斯坦福研究显示，发达经济体的电网利用率为30%，由于协调系统过时，大量容量处于闲置状态。
系统灵活性提升1%，仅美国就有望释放100 GW容量，相当于避免投入5000亿美元基础设施资金。
波特兰通用电气的合作案例表明，激活潜在容量可使数百兆瓦算力提前数年投运。
各国竞相为AI革命提供动力之际，一种反直觉的策略正在浮现：制约技术领先地位的基础设施瓶颈，正通过代码而非铜缆和建设来破解。所谓灵活电网优化，有望比任何建设计划都更快地使有效容量翻倍，并对竞争力和气候目标产生深远影响。
萨提亚·纳德拉承认，微软有GPU集群闲置着——这些资产在不断折旧，等待着可能数年都无法到来的电力——这番话点明了AI时代的核心制约因素。萨姆·奥特曼推动每周建设一吉瓦新的AI基础设施，这揭示了AI雄心与能源现实之间错配的程度——这种落差已体现在项目延期、电力接入受限，以及算力闲置、等待电网供电等方面。
这已不再只是公用事业规划问题，而是关乎国家竞争力和人类福祉。
数据中心正推动电力需求增长
传统说法将其描述为基础设施短缺问题，需要大规模资本投入和长达数十年的建设周期。然而，研究发达经济体电网利用模式的斯坦福研究人员发现了一个颠覆整个问题认知的悖论：这些先进的电力系统利用率约为30%，大多数时段有三分之二的已装机容量处于闲置状态。
电网或许每年仅有约100小时会在罕见的用电高峰条件下面临容量限制。其余时间，大量容量都未被利用。
全球AI竞赛中的不同策略
世界正在采用截然不同的方法应对AI电力挑战，每种方法都体现了不同的制度能力和战略重点。
中国去年部署了近550 GW新增电力容量，而美国新增了53 GW。这种快速部署模式依托国家协调、集中决策，以及加快推进重大基础设施项目的能力。对于一个正在扩建电网以满足城市人口增长和工业发展的经济体而言，这种基础设施优先的做法具有战略合理性。
发达的西方经济体面临不同的情况。其成熟电网已服务于发达国家的人口，但使用模式显示出巨大的未开发潜力。每年只需不到100小时的灵活性管理，就有望在全国范围内释放100 GW有效容量——无需扩大基础设施规模，就能使电网容量翻倍。
关键在于认识到，哪种策略符合制度优势和基础设施现实。对于具备先进电网协调能力、能够为灵活性定价的市场结构，以及支持快速创新的监管框架的国家而言，智能优化路径优势显著：部署周期以月计，而非以十年计；资本需求大幅降低；并且与脱碳目标天然契合。
从能源短缺走向能源充裕
这种转变意味着利用AI让电网本身变得更智能，而不只是让AI工作负载变得灵活。这是优化问题，而非短缺问题。
电力系统是在僵化的用电模式下演进而来的，其规模按最极端的峰值时段设计，而这类时段只占全部时间的<0.1%，导致其余时间大量已装机容量未得到充分利用。机遇不在于改变数据中心何时用电，而在于部署AI，实时协调系统的每个组成部分。
GridCARE与AI基础设施开发商及波特兰通用电气的合作，展示了这一理念如何大规模落地。通过部署预测性AI模型，提前数小时预测可再生能源发电量和需求；战略性协调电池与备用系统；并动态管理整个电网的负荷，波特兰通用电气已将数百兆瓦计算容量的投运时间提前数年，且无需新建发电或输电设施。
这种方法将经过验证的技术整合为一个以AI为核心、统一协调的系统：
生成式AI预测，以前所未有的准确度预测电网状况。
自动协调电池储能和虚拟电厂。
根据系统限制实时优化数据中心的用电。
必要时，通过地理分布式计算将工作负载转移到电力充裕的地方。
这些技术如今都已存在。创新之处在于利用AI将它们整合起来并大规模部署。
AI、数据中心与能源的现实
人们担心数据中心会推高电价，实际情况恰恰相反。
输电网络、配电系统、变电站等电力基础设施的固定成本，无论其利用率是30%还是90%，都客观存在。当数据中心在非高峰时段和低需求时段用电时，这些固定成本就会分摊到更多千瓦时上，从而降低所有用户的平均电价，而非推高电价。
GridCARE近期的分析显示，利用电网闲置容量的1 GW数据中心，可使普通消费者的电费最多降低5%，即每年100美元。让数据中心成为灵活的合作伙伴，吸纳可再生能源过剩电力并分担电网成本，公用事业公司便能在扩容的同时降低账单。
这一原理并不局限于数据中心。随着交通和建筑电气化，优化AI工作负载的同一套协调能力也可用于管理车辆充电和热泵运行。针对一种灵活需求来源优化的电网，对所有灵活负荷都更有价值。
最快、最便宜、最清洁的兆瓦，是无需建设的那一兆瓦。
我们这一代最重要的基础设施项目
这项基础设施挑战将决定谁能引领AI时代。谁先解开电力难题，谁就将塑造未来十年的技术发展和经济竞争力。
通过代码而非主要依靠建设，在五年内使电网规模翻倍，不只是可能做到的事。对于寻求保持技术领先地位、同时加快实现气候目标的成熟经济体而言，这或许是可用的杠杆效应最高的策略。
充裕并非始于拥有更多资源，而是始于明智地利用现有资源。这一机遇可能重塑我们为AI提供动力的方式，也重塑我们对基础设施、资源充裕，以及技术进步与资源限制之间关系的认知。
