AI一年吃掉一个日本，电从哪来？

AI每多回答一个问题，就多烧一度电——而这一次，烧电的账单大到没人敢忽略。

高盛在AI主题播客里给出了一组让能源圈坐直了的数据：到2030年，美国数据中心电力需求约108吉瓦，比此前预测的83吉瓦一口气上调了三成；全球数据中心电力需求较2025年将增长约170%，比今年3月预测的117%显著上调。高盛可持续投资研究团队全球主管Brian Singer算了一笔账：与2024年初相比，到2030年AI新增的用电规模，相当于日本全国的用电量——而日本是全球第五大电力消费国。

对光伏、储能产业来说，这不只是一个远方的宏大叙事。电源结构里，约40%的份额被明确划给了“可再生能源+储能”；而与此同时，燃气轮机、变压器、并网排队，正在成为比需求更硬的约束。机会和门槛，写在同一份报告里。

📈 AI的胃口，又变大了

先看一组被反复上调的数字。

高盛将美国至2030年的用电需求年均复合增速从3.2%上调至3.5%，而今年迄今，美国用电负荷已增长逾4%。数据中心是其中最陡的那条曲线：

用时间线看，这轮上调的节奏相当密集：

为什么模型越来越高效，用电反而越来越多？高盛的解释很直白：Token价格越低，能在经济上跑通的应用场景就越多，需求随之水涨船高。消费者和企业确实开始精打细算地用Token，但没有因此削减研发投入——Token用量的增长、智能体任务的爆发、科技巨头AI投资的加码，速度都快过效率提升的速度。

这是典型的“杰文斯悖论”在算力领域的重演：单位成本下降，总消耗反而上升。对能源侧而言，这意味着需求端的确定性极高——不是“会不会来”的问题，而是“来得有多快、落在哪里”的问题。

⚠️ 电是有的，卡在半路上

有意思的是，高盛的结论并不是“美国要缺电了”。

高盛研究部高级策略师Allison Nathan说得很清楚：先前大家讨论的焦点还是电网能否承受AI负荷，如今答案已经揭晓，但并不令人安心——电网能承受部分负荷，且分布不均，代价高昂。换言之，美国不会出现全国性电力短缺，真正的矛盾是结构性的、时间性的。

她把当前的瓶颈概括为一张清单：燃气轮机、变压器、输电线路、技术工人，再加上监管机构、电费承担者和周边居民。前四项是硬供给，后三项是软约束——一个数据中心项目从规划到送电，要过的关比想象中多得多。Brian Singer则列出了七大制约因素：AI应用普及程度、芯片与模型效率、电价、政策、零部件、人力和物理环境。

最要命的是时间。数据中心并网排队，通常需要2至7年。而数据中心的建设周期、芯片的迭代周期，都远短于这个数字。这一判断在产业链公开信息中有迹可循：据多家行业媒体报道，GE Vernova、西门子能源等头部燃气轮机厂商的订单排期已延至2028年之后，主要变压器企业的交付周期同样普遍以年计。不过需要说明，这是基于公开报道的侧面印证，具体订单情况以企业披露为准——但“单子排着队往后顺延，产能成了最稀缺的资源”，至少在方向上已成行业共识。

这张图解释了当前电力市场最拧巴的状态：需求是指数级的，供给是线性的，中间隔着一整条交付周期漫长的设备链。对产业而言，谁能让“从申请到送电”这段路变短，谁就握住了这轮AI电力周期的钥匙。

🔋 四成份额，留给可再生加储能

电源结构，才是光伏人最该逐字读的那一页。

高盛预计，数据中心电力需求约60%将由天然气满足，约40%由可再生能源配合储能满足。而时间节奏上也有讲究：近期以单循环燃气机组和“可再生能源+储能”为主，中期转向效率更高的联合循环燃气机组，更长期才会引入核电——在此之前，少数核电站重启可以起到过渡作用。

pie

title 高盛预计2030年数据中心电源结构

天然气 : 60

可再生能源加储能 : 40

这组数字里藏着三层产业逻辑。

第一层，气电仍是主力，但设备约束限制了它的弹性。燃气轮机的交付周期本就以年计，再叠加AI负荷的挤兑，短期气电的增量弹性是受限的——这恰恰给了“可再生+储能”方案腾挪的空间。

第二层，速度决定份额。核电周期最长，联合循环次之，而光伏加储能是各类电源里建设周期最短、模块化程度最高的选项。在并网排队2至7年的大背景下，落地速度本身就是竞争力。对光伏组件、储能系统、逆变器这些环节来说，AI负荷不是抽象的“绿色叙事”，而是实实在在的负荷缺口。

第三层，警惕之处也要看清：并网排队同样卡着可再生能源项目。40%的份额不等于40%的订单会自动流到光伏储能企业手里——变压器、输电线路的短缺对电源侧是一视同仁的。这也是为什么高盛的瓶颈清单里，电网设备与技术工人被放在了和气电同等的权重上。

一句话概括：AI给了光伏储能一个确定性极高的增量场景，但兑现的钥匙在电网侧，而不只在组件价格上。

💡 安全监管，一张18%的算力账单

电力需求的另一只靴子，来自一个很多人没预料到的方向：AI安全监管。

OpenAI发布博文，正式披露其针对高能力模型的安全监控要求：对于Sol级别及以上能力的模型，所有强化学习训练、评估及推理工作负载均须接受实时监控，当前估算显示，监控开销约占被监控推理算力的20%。

巴克莱分析师Ross Sandler团队据此做了量化测算。关键背景是：目前约85%的AI实验室算力已流向后训练与推理环节，且预计2027年几乎全部模型都将超过GPT-5.6的Sol级别能力门槛——也就是说，几乎所有算力都会进入监控范围。结论：推理及后训练算力需求将因此增加20%，推动行业整体算力成本上升约18%。

注意一个细节：监控要求不适用于预训练环节，所以整体成本增幅（18%）低于推理及后训练环节的单项增幅（20%）。这也是“节奏控制”机制的行业含义——它不改变训练端的烧钱节奏，但给每一次调用Token都加了一道隐形的税。

对盈利端的影响同样清晰。目前部分领先AI实验室的推理毛利率已超过80%，短期有足够缓冲消化这笔安全成本；但巴克莱判断，长期毛利率将向65%收敛。而竞争格局上，若领先实验室因安全合规放缓模型发布节奏，谷歌、Meta、亚马逊、微软等推理服务提供商反而可能受益。

把这节和前面的电力叙事接起来，逻辑就闭环了：安全监管是可量化、制度化的成本变量，它让推理算力需求再上一个台阶；推理算力最终都要落进数据中心，而数据中心最终都要落在电网上。算力成本的18%，会沿着“芯片—数据中心—电网—电源”这条链逐级传导，最后变成对发电设备和电网设备更迫切的需求。

🧭 换到光伏视角，看两条线

把三份信息叠在一起看——高盛的需求上调、瓶颈清单、电源结构，加上巴克莱的算力成本测算——光伏储能产业能看到两条清晰的线。

第一条线是电量。170%的全球需求增幅、108吉瓦的美国数据中心负荷、40%的可再生加储能份额，意味着AI正在把能源需求曲线从“周期波动”推向“结构性陡峭”。光伏储能的叙事，正在从政策驱动、电价驱动，向负荷驱动切换。AI负荷是最不讲情面的买家：它不管补贴政策，只在乎能不能按时送电、电价是否可承受。

第二条线是门槛。燃气轮机、变压器、输电线路、技术工人，这四项硬瓶颈决定了新增电力的兑现速度；而并网排队2至7年的现实，意味着“有需求”和“有订单”之间还隔着漫长的执行链。对产业链企业来说，真正的护城河可能不在产能规模，而在于能否参与并解决并网侧的堵点——储能的快部署属性、电网侧设备的交付能力、甚至与数据中心捆绑的“源网荷储”一体化方案，都是值得下注的方向。

需要说明的是，接下来的判断并非来自权威统计，而是本文基于上述瓶颈数据、并结合行业媒体报道与产业交流反馈做出的推测性观察：这一轮订单分配的主动权，或正在从电源侧向电网侧转移——谁能帮数据中心把送电时间往前挪一个季度，谁就可能拿到更好的议价位置。这一趋势的强度与节奏，仍有待后续订单数据和并网统计的验证。

AI的新增用电，是一个确定性极高的增量负荷，相当于在现有电力系统之上凭空再造一个日本。但它兑现的速度，不取决于算力的野心，而取决于燃气轮机的产能、变压器的排期和技术工人的数量。

对光伏储能产业，机会写在“40%可再生+储能”的份额里，风险藏在“并网排队2至7年”的矛盾里。当电源结构的选择题已经有了答案，下一轮竞争的关键词，是速度——谁能缩短从负荷需求到电力落地的时间，谁就能吃到AI这顿饭里最大的一碗。

回到开头那度电。它烧在哪里、由谁发出、经过几级变压器送进机柜，才是这轮AI周期里最值钱的问题。高盛给出了需求的方向，巴克莱算清了成本的新增项，而把需求真正变成收入的，是那些能缩短交付周期、打通并网堵点的企业。全文的结论可以收束为一句话：AI电力周期的需求已被反复验证，瓶颈已被逐一点名，光伏储能拿到了入场券——但决定谁能笑到最后的，不是产能规模，而是速度。