六位专家探讨AI与电力的“双向奔赴”

来源：中国电力报

在科技变革的浪潮中，AI与电力的交织正重塑能源版图。电力是AI运行的基石，为其提供稳定可靠的能源支撑，没有电力持续赋能，AI的复杂运算、海量数据处理便如无本之木。而AI能精准预测电力负荷，优化电网调度，让电力分配更科学高效；助力设备智能运维，及时发现隐患，保障电网安全稳定运行。二者相互依存、协同共进，正开启能源与智能融合的新阶段。本专题将深入剖析它们的互动关系，呈现这场深刻变革。

持续加强电力开源技术生态体系建设

​游敏

近期，DeepSeek开源和开放的特点引发了广泛关注。截至2月3日，DeepSeek V3的Github仓库的Star数已达到69.3k、Fork数已达到10.5k，且其热度还在持续走高，市场份额也在不断扩大。在数字化浪潮席卷全球的当下，开源技术已然成为推动各行业创新发展的关键驱动力。对于电力行业而言，电力开源技术生态体系建设不仅关乎自身的数字化转型与升级，更对国家的能源电力安全和国民经济的高质量发展具有深远意义。

电力行业构建开源技术生态体系的​深远意义

在数字革命与能源革命深度融合的时代背景下，能源电力行业正加速向数字化、智能化转型升级。在新型电力系统建设过程中，开源技术扮演着关键角色，加速了新一代数智化技术与电力业务的融合，为电力行业实现新型工业化注入了强大动力。

提升电力物联网设备管理效能。随着电力物联网设备数量的迅猛增长以及设备复杂度的不断提高，“碎片化”问题日益凸显，成为制约电力物联网发展的瓶颈。目前，电力行业的操作系统大多针对单一业务、单一场景开发，难以满足多业务协同、数据共享以及设备即插即用等需求。电力业务场景丰富多样，涉及众多智能终端类别和庞大的生态厂商群体。若能采用一种或少数几种通用操作系统满足各类应用场景需求，将极大地提升电力物联网的建设和运行效率。当前，这一理念正逐渐成为行业共识，“电鸿”操作系统的成功实践便是例证。截至目前，其已完成60款芯片、12款模组及54类电网设备的适配工作，覆盖85%的电网核心和重要业务，吸引超过300家产业链厂商加入其生态，超800款终端开展适配，带动超7亿的生态设备协同发展，有效提升了电力物联网设备的管理水平。

降低电力系统建设与维护成本。传统商业软件往往伴随着高额的授权和升级费用，这无疑给电力企业带来了沉重的经济负担。相比之下，开源软件具有免费获取和使用的优势，电力企业无需为软件授权支付巨额资金。哈佛商学院战略小组在2024年初发表的论文中指出，如果没有开源软件，企业在软件方面的支出将是现有水平的3.5倍。此外，开源社区的持续更新和维护机制使电力企业能够及时获取新功能和安全补丁，且无需支付额外的升级费用。例如，国电南京自动化股份有限公司在利用开源技术完成代码开发的同时，积极将开发过程中遇到的问题反馈给开发者，不仅确保了问题的及时修复，还进一步提高了开源库的代码质量，实现了开源社区开发的良性互动，有效降低了开发和维护成本。

优化电力系统数据运营水平。随着数字化转型的加速，数据已成为电力企业的核心生产要素。然而，数据量的快速增长和业务复杂度的提升对数据运营提出了挑战。一是需要对数据全生命周期进行深度管理，确保业务数据质量、数据血缘关系以及数据传输链路的稳定性；二是数据资源管理需更加精细化，以降低“冷数据”对存储与算力资源的占用，提高数据运营效率；三是需要建立统一的运营工具管理入口，提升数据运营的效率、可靠性和及时性。为应对这些挑战，电力企业可以借鉴和融合成熟的开源软件，打造功能与性能兼具的数据血缘全景监测分析工具，实现对数据中台、数据全链路、全生命周期的精准管理，提升数据运营的智能化与标准化水平。例如，国网天津市电力公司基于开源软件构建数据血缘图谱能力，并推出基于数据血缘技术的企业级数据管理运营平台，为数据中台的高效运营管理提供了坚实的技术和数据支撑。

电力行业开源技术生态体系构建面临的挑战

尽管开源技术为电力行业带来了诸多机遇，但在发展过程中也面临着一系列风险和痛点，涵盖标准规范、生态建设以及安全风险等多个层面。

开源技术体系标准规范有待加强。电力行业涉及大量设备和系统，开源产品通常无法提供完整的技术解决方案，项目实施过程中需要整合多个开源产品。不同厂商的设备和技术标准不统一，导致在适配对接和二次开发过程中耗费大量时间和人工成本。虽然电力企业在技术研发和供应链管理方面已开始加强对开源软件的管理和规范，但目前仍缺乏行业性、系统性的标准体系作为指导，这严重制约了开源软件在电力行业的应用效率。

电力系统的安全管控面临新挑战。开源技术的广泛应用以及电力控制网络逐渐对外有限开放，给电力系统安全带来了新的挑战。首先，开源软件安全性存在未知漏洞和潜在风险。新思科技网络安全研究中心发布的《2023年开源安全和风险分析》报告显示，84%的代码库至少包含一个已知的开源漏洞，与2022年相比增加了近4%。其次，多数软件开发者版权意识淡薄，容易留下版权漏洞，如不规范使用开源代码、删除或修改许可证、衍生代码闭源分发等行为，可能引发侵权诉讼或导致产品无法商业化。再次，开源软件安全性审查困难，一方面是由于电力行业供应链复杂，开源技术使用过程中缺乏专业的安全审查机构和流程；另一方面，电力企业自行建立开源安全审查系统难度较大。

开源技术生态体系构建亟待完善。当前，国内开源项目在全球开源项目中占比较低，电力开源领域讨论咨询的时效性和通畅性较差。开源生态的完善程度直接影响开源项目的应用和发展，因此电力领域开源生态建设亟待加强。开源社区是开源生态的重要一环，开源社区的多元化和活跃性给管理带来挑战，需要熟悉开源软件和电力行业特点的行业协会等第三方制定管理办法，维护社区秩序和活力，推动电力开源软件的规范化和应用场景拓展。此外，行业内还需要成立权威的第三方组织，组织开源应用建立统一标准和流程，解决资源分散、技术混乱和版本不兼容等问题。我国开源技术自主化程度不断提高的同时，也需要第三方组织培育和促进开源文化的发展。

随着开源技术的发展，以人工智能为代表的新技术也加入了开源行列。DeepSeek开源人工智能一经推出就受到各界关注，用户突破1亿仅仅用了7天，创造了互联网用户发展的新纪录，这反映出了开源模式的强大吸引力。推动企业开源技术共享和业务协同，是电力行业协会提升产业链资源优化配置和动态协调水平的重要举措。在新技术浪潮中，电力行业协会可充分发挥自身优势，积极探索通过会员“共建、共享”，促进行业企业“共治、共赢”，推动产业上下游形成新的“融合、共生、互补、互利”的合作模式和商业模式，从而为电力行业的高质量发展贡献力量。

（作者系中国电力发展促进会常务副会长兼秘书长）

提前规划生成式人工智能发展用能问题

​吴嘉仪 林卫斌

我国高度重视人工智能发展，将其放在国家战略层面系统布局、主动谋划。作为人工智能领域的重要分支，生成式人工智能近年来取得飞速发展，普及应用加速。然而，随着发展速度和应用规模的不断提升，随之带来激增的能源需求可能成为制约生成式人工智能可持续发展的关键因素之一，同时给“双碳”目标带来挑战，其用能问题亟须以预见性思维提前考虑和规划。

生成式人工智能发展对能源消费提出更高要求

世界经济论坛发布的《人工智能的能源悖论：机遇与挑战的平衡白皮书》指出，生成式人工智能推理阶段的电力消耗占比已高达60%~70%，且这一比例随着生成式人工智能的普及将进一步上升。

对于生成式人工智能的能耗问题，有两点需要明确。首先，相较于生成式人工智能在模型训练阶段的高耗能，其涉及应用的推理阶段能源消耗更为巨大，且是持续性的。当前，我国网络消费市场中，主流的社交应用程序、传统的搜索引擎以及其他类型的应用程序都已接入生成式人工智能服务。生成式人工智能赋能传统搜索模式向定制化和智能化服务转型已成为主流趋势，这些转型的背后，伴随的是推理阶段能耗的进一步攀升。相关研究表明，将生成式人工智能模型嵌入搜索引擎中，每条搜索给服务器硬件设施带来的能耗将是传统搜索引擎的10倍。当常用应用（如微信、百度、淘宝等）的搜索功能和优化都嵌入生成式人工智能时，推理阶段的能耗将呈指数级增长。在应用搜索功能完全嵌入生成式人工智能的情景下，按11.08亿网民日均搜索5次的规模进行保守估算，生成式人工智能推理阶段的年能耗量将与三峡水电站全年发电量相当。

其次，一些观点认为，随着大语言模型算法的优化、研究人员对硬件的深度挖掘、硬件性能的提升以及人工智能反哺优化电力消耗，这些措施可以有效抵消生成式人工智能在使用时不断增加的能耗。这一观点可能过于乐观，忽视了杰文斯悖论，即技术进步提升资源利用效率后，需求提高使得资源消耗非降反升的现象。正如市场调研机构IDC和服务器厂商浪潮信息联合发布的《2025年中国人工智能计算力发展评估报告》指出，DeepSeek模型带来的算法效率的提升并未抑制算力需求，反而通过技术普惠化、场景纵深化和算力泛在化三重路径推动生成式人工智能大模型的应用落地，从而带动了算力需求增加，这必然伴随着能耗的增加。

可以预见，生成式人工智能的普及将带来巨大的能源消耗。确保其可持续发展的关键在于科学评估其发展所需能源需求规模和演变趋势，并进行前瞻性的规划和部署。

生成式人工智能发展对区域协调提出更高要求

生成式人工智能算力需求爆发式增长带来的用能需求激增可能产生两方面不容忽视的影响。

一是对局部地区电网运行的影响。随着新型能源体系建设进程中可再生能源比例不断提升，发电侧的不确定性增加，生成式人工智能的前期训练会导致局部地区电网出现突发性高负荷，源荷双重不确定性将对局部地区电网稳定运行带来挑战。这就要求加强区域电力规划与调度协作，确保电网的可靠性和稳定性。

二是对“双碳”目标实现进程的影响。在发电结构仍以煤为主的情形下，若生成式人工智能用电增量不能实现以非化石能源为主，势必带来二氧化碳的大量排放。同时，随着生成式人工智能发展驱动数据中心等基础设施需求增加，相关基础设施的建设和运行所消耗的大量能源都将进一步加剧碳排放。此外，如果生成式人工智能集聚在东部发达地区，其电力消费所导致的间接排放可能会影响区域间的碳减排公平性。在推动生成式人工智能发展的同时，确保其与“双碳”目标相协调，关键仍在于合理规划其能源使用，同时要将区域减排责任平衡问题纳入考虑。

针对生成式人工智能用能的三点建议

一是构建政策协同机制，推动生成式人工智能与绿色电力协同发展。将生成式人工智能发展纳入能源电力发展规划考量，基于其发展趋势、空间特征，动态优化电力资源布局。同时，积极引导产业布局，鼓励生成式人工智能企业在清洁能源丰裕的地区进行异地部署。此外，通过政策推动生成式人工智能企业积极参与绿电、绿证交易，为生成式人工智能发展提供可靠、绿色电力保障。

二是强化系统性科学研究，构建多维应对策略体系。在持续深化硬件优化、算法改进等技术研究的同时，应积极引入社会科学研究力量，从法律框架、监管政策、金融激励等多维度探索生成式人工智能可持续发展的可行路径。同时，在研究时需要考虑到人工智能技术发展的不确定性，避免用线性思维分析其未来用能趋势，应考虑多情景下的动态评估，以更加全面和前瞻的视角制定应对策略。

三是提升公众认知水平，培育环境可持续共识。目前，公众对生成式人工智能能耗问题的认知不足，普遍将其视为一种无形的、存在于网络中的虚拟服务，未能意识到每一次提问背后都伴随着能源的消耗。亟须通过媒体宣传、政策倡导等途径加强公众认知，形成社会共识，推动生成式人工智能向着环境可持续的方向发展。

（作者吴嘉仪系浙江财经大学中国政府监管研究院助理研究员；作者林卫斌系北京师范大学经济与工商管理学院教授）

DeepSeek如何影响算力行业电力需求

​刘键烨 刘睿 李心达

DeepSeek通过模型算法优化，在显著降低训练成本与能耗的情形下，实现了与国际顶尖大模型相当的智能水平。对于算力行业的电力需求而言，一方面，DeepSeek的系列优化技术可以有效减少芯片运算，降低当前算力行业的电力需求；另一方面，DeekSeek将适配更多的国产GPU芯片，有效缓解“卡脖子”问题并激发社会的普遍应用，进而导致用电总量的提升。因此，有必要分析DeepSeek的电力影响逻辑，研判未来算力行业的电力需求变化趋势并有效应对。

技术上看，DeepSeek引领的算法优化、叠加开源的传播优势，将促使算力行业由“算力”驱动转向“算力+算法”并重，进而影响未来算力行业的电力需求。

以ChatGPT为代表的传统大模型，主要由堆砌算力和样本量提升大模型能力。DeepSeek带来的系列大模型技术，通过“样本、架构、编程、应用”四方面优化算力需求，将影响未来算力行业的电力需求逻辑。

样本方面，传统的通算、智算训练一般采用32位或16位精度，而DeepSeek的训练采用了16位和8位混合精度框架。如未来算力行业均采用该精度，则相较于传统的32位精度，训练量将降低50%，甚至75%。且随着GPU芯片对低精度样本更好地适配，将带来算效的提升，从而使训练能耗显著降低。

架构方面，通过仅激活部分参数，大模型推理可以实现更低的算力消耗。DeepSeek的MLA和MOE架构，相较于其他大模型激活的参数量占比更少，叠加“开源”优势，有望吸引其他大模型模仿学习。若其他大模型未来推理过程中，激活参数占比降至DeepSeek同等水平，则能够整体降低推理能耗的60%~70%。

编程方面，DeepSeek通过高水平编写更底层的PTX语言，绕开英伟达成熟的CUDA架构，提升GPU利用率（MFU）约60%，向全球展示了算力紧张情景下的高效解决方案。但该技术的实现依赖于高级编程人才，预计多数大模型公司仍将选择CUDA架构，未来能耗压降有限，但能有效缓解算力“卡脖子”问题。

应用方面，DeekSeek使用知识蒸馏技术，从6710亿全参数模型中蒸馏出15亿、70亿、140亿、700亿参数的多类型小模型，避免重新训练。由于“免费+开源”的叠加效应，DeepSeek极大降低了大模型应用门槛，预计未来社会应用将爆发式增长，带动能耗的整体上升。

行业来看，DeepSeek引发的生态变革，叠加国内政策与国际竞合因素，将促使社会应用需求发生变化，预计未来将呈现出“先稳后升”的用电态势。

模型技术主要影响算力需求，除算力需求外，用电量还受到数据中心PUE、算力设备负载率等因素的综合影响。DeepSeek引发模型技术之外行业生态变革，可能改变行业生态因素，从而影响整体用电需求。

目前，我国智能算力占比不足40%，虽然预计在2028年将达到75%，但目前仍以通用算力为主。DeepSeek带来模型技术变革，当前主要作用于智算行业，通算和超算行业应用该类技术需进一步适配和调整。因此，DeepSeek带来的能耗压降影响，将不会在短期内大量释放。

传统大模型对算力规模的高要求，决定了主要的训练工作在中大型算力中心完成。DeepSeek对算力规模需求的降低，将使得中小型算力中心也具备模型训练和微调的能力。一方面，社会使用的扩大将对冲掉部分先进技术对能耗的压降；另一方面，中小型算力中心PUE（约1.3~1.5）相较于大型算力中心PUE（约1.1~1.3）普遍较高，也将对冲掉部分能耗压降的规模。

目前，英伟达GPU市场占有率超过90%，随着AMD、华为等公司宣布针对DeepSeek进行芯片适配，英伟达的芯片垄断将被打破，引入竞争将进一步降低GPU价格。根据杰文斯悖论，预计芯片国产化适配后，未来大模型在制造、信息、材料、家居等行业的应用将更为普遍，长远来看将进一步拉升全社会用电量。

能源行业有必要积极关注社会训练、推理算力的用电趋势分化，未来可以考虑将部分社会应用模式创新纳入能源行业大模型应用体系。

从全国一体化算力网加快建设的态势来看，未来训练需求将集中于各枢纽节点。短期内，DeepSeek模型优化技术将对冲训练需求上升，电力电网设施配套不宜过早、过多、过快；长远看，未来训练算力需求将持续增加，枢纽节点是算力保电重点，有必要因时因地、分层分级地精细划分裕度区间，避免资源错配错位。

研究认为，由于数字、电商、高端制造等产业的聚集效应，以及大模型应用的可复制性和扩散效应，DeepSeek带来的社会应用增长，将率先在数字经济发达区域出现，需及时研判供电保电压力变化。

DeepSeek类蒸馏小模型推理算力需求低、能耗低、开源优势明显，有望在用户侧以小规模算力实现大量部署，催生出多种创新应用模式。建议持续关注社会应用模式创新，优化能源行业“集中—分散”硬件资源布局，借鉴纳入无人机智能巡检、智能机器人等能源行业专业应用。

（作者单位：国网能源研究院有限公司）