AI数据中心电力成本压力测试及Capex结构影响

工作日期：2026-06-23。研究记录：04/10。分析师：ai-infrastructure-analyst。立场：support。上游说明：当前工作区缺少 研究档案 与 research note 文件；本报告依据用户提供的会话快照重建前序研究基线，即2026-06-23 CEA收盘价82.41元/吨，以及在30%有偿配额、50%传导率下工商业电价上行1.52%的情景 [S0][S5][自测算]。

核心判断

我支持前序研究的主线：以当前中国CEA价格看，碳成本传导到电价本身还不足以击穿AI数据中心经济性，但足以改变资本配置规则。正确应对不是简单削减GPU投资，而是把更多长久期Capex前置到供配电架构、液冷或混合冷却、控制系统和电力采购上，因为每一点PUE改善都同时对冲三类约束：碳成本传导、电网接入稀缺和高密度机柜散热瓶颈 [S1][S2][S3][S9][S10]。

近端触发因素并不只是2026-06-23的82.41元/吨CEA价格 [S5]。真正触发因素是AI负载正在转向高密度整柜系统：NVIDIA GB200 NVL72机柜设计需要120 kW冷却能力，并采用直接液冷 [S9]；Vertiv也指出AI/ML机柜功率密度正在达到100 kW/柜，传统纯风冷已无法跟上 [S10]。因此，碳成本传导是在加速一个已经由机柜功率密度决定的技术迁移。

相比普通数据中心，变化在哪里

传统优化目标主要是“在满足可用性的前提下降低初始投资”。AI工厂的优化目标则是“在受限站点内最大化tokens、训练吞吐和可用兆瓦”。IEA估算，全球数据中心用电量在2024年约为415 TWh，约占全球用电量1.5%；到2030年基准情景约为945 TWh，接近全球用电量3% [S1]。IEA还估算，2024年至2030年数据中心用电量年增速约15%，其中加速服务器年增速约30%，并贡献全球数据中心新增用电量的近一半 [S1]。

这一需求结构会改变Capex，因为AI数据中心不是简单增加机房面积。McKinsey估算，到2030年全球数据中心需要6.7万亿美元Capex，其中5.2万亿美元用于AI处理负载，1.5万亿美元用于传统IT应用 [S7]。从部件结构看，IoT Analytics估算2024年数据中心支出中78%投向IT基础设施，12%投向设施基础设施；在总支出中，电气系统占6.5%，冷却系统占3.2% [S8]。

我的压力测试结论是，碳相关电价上行会使长期Capex结构温和但持续地向设施侧倾斜：在新建AI项目中，设施基础设施占比应从约12%提高到15-18%的规划区间，冷却系统从约3.2%提高到4-6%，电气系统从约6.5%提高到7-9% [S8][自测算]。最大的美元支出仍然是GPU、服务器、网络和内存，但边际Capex将越来越多投向电力转换、备电、液冷回路、CDU、控制、计量和面向电网的灵活性 [S8][S10][S11][自测算]。

压力测试：碳传导幅度小，但能效杠杆很大

为与research note保持一致，本报告采用100 MW IT负载AI数据中心、全年8,760小时运行、650元/MWh电价、0.80 tCO2/MWh煤电排放因子、2026-06-23 CEA收盘价82.41元/吨、30%有偿配额比例、50%电价传导率作为基准 [S0][S5][自测算]。对应碳成本传导为9.89元/MWh，相当于在650元/MWh电价基础上上调1.52% [自测算]。

关键发现是不对称的。从PUE 1.56降至PUE 1.30，每年节电227.76 GWh，按基准电价每年节约1.4804亿元 [自测算]。同样的PUE改善，在当前碳传导项下每年只节约225万元 [自测算]。因此，碳附加成本不是液冷的主要单独回收来源；它是叠加在更大规模电费和可用电力优化上的增量惩罚 [自测算]。

如果2030年后情景更严，信号会增强。在150元/吨碳价、50%有偿配额、70%传导率的假设下，附加成本为42.00元/MWh，相当于650元/MWh电价的6.46% [自测算]。在该情景下，从PUE 1.56降至PUE 1.30每年可避免957万元碳相关电费；若按8%折现率计算20年NPV，仅碳成本项约为9,392万元 [自测算]。若纳入基础电费节约，同一PUE改善对100 MW IT负载设施的20年NPV约为15.5亿元 [自测算]。

这就是为什么我把碳传导定义为“加速器”，而不是液冷投资逻辑的起点。它提高了设施侧无效能耗的影子价格，使新建AI园区更难继续采用“低初始成本风冷+高PUE”的设计，尤其是在电网容量本身就是硬约束的地区 [S1][S3][S10][自测算]。

为什么液冷部署会被提前

第一，机柜功率密度本身已经强制迁移。NVIDIA GB200 NVL72设计把72颗Blackwell GPU放入一个NVLink域，并需要120 kW机柜冷却能力 [S9]。Vertiv的高密度冷却指南指出，AI和ML负载正在把机柜功率密度推向100 kW/柜，后门换热器可作为风冷补充，额定能力可达50 kW，并在测试中超过70 kW [S10]。这意味着大量前沿AI集群如果继续使用纯风冷，就必须牺牲密度、面积效率或性能余量 [S9][S10]。

第二，存量数据中心PUE改善已经趋缓。Uptime Institute 2024年调查显示，行业平均PUE为1.56，并称该平均值已连续5年基本持平 [S2]。该报告同时指出，许多新建项目可实现PUE 1.3甚至更好，但老旧设施改造成本高且中断性强 [S2]。LBNL将PUE定义为数据中心总用电需求除以IT设备用电需求，并在美国数据中心能耗报告中同时建模风冷和液冷配置 [S3]。

第三，中国政策底线正在收紧。中国2024年7月发布的数据中心绿色低碳发展行动计划提出，到2025年数据中心平均PUE降至1.5以下，并称中国数据中心用电量预计年增长15% [S4]。该计划还提出加强新项目能效和水效要求，推动存量项目节能降碳改造，并推广节能技术装备 [S4]。这意味着碳成本传导会落在一个已在收紧的数据中心能效制度之上 [S4][S6]。

实际结果将是双轨冷却市场。新建AI园区和大型改造项目会越来越多围绕直接到芯片液冷、CDU、温水回路和混合散热设计 [S9][S10][S11]。老旧企业机房和小型托管站点仍将保持混合状态，因为替换中断性强，即便其PUE对碳相关电价更敏感 [S2][S3][自测算]。

Capex结构影响

1. 冷却从机械配套变成战略系统。 直接到芯片冷板、歧管、CDU、漏液检测、水质管理、冗余和控制系统都会进入算力部署的一部分，因此冷却Capex占比上升 [S9][S10][S11]。Schneider Electric称其液冷组合面向GPU服务器和高密度IT，包含CDU和直接到芯片系统，并提到其拥有冷却超过400 kW机柜的经验 [S11]。

2. 电气Capex随负载波动上升。 Vertiv指出，AI机柜需要更高功率密度的UPS、电池、配电设备和开关柜，因为AI负载可能从10%空闲状态快速波动到150%过载状态 [S10]。因此，AI数据大厅的电气预算不应再用传统CPU机房标准估算 [S10][自测算]。

3. 电力采购准Capex化。 Amazon的Andy Jassy描述AWS类资产时指出，土地、电力、建筑、硬件、芯片和网络设备都要在变现前先投入现金；他还称硬件和网络资产使用寿命约6年，数据中心资产使用寿命超过30年 [S13]。对AI园区而言，长期PPA、变电站出资、表后发电、电网接入押金和需求响应能力，越来越像必要的基础设施承诺 [S13][自测算]。

4. 机队灵活性具备价值。 Microsoft 2025年年报称其运营超过400个数据中心，覆盖70个区域，当年新增超过2 GW容量，并且每个Azure区域都已AI-first且可支持液冷 [S12]。这说明超大规模云厂商正在把液冷就绪从单站点例外变成机队级设计标准 [S12]。

投资含义不是“卖出GPU、买入冷却”。真正含义是AI基础设施Capex会更均衡。在2024式支出结构中，12%的设施基础设施相对78%的IT基础设施显得很小 [S8]。但在受碳成本和电网约束的AI园区里，设施侧Capex回报率上升，因为它保护的是更昂贵IT资产的供电连续性和散热性能 [S8][S9][S10][自测算]。

对碳价和电价的敏感性

敏感性最集中体现在高PUE、高利用率和电力余量有限的站点。100 MW IT负载设施在PUE 1.56下年用电1,366.56 GWh，在PUE 1.18下年用电1,033.68 GWh，减少332.88 GWh [自测算]。在650元/MWh电价下，这意味着每年节约2.1637亿元，且尚未考虑碳传导 [自测算]。在当前9.89元/MWh传导情景下，避免的碳相关成本仅为329万元/年 [自测算]。在2030年后更严的42.00元/MWh压力情景下，避免的碳相关成本为1,398万元/年 [自测算]。

由此可判断液冷部署最先加速的场景

• 高密度训练集群： 立即加速，因为物理机柜密度问题压倒碳价测算 [S9][S10]。
• 中国新建AI园区： 加速，因为PUE政策目标、数据中心用电量年增长15%的预期和碳成本传导方向一致 [S4][S5][S6]。
• 存量企业机房： 加速较慢，因为Uptime指出老旧设施改造通常成本高且中断性强 [S2]。
• 服务AI租户的托管数据中心： 选择性加速，因为客户需要高密度机柜、液冷就绪数据大厅和更清晰的电费传导条款 [S10][S11][自测算]。

主要风险

第一类下行风险不是液冷技术失败，而是AI利用率、推理商业化或芯片周期经济性不及预期，导致AI工厂级建设回报低于计划 [S7][自测算]。McKinsey明确提示未来需求存在不确定性，并指出过度投资可能造成资产搁浅，投资不足则意味着落后 [S7]。

第二类风险是水资源和地方审批。液冷可降低风机和气流能耗，但冷却架构也影响用水、排热和选址 [S3][S11]。LBNL的框架将PUE与场址WUE一起处理，因为冷却系统同时影响电力强度和用水强度 [S3]。

第三类风险是指标口径。Uptime提醒，PUE不反映IT系统本身能效，而且随着高密度架构采用直接液冷，PUE局限性会扩大 [S2]。对AI经济性而言，电力成本压力不应只看PUE，还应看电力转换效率、GPU利用率、tokens per watt和cost per token [S2][S11][自测算]。

交接建议

下一阶段研究应从AI数据中心工程经济性转向公用事业侧执行问题。尚未回答的高价值问题是：绿电PPA、电网接入费、需求响应补偿和地方容量电价能否抵消AI园区面临的碳相关电价上行，同时又不把过多成本转嫁给其他工商业用户 [S4][S6][S13][自测算]。

建议下一位分析师：utilities-analyst [primary]。建议立场：synthesize。

元数据页脚

工作日期：2026-06-23 [S0]。。。输出文件：report.en.md、report.zh.md、meta.json。

资料来源 / Sources

[S0] 研究所工作日期锚点与本地shell确认，系统日期锚 返回 2026-06-23；由于当前工作区缺少 research note 文件，research note细节依据用户提供的会话快照重建 — 本地工作区，无公开URL。

[S1] International Energy Agency, “Energy demand from AI – Energy and AI” — https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai

[S2] Uptime Institute, “Global Data Center Survey 2024” — https://uptimeinstitute.com/uptime_assets/7425ec68d479c5d78a743df94a79b114ed9f9c73f13b6460949d2b8e73373209-GA-2024-07-uptime-institute-global-data-center-survey-results-2024.pdf

[S3] Lawrence Berkeley National Laboratory, “2024 United States Data Center Energy Usage Report” — https://eta-publications.lbl.gov/sites/default/files/2024-12/lbnl-2024-united-states-data-center-energy-usage-report.pdf

[S4] The State Council of the People’s Republic of China / Xinhua, “China sets green targets for data centers” — https://english.www.gov.cn/news/202407/24/content_WS66a0b167c6d0868f4e8e96ba.html

[S5] 碳中和网，《全国碳市场综合价格行情（CEA）（2026年6月23日）》，页面注明来源为上海环境能源交易所 — https://www.ccn.ac.cn/cets

[S6] 中华人民共和国生态环境部，《关于做好2026年全国碳排放权交易市场有关工作的通知》 — https://www.mee.gov.cn/xxgk2018/xxgk/xxgk06/202602/t20260209_1143900.html

[S7] McKinsey & Company, “The cost of compute: A $7 trillion race to scale data centers” — https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers

[S8] IoT Analytics, “Data Center infrastructure market: AI-driven CapEx pushing IT and facility equipment spending toward $1 trillion by 2030” — https://iot-analytics.com/data-center-infrastructure-market/

[S9] NVIDIA Developer Blog, “NVIDIA Contributes NVIDIA GB200 NVL72 Designs to Open Compute Project” — https://developer.nvidia.com/blog/nvidia-contributes-nvidia-gb200-nvl72-designs-to-open-compute-project/

[S10] Vertiv, “High-density cooling: A guide to advanced thermal solutions for AI and ML workloads in data centers” — https://www.vertiv.com/en-us/insights/articles/educational-articles/high--density-cooling-a-guide-to-advanced-thermal-solutions-for-ai-and-ml-workloads-in-data-centers/

[S11] Schneider Electric, “Data Center Liquid Cooling for the AI Era” — https://www.se.com/us/en/work/solutions/data-centers-and-networks/liquid-cooling/

[S12] Microsoft, “2025 Annual Report” — https://www.microsoft.com/investor/reports/ar25/index.html

[S13] Amazon, “Why Amazon is spending big on AI infrastructure, according to CEO Andy Jassy” — https://www.aboutamazon.com/news/innovation-at-amazon/andy-jassy-on-amazon-ai-investment

[S14] Data Center Dynamics, “Meta raises AI data center capex forecast to up to $72bn, blames Trump tariffs for increased cost” — https://www.datacenterdynamics.com/en/news/meta-raises-ai-data-center-capex-forecast-to-up-to-72bn-blames-trump-tariffs-for-increased-cost/

[自测算] 本报告自测算。当前传导情景：82.41元/吨CEA × 0.80 tCO2/MWh × 30%有偿配额 × 50%传导率 = 9.89元/MWh；9.89元/MWh ÷ 650元/MWh = 1.52%。2030年后压力情景：150元/吨 × 0.80 tCO2/MWh × 50%有偿配额 × 70%传导率 = 42.00元/MWh；42.00元/MWh ÷ 650元/MWh = 6.46%。用电量公式：100 MW IT负载 × PUE × 8,760小时。NPV公式：8%折现率下20年年金因子 = 9.818倍。