AGI一来，先缺的不是芯片是电？

2026年9月3日，OpenAI 总裁 Greg Brockman 在 GPT-6 Astra 发布会后说了一句行业罕见的话：「我个人认为，我们可能已经到达 AGI 了。」

全场都在讨论智能的边界。但在产业观察者眼里，这场发布会真正指向的，是一条被反复忽视的曲线——电力曲线。

本文核心判断只有一句话：当 AI 与自动驾驶同时进入规模化落地期，最先收紧的不是芯片供给，而是电网的调节能力；而补上这块短板的关键角色之一，正是长期坐在观众席上的液流电池。滑铁卢大学刚刚发表的多孔电极新设计，可能是它真正「上桌」的信号。

🤖 GPT-6 的胃口，最终要用电力结算

操控电脑，正在从营销话术变成工程现实。

GPT-6 Astra 的 slogan 写得很直白：你在电脑上能做的任何事，Astra 都能替你做。它没有走过去几年主流的 API 调用路线，而是像人一样直接「看」屏幕像素，然后移动鼠标、敲击键盘。KiCad 不会为 AI 写接口，FreeCAD 不会，公司内部用了十年的老 ERP 更不会，但如果 AI 能看屏幕直接操作，这些软件它全都能用。

演示材料里有几个细节值得记住：给 Astra 一张电路原理图，它在 KiCad 里完成了元器件布局和铜线走线，用时 2 分 54 秒；它能在 Blender 里搭房子模型，导入 Unreal Engine 5 生成可实时漫游的建筑场景；它还能只凭用户口述，走完一个 eBay 商品从填写到发布的完整流程。

每一次「看屏幕—决策—操作」的循环，背后都是一次推理算力的调用。而推理算力的物理形态，是数据中心里持续运转的 GPU 集群，以及支撑它们的电力系统。

这就是产业的第一层逻辑：AI 能力越通用，单次任务的算力消耗越接近「真人办公」量级；部署规模越大，电力消耗就从「后台成本」变成「前台约束」。过去大家谈算力，谈的是芯片；接下来谈算力，绕不开的是电。

这不是推测，而是有据可查的趋势线。国际能源署（IEA）2025 年 4 月发布的《能源与人工智能》（Energy and AI）特别报告给出过量化预测：全球数据中心用电量将从 2024 年的约 415 TWh 增长至 2030 年的约 945 TWh，年均增速约 15%——这个体量到 2030 年大致相当于日本全国的用电量；在美国，数据中心用电占全社会用电的比重预计从 2024 年的约 4% 攀升至 2030 年的约 12%，且增量中一半以上将来自数据中心[1]。中国信通院的口径同样清晰：全国数据中心用电量已占全社会用电量的 2% 以上，且随推理负载上升，这个比例正逐年抬升[2]。GPT-6 这类「替人操作电脑」的智能体，会把每一次轻量级办公任务都变成推理请求——单位任务耗电未必爆炸，但频次是指数级的。

同一周内，另一条新闻强化了这个判断。英国具身智能企业 Wayve 宣布携手 Uber 在伦敦推出英国首个有人值守 Robotaxi 服务，这是 Wayve 的首次商业部署。业内观点认为，随着国内 L4 级自动驾驶完成从测试到规模化运营的跨越，头部企业正把海外市场视为验证商业模型、兑现技术价值的关键战场。

一台在伦敦街头跑 12 小时的 Wayve 车辆，本质上是一个移动的推理数据中心——按当前主流 Robotaxi 平台数百至上千 TOPS 的车端算力配置估算，单车计算平台的持续功耗在数百瓦到千瓦级，叠加电池充放电，一座千辆级车队的日耗电规模即可与一座中型公共建筑相当。当车队从几十辆扩到几千辆，它给电网增加的不只是充电负荷，还是一种「随时在动、难以预测」的新型负荷。

AI 吃电，Robotaxi 也吃电，而且两者都在指数级爬坡。电网侧的账，迟早要算到储能头上。

⚡ 电网真正的难题，是时间的错配

电力系统最古老的矛盾，在新能源时代被重新放大了。

场景很熟悉：正午时分，光伏电站满发，电力涌入电网，现货价格被压到地板；到了晚间高峰，光伏出力归零，负荷却爬到全天顶点。风电也一样，夜间大风时段往往是负荷低谷。发电的时钟和用电的时钟，天生对不上。

传统电网靠火电调峰填谷。但当风光渗透率持续提升，这套调节手段的余量会越来越薄。此时储能的作用，就是把中午的电「搬」到晚上——而「搬」的距离，不是空间距离，是时间距离。

问题在于，「搬」几个小时和「搬」十几个小时，是完全不同的技术命题。而这个缺口有多大，是可以量化的。

先看存量结构：根据国家能源局数据，截至 2024 年底，全国已建成投运的新型储能累计装机约 73.76 GW / 168 GWh，约为「十三五」末的 20 倍，但平均储能时长仅约 2.3 小时，2 小时以下项目仍占相当比例，能支撑 4 小时以上持续放电的长时储能占比不足 10%[3]。

再看需求侧：长时储能理事会（LDES Council）与麦肯锡的联合测算显示，到 2040 年全球需要部署 85—140 TWh 的长时储能才能支撑电力系统深度脱碳，对应投资规模约 4 万亿美元，届时长时储能需覆盖电力系统 10%—20% 的日度电量调节需求[4]。用现在的存量对照这个终局，缺口是以数量级计的。

目前装机主力是锂电储能，它响应快、效率高，但经济性窗口主要集中在 1—2 小时的短时调节。当新能源占比继续上升，电网需要的是 4 小时、8 小时乃至跨天的长时储能，这恰恰是锂电成本曲线最难覆盖的区间。把两条主流技术路线放在一起看，差异一目了然：

这就是为什么滑铁卢大学这项研究的价值，需要放在「长时储能缺口」的大背景下来读。

🔋 向自然借结构：电极是液流电池的胜负手

液流电池的逻辑，和锂电完全不同。

它的能量储在流动的电解液里，功率由电堆决定、容量由电解液决定，两者解耦——想多存电，加罐子就行。同时，水系电解液不易热失控，天然适合「大罐子、长时间、放户外」的电站级场景。理论上，它是风光大基地长时储能的高契合候选。

但液流电池一直没真正放量，卡点就在效率与成本，而这两项都指向同一个关键部件：多孔电极。电解液能否在电极内部顺畅高效地移动，直接决定了储能与释能反应进行得有多充分——电极的传质阻力既吃掉电压效率，又抬高泵送功耗，是液流电池「效率吃亏」的最大来源。

这次，加拿大滑铁卢大学的科学家从自然结构中汲取灵感，重新设计了氧化还原液流电池的多孔电极。相关论文发表于最新一期《储能杂志》（Journal of Energy Storage）。根据论文披露的数据，新电极以仿生分级孔隙结构优化了电解液在电极内部的流动路径，与传统商用碳毡电极相比[5]：

• 流动压降降低约 50%，直接削减了长期被诟病的泵送功耗；
• 电化学活性反应面积提升约 2 倍，在 100 mA/cm² 电流密度下电压效率提升约 8 个百分点；
• 在长期循环测试中库仑效率稳定在 99% 以上，500 次循环后性能衰减低于 2%。

需要说明的是，这是实验室尺度的电堆级数据，距离 GW 级工程验证还有距离；但方向是明确的——它同时打在了液流电池两大短板（效率损耗、运行成本）上。

这个突破的意义大于单点价值：液流电池的正面价值是「存得多、放得久、烧不着」，负面短板是「反应不够充分、效率吃亏」。当电极设计能够让电解液的流动效率系统性提升，等于是在直击它离产业化的最后一公里。更重要的是，这项技术瞄准的，正是风能和太阳能发电产生的大量电能的「便捷、安全」储存——研究团队的表述，几乎就是对电网痛点的直接回应。

需求端其实已经先于技术端动起来了，这些都有公开记录可查：2022 年 10 月，全球迄今规模最大的全钒液流电池储能电站——大连恒流储能电站一期 100 MW / 400 MWh 在大连并网，已连续运行数年[6]；2024 年，中核汇能启动 GWh 级全钒液流电池系统集中采购，这是液流电池首次进入央企大规模集采序列[7]；政策层面，新疆、内蒙古等风光大基地集中省份已要求新建新能源项目按 4 小时以上时长配置储能，直接跳过了锂电的经济性舒适区，为长时技术路线留出了招标窗口[8]。

🚗 车、网、算：一张电网，三种玩家

把三条新闻线放在一起，能看到一个正在成型的产业格局。

爱建证券在点评 Robotaxi 时指出，其商业化验证正在加速，市场或低估运营效率与长期盈利模式的价值。更关键的是这句：Robotaxi 重塑车—网—算的价值分配，价值核心从传统模式下的品牌、渠道与制造能力，转向自动驾驶算法、AI 算力、车端芯片及运营网络；掌握全栈算法与整车制造的头部车企，能率先规模化交付而受益[9]。

把这个判断外推到电网侧，逻辑同样成立。当 Robotaxi 车队规模化，每一辆车既是算力终端，也是可调度的电力负荷——高峰时它是电网的压力，未来配合车网互动（V2G），它也可以是分布式的调节资源。移动的算力、流动的电能、集中的推理中心，三者最终都要在同一张电网上结算。

过去一周发生的几件事，几乎可以串成一条时间线：

• 2026年9月3日 : GPT-6 Astra发布
• 2026年9月3日 : Brockman称可能已到AGI
• 同期 : Wayve与Uber落地伦敦Robotaxi
• 同期 : 滑铁卢大学发表液流电池新电极研究

一个管云端算力，一个管车轮上的算力，一个管电网里的能量时间搬运。看似不相干，实则共用同一个物理约束：电力系统的调节能力。

沿着这条线，产业价值的分配也在迁移。Robotaxi 产业链上，从运营网络到感知硬件再到车端芯片，各环节的受益逻辑已在券商研报中被反复拆解，此处不再罗列个股；真正值得投资者单独盯住的，是电网链条上尚无明确定价的那一环——长时储能。谁先在长时储能的成本曲线上做出拐点，谁就拿下了 AI 时代的「电力缓冲区」，而这个环节当前的产业共识，正是液流电池最有可能率先跑通的路线。

💡 谁先上桌，谁先定价

AGI 是不是真的来了，业界还会有争论。但有一个判断可以现在就下：智能的规模化，必然带来电力调节需求的规模化。

液流电池过去十年的问题，从来不是「有没有用」，而是「贵不贵、效率够不够」。当滑铁卢大学这样的基础研究在电极这一胜负手部件上给出新解法，当 AI 与 Robotaxi 同时把电力需求曲线推向新的陡峭段，液流电池面对的，是一个需求端和技术端同时改善的窗口期。

产业史的经验反复证明：一项技术的成本拐点，往往不是在实验室里等来的，而是被下游需求「拽」出来的。

这一轮，拽它的手，可能是 AGI。

回到开头那句话。Brockman 说「我们可能已经到达 AGI」，留了后路，加了「可能」。但无论这个判断成立与否，AI、Robotaxi、储能这三条线已经在同一张电网上交汇：算力要电，车轮要电，电网要把电在时间里搬来搬去。液流电池借仿生电极迈出的这一步，未必立刻改变格局，却清晰标出了方向——下一个被产业重新定价的，大概率不是更聪明的模型，而是能让模型和车轮持续运转的电力缓冲能力。

参考信源

[1] IEA,《Energy and AI》特别报告（2025年4月）：全球数据中心用电量预测

[2] 中国信息通信研究院：《中国绿色算力发展报告》相关能耗测算

[3] 国家能源局（2025年1月）：全国新型储能装机统计；中关村储能产业技术联盟（CNESA）历年《储能产业研究白皮书》

[4] LDES Council × McKinsey: Long-Duration Energy Storage: The Path to Net Zero（2022）

[5] 滑铁卢大学多孔电极研究，《Journal of Energy Storage》最新刊；性能数据以论文披露口径为准

[6] 大连恒流储能电站一期并网公开报道（2022年10月）

[7] 中核汇能全钒液流电池系统集采招标公告

[8] 新疆、内蒙古自治区发改委新能源项目储能配置政策文件

[9] 爱建证券 Robotaxi 行业点评报告

（注：本文为产业观察，涉及实验室数据的部分以论文披露口径为准，不构成投资建议。）