件） 。

但是，光伏输出受到太阳辐射的自然周期影响，发电功率在白天高、夜间为零，且实时随天气变化。对于7×24小时持续运行的AI算力中心来说，太阳能本身并不 是稳定的电源。通常数据中心的负荷昼夜相差不大（甚至夜间仍维持高负荷以连续运行训练任务），而光伏在日落后完全停发电，白天的峰值出力也不一定刚好 匹配数据中心负荷曲线。如果没有储能或其他调节手段，光伏对削减数据中心用电高峰的作用将十分有限。

2024年，锂离子电池组的平均价格降至115美元/千瓦时，较23年成本下降20%，比十年前的平均成本下降84%。随着电池价格的下降，锂 电池储能新增装机容量持续增长。2024 年锂离子电池储能新增装机容量由2023年的41.5GW增长至69GW。

加利福尼亚州在光伏+储能方面处于领先地位。2024 年，储能提供的用电量通常会在晚上达到每日峰值负载的近五分之一。

此外，2025年美国储能容量增长可能会续创新高。EIA预计将有 19.6 GW 的公用事业规模储能并网。美国储能在 2024 年已经实现10.3 GW的新增装机容量。高 速增长凸显了储能+可再生能源的重要性，有助于平衡供需并提高电网稳定性。储能系统并不是主要电力来源，这意味着该技术不会从燃料或自然资源中产生电力。 相反，电池存储已经由发电机或电网产生的电力，这使得储能系统成为二次电力来源。

储能+光伏或带动功率器件需求

大型储能PCS多采用硅基IGBT（绝缘栅双极型晶体管）作为主功率开关器件。IGBT在PCS中的作用包括电压变换、DC/AC逆变以及功率控制等，直接决定了储能逆变器的 性能指标。IGBT成本占储能PCS硬件成本的20%～30%，属于价值占比最高的核心部件之一。

IGBT的性能（如耐压水平、开关速度、导通压降等）很大程度上限制和决定了PCS的转换效率、输出电能质量以及功率密度。因此，提升功率器件性能是提高储能系统性能 的关键路径之一。

在储能PCS内部，一般采用逆变桥等功率电路拓扑，将直流电池电能与交流电网互相转换。传统方案大量使用硅基IGBT器件组成功率半桥，近年来也逐步引入SiC MOSFET 器件以提高效率。混合ANPC（三电平有源中点钳位）逆变器拓扑，每相桥臂模块中集成2个SiC MOSFET和4个Si IGBT，其中IGBT工作在工频、SiC MOSFET工作在高频， 从而在降低滤波器体积的同时，用较少的SiC器件实现高效率并控制成本。

IGBT和SiC MOSFET在导通特性和开关损耗方面存在明显差异。IGBT为双极型器件，其输出特性曲线有明显“拐点”，在小电流（轻载） 时因阈值电压导致损耗较高；SiC MOSFET属单极型器件，导通特性近似线性，在轻载下损耗远低于IGBT。

在约10A的低电流下IGBT损耗约为SiC的两倍，而约25A时两者损耗相当；在更高电流（重载）下，IGBT的效率甚至略优于SiC。这意味着 在不同负载条件下，两种器件各有优势：SiC器件在部分负载下显著提高逆变器效率，而IGBT在满载高压下仍具备性价比优势。

近年来，储能系统在电网中的角色正从“跟随电网”向“构建电网”转变，即所谓构网型（Grid-Forming）储能变流器逐渐兴起。这类储 能PCS不仅能够像传统逆变器那样向电网输送功率，还能在孤岛状态下主动形成稳定的交流电压和频率，担当虚拟同步机的功能，从而支 撑电网的稳定性。

报告节选：

编辑：火腿肠