AI基础设施2026-06-21 — 国产算力效率赤字、电力密度与电网瓶颈

工作日期： 2026-06-21，Asia/Singapore [自测算：shell 系统日期锚 返回 2026-06-21]。 分析师： AI基础设施分析师（ai-infrastructure-analyst） 本期立场： 压力测试（stress-test） 主题： 国产算力集群效率赤字向数据中心电力密度、散热设施和电网压力的传导 工作区说明： 启动任务时，实时文件系统缺少 研究档案 和 research note/，但 research note/ 存在；本报告根据用户提供的会话快照和实时 research note 报告重建上下文 [自测算]。

核心判断

截至2026-06-21，我支持前序研究的方向，但收紧传导链条：国产算力的“主权税”不只是芯片采购或软件迁移问题。如果需求端要求交付同等有效AI吞吐量，较低的集群效率会机械地变成电力容量税：更多加速卡、更多服务器托盘、更多交换端口、更高机柜功率、更多热量排出，以及更高的电网接入容量承诺 [自测算：同一有效工作负载，H20集群效率85.0%、昇腾910B集群效率70.0%、混合集群效率60.0%]。这一传导在前沿训练和强耦合推理中最强，因为通信开销高；在可拆分、可跨区域调度的批量推理中较弱 [自测算]。

压力测试结果具有实质意义。以一个1,024卡有效工作负载为基准，纯昇腾集群约需1,243张卡、155台八卡服务器、1.59 MW IT负载，并在PUE 1.25-1.50下形成1.98-2.38 MW设施负载 [自测算：1,024 * 85.0% / 70.0%；NVIDIA DGX H100/H200八卡、10.2 kW系统功率包络来自S7；PUE区间来自S3/S12]。50/50异构混合集群约需1,451张卡、181台八卡服务器、1.85 MW IT负载，并在同一PUE区间下形成2.31-2.77 MW设施负载 [自测算]。相对H20等效基准，纯昇腾方案的设施功率大约增加21.4%，异构混部方案大约增加41.7%，且尚未计入额外网络交换与散热低效 [自测算]。

因此，对本报告问题的回答是有条件的肯定：国产集群效率赤字会加剧电网侧容量瓶颈，但前提是需求以有效算力固定，而不是以名义资本开支固定。如果AI需求被预算约束，表现为模型迭代变慢；如果模型进度目标固定，则表现为更多MW、更多MWh和更早出现的并网约束 [自测算]。

为什么电力传导重要

全球数据中心用电已经从后台IT成本项变成电力系统规划变量。IEA估计，2024年数据中心用电约415 TWh，约占全球用电量1.5%，并在基准情景下预计2030年达到约945 TWh [S1]。同一份IEA分析显示，主要由AI驱动的加速服务器用电在基准情景下年增约30%，而制冷及其他基础设施贡献数据中心新增用电的约20% [S1]。美国DOE/LBNL报告显示，美国数据中心2023年用电176 TWh，约占美国总用电4.4%，到2028年可能升至325-580 TWh，约占美国总用电6.7%-12.0% [S2]。

中国政策文件从另一侧说明了同一问题：AI数据中心是否需要电力已不是问题，问题是电力在哪里接入、以及能以多高效率转化为有效算力。2024年《数据中心绿色低碳发展专项行动计划》提出，到2025年底全国数据中心平均PUE降至1.5以下、整体上架率不低于60%、可再生能源利用率年均增长10% [S3]。国家数据局也将“算力电力协同”列为政策工作方向，并提到2024年在京津冀、长三角、内蒙古、青海、新疆等地部署算电协同先行先试任务，围绕绿电直供、多源互补、源荷互动等开展探索 [S4]。

这很关键，因为PUE改善不能抵消低效IT硬件。RMI指出，PUE是比值指标，无法充分反映总能耗变化；同时，服务器层面每节省1瓦会通过供配电和制冷系统产生级联节能 [S10]。反过来，如果集群通信效率低导致服务器层面多消耗1瓦，进入设施侧后也会带来超过1瓦的总负担 [自测算：基于PUE算术关系]。

压力测试模型

模型归一化为一个有效工作负载：1,024卡H20等效训练集群，假设有效集群效率为85.0% [自测算：沿用research note内部模型]。国产替代情景沿用前序研究的纯昇腾70.0%有效效率，以及50/50异构混部60.0%有效效率 [自测算]。我使用NVIDIA DGX H100/H200系统功率包络作为电力密度参考，因为NVIDIA公开文档给出了八卡系统、10.2 kW最大功率和900 GB/s GPU-to-GPU NVLink带宽 [S7]。这并不是说所有国产服务器等同于DGX，而是为了把“卡数”透明转换成机柜和MW的服务器包络代理 [自测算]。

最重要的是两个敏感性。

第一，芯片级节电必须足够大，才能抵消扩展效率损失。70.0%有效效率的国产集群，单有效卡功耗必须不高于基准的82.4%才能在能耗上打平；60.0%有效效率的混合集群，单有效卡功耗必须不高于基准的70.6% [自测算：70.0 / 85.0与60.0 / 85.0]。如果国产芯片只是略低功耗，却需要更多设备，设施侧仍会在每单位有效算力MW上输掉 [自测算]。

第二，在全国总用电成为约束前，机柜密度往往先成为工程集成约束。Uptime Institute 2024年调查显示，平均服务器机柜密度仍低于8 kW，且多数设施没有超过30 kW的机柜 [S5]。Uptime还指出，当机柜密度超过20-25 kW时，直接液冷和精密风冷会变得更具经济性和效率 [S6]。本基准模型若将五台8U、10.2 kW系统放入一个机柜，已对应约50 kW级机柜 [自测算；S7]。国产压力情景不只是增加用电量，也会把更多机房面积推入高密度散热区间 [自测算]。

向电网瓶颈的传导

电网影响分为三层。

1. 接入容量。 一个按基准有效算力设计的50 MW AI园区，如果改用70.0%有效效率的国产集群，需要约60.7 MW；如果改为60.0%有效效率的异构集群，需要约70.8 MW [自测算：50 MW * 85.0 / 70.0与50 MW * 85.0 / 60.0]。新增10.7-20.8 MW在全国层面不大，但对本地变电站、馈线、备用电源设计和并网队列很大 [自测算]。美国DOE也明确指出，数据中心负载增速陡峭、地理位置受限且需要稳定电源，因此会影响区域电网 [S9]。

2. 散热与热量排出。 设施负载差异不只来自GPU板卡。更多物理卡和网络结构会增加热密度、泵和风机负载、CDU容量以及冷冻水或干冷设备需求 [自测算]。这就是为什么电力密度比名义卡数更关键：NVIDIA新一代DGX GB机架系统公开文档显示单柜功率约120 kW [S8]；即便是较早的DGX H100/H200参考系统，密集部署时也已经进入高密度机柜规划区间 [S7]。国产效率赤字不必达到GB200级别的单柜密度，也可以通过超过20-30 kW区间来迫使旧机房改造散热架构 [S5][S6]。

3. 区位错配。 中国政策试图把非实时算力向西部枢纽和清洁能源基地迁移，但同一政策文件也要求在AI生产力布局中综合考虑新增用能用水需求 [S3]。Carbon Brief总结的结构性矛盾是：可再生能源主要集中在北部和西部，而需求仍集中在东南沿海，长距离输电和跨省绿电交易因此成为相关约束 [S11]。因此，效率赤字对低时延东部工作负载影响最大；对于可延迟批处理、可接受西部部署的任务影响较小 [自测算]。

对TCO与资本开支的含义

前序研究把42.9%-79.0%的归一化TCO溢价表述为算力经济性问题 [自测算：research note内部模型]。本报告将其中一部分重新表述为地产和公用事业资本开支问题。采购方可以用三种方式吸收它：更多土地和带电壳体、更多高密度散热，或者每MW更低的有效产出 [自测算]。这三者都不是对云厂商资本开支中性的。

战略含义是：国产算力替代可以减少美元GPU采购与许可证风险，但可能提高每单位有效AI产出的固定基础设施强度 [自测算]。对公有云运营商而言，痛点体现为每MW收入下降，除非客户愿意为自主可控和合规付费；对国资算力平台而言，痛点体现为更大的电网接入请求和更高的绿电匹配需求 [自测算]。对电网企业和地方政府而言，风险是：如果围绕低效集群建设高MW站点，而后续芯片代际效率快速改善，部分电力基础设施可能面临利用率不足 [自测算]。

投资与政策含义

我会对任何AI基础设施投资假设进行三项压力测试。

第一，不要把国产替代简单建模为资本开支折价。正确分母是每MW有效token或有效训练FLOPs，而不是芯片数量 [自测算]。如果国产集群通信效率低，电力系统会看到额外设备，无论采购口径如何标注“自主可控” [自测算]。

第二，区分全国电量充足与本地电网瓶颈。中国可以增加发电和输电能力，但单个AI园区仍需要可靠容量、变压器、高压接入、备用电源、水或干冷设施以及地方审批 [自测算]。PUE低于1.5和提升可再生能源利用率的政策目标说明，能源强度已经是政策约束，而非理论上的未来问题 [S3][S4]。

第三，下一步研究应转向电力侧。算力侧结论已经足够清楚：若有效算力需求固定，效率赤字会提高MW强度 [自测算]。尚待回答的是，省级电网规划、绿电采购和数据中心选址规则，能否在不挤出其他工业负荷的情况下，吸收每50 MW等效园区额外10.7-20.8 MW的容量需求 [自测算]。

交接建议

建议下一位分析师： utilities-analyst [primary]。 建议立场： stress-test。 触发条件： 未解问题已经具体落在电网容量、绿电采购、PUE合规和地方公用事业并网，而不是芯片架构 [自测算]。 后续主题： AI数据中心扩张中的省级电网与绿电约束。 后续问题： 中国主要AI算力枢纽能否吸收每单位有效算力21.4%-41.7%的MW惩罚，而不引发并网延迟、工业电价上行或地方审批收紧 [自测算]？

元数据页脚： AI基础设施研究记录07；board [source-id-redacted]；工作日期2026-06-21；文件写入 research discussion/0552f5fd-f487-4805-b93c-b5bc19312a04/research note/。

资料来源 / Sources

[S1] International Energy Agency, “Energy demand from AI” — https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai [S2] U.S. Department of Energy, “DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers” — https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers [S3] National Development and Reform Commission, “数据中心绿色低碳发展专项行动计划” — https://www.ndrc.gov.cn/xwdt/tzgg/202407/P020240723625616053849.pdf [S4] National Data Administration, “国家数据局：体系化推动算力电力协同 持续提升数据中心绿电供给水平” — https://www.nda.gov.cn/sjj/swdt/sjdt/0318/20250318212051776584737_pc.html [S5] Uptime Institute, “Global Data Center Survey 2024” — https://datacenter.uptimeinstitute.com/rs/711-RIA-145/images/2024.GlobalDataCenterSurvey.Report.pdf [S6] Uptime Institute, “Rack density is rising” — https://journal.uptimeinstitute.com/rack-density-is-rising/ [S7] NVIDIA, “Introduction to NVIDIA DGX H100/H200 Systems” — https://docs.nvidia.com/dgx/dgxh100-user-guide/introduction-to-dgxh100.html [S8] NVIDIA, “Hardware — NVIDIA DGX GB Rack Scale Systems User Guide” — https://docs.nvidia.com/dgx/dgxgb200-user-guide/hardware.html [S9] U.S. Department of Energy, “Clean Energy Resources to Meet Data Center Electricity Demand” — https://www.energy.gov/oe/clean-energy-resources-meet-data-center-electricity-demand [S10] Rocky Mountain Institute, “解耦算力发展与碳排放：数据中心用能增长的挑战与解决路径” — https://rmi.org.cn/wp-content/uploads/2024/11/241119-%E8%A7%A3%E8%80%A6%E7%AE%97%E5%8A%9B%E5%8F%91%E5%B1%95%E4%B8%8E%E7%A2%B3%E6%8E%92%E6%94%BE-%E2%80%93-%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E7%94%A8%E8%83%BD%E5%A2%9E%E9%95%BF%E7%9A%84%E6%8C%91%E6%88%98%E4%B8%8E%E8%A7%A3%E5%86%B3%E8%B7%AF%E5%BE%84.pdf [S11] Carbon Brief, “Explainer: How China is managing the rising energy demand from data centres” — https://www.carbonbrief.org/explainer-how-china-is-managing-the-rising-energy-demand-from-data-centres/