电力/电网瓶颈下，半导体能效演进能否通过提升单位功耗算力来对冲基础设施的物理上限？（工作日期：2026-06-28）

研究研究记录 10/10 · 半导体分析师（semiconductors-analyst）· 工作日期：2026-06-28（亚洲/新加坡） 立场：压力测试（stress-test）

截至研究院权威工作日期 2026-06-28［系统日期锚 返回 2026-06-28，自测算］，本报告承接研究记录 09（utilities-analyst）的交棒，对本 10 卡链条的收官问题进行压力测试：芯片能效比（单位功耗算力，perf/watt）的架构演进，能否追上由变压器交付延误与电网并网排队所造成的算力缺口？

执行判断 — 压力测试结论

不能。能效架构演进无法对冲电网的物理上限——因为它是错误的坐标轴。perf/watt 是对已经送达的功率的吞吐放大器，而不是变压器与并网排队所缺失的兆瓦（MW）的来源。 因此本报告支持研究记录 09 的"物理硬上限"结论，并补充三项量化修正及一处前序研究未揭示的结构性分化（美国 vs. 中国）。

三项发现构成答案框架

1. 坐标轴错配——能效无法创造 MW。 电网上限约束的是容量（送达某站点的 MW）；perf/watt 作用于强度（每 token 的焦耳）。一个变压器迟到 6.5 年的 1 GW 站点，在通电前送达 0 MW；任何 perf/watt 增益都无法在设备缺位之处变出 MW，因而站点层面对该缺口的对冲为 0%［自测算］。能效只在功率到位之后才起作用。
2. 这场赛跑在输而非赢（杰文斯悖论）。 实际机群 perf/watt 约 每 2 年翻倍（≈41%/年）［S1］［S2］，但 IEA 基准情景下加速服务器电力——已扣除能效后——以 约 30%/年 增长至 2030 年（全球数据中心电力 2030 年≈945 TWh，+15%/年）［S4］。这意味着底层有效算力需求约以 84%/年 增长［自测算］；对冲比 η = 能效/需求 = 0.77 < 1，即插座侧功率尽管有能效仍在上升。若要仅维持功率持平，能效需每 约 10 个月 翻倍，而硅工艺实际约 24 个月 一翻——能效仅以所需节奏的 约 49% 运行［自测算］。
3. 缺口在延误窗口内扩大。 即便给足全部 perf/watt 增益，研究记录 09 的 78 个月（6.5 年）延误窗口内，受功率约束的算力缺口仍 放大约 5.5 倍（1.30^6.5）［自测算］。能效最多缓和增速、并重塑谁能抢到稀缺 MW；它无法令曲线转负，也无法替代缺失的并网容量。

净判断： 对功率受限的运营商而言，架构能效是最有价值的边际杠杆——但它是边际杠杆，不是容量替代品。直至 2027 年，AI 算力的约束变量仍是 兆瓦（变压器、排队、FERC），与研究记录 08–09 的结论完全一致。芯片叙事无法拯救建设节奏；它只重新定价谁能在每一瓦送达功率上胜出。

1. 为何能效是错误的坐标轴（容量 vs. 强度）

本链条的算力缺口是容量缺口：研究记录 09 显示一个 1 GW 项目因变压器交期（正常 128–144 周、承压 >160 周）与并网排队（>1,500 GW 积压）被推迟约 78 个月［S8］。容量以送达电表的 MW 计量。

perf/watt 是强度指标——每 token 焦耳，或等价地每送达 MW 的 token 数。二者正交

• 迟到的变压器送达 0 MW。0 MW 乘以任何 perf/watt 系数仍是 0 有效算力。站点层面对缺失 MW 的对冲 = 0%［自测算］。
• 在已通电机群上，perf/watt 确实抬升每 MW 的 token 数。但该机群本已功率饱和（这正是新站点排队的原因），其能效余量被基线需求增长吞噬（见第 2 节）。并不存在闲置 MW 池供能效"改道"去服务被延误的工作负载。

故能效能回答"我能从已有的 MW 榨出多少算力？"，却无法回答"电网不肯送的 MW 从哪来？"。本报告使命问题混淆了二者；诚实的答案是：两者并不互相抵消。

2. 杰文斯赛跑：能效升 41%/年，插座功率仍升约 30%/年

使命中隐含的期望是 perf/watt 增益能缩小 AI 的功率足迹。数据在系统层面给出相反结论。

杰文斯悖论的算术［S5］［S7］：插座功率 = 算力需求 ÷ 单位功耗算力。IEA 的 +30%/年是实际净值——能效已被减去，需求每年仍多赢 30 个百分点。对冲比 η = 1.414 / 1.838 = 0.77 < 1［自测算］：能效每年只追回需求新增量的约 77%。若要令机群功率持平，perf/watt 须每 约 10 个月 翻倍；硅工艺约 24 个月 一翻——即能效以所需节奏的 约 49% 运行［自测算］。

关键在于，能效增益本身越来越是一次性而非可重复的：Dennard 缩放已死，近年跃升来自先进封装（CoWoS、HBM4）与低精度格式（FP8 → FP4）。从 FP16 到 FP4 只能走一次，无法再走五次。工艺节点微缩的可重复贡献在变薄，而需求侧在训练上以 4–5×/年复利［S9］，并因推理/测试时计算（test-time compute）模型用更多 FLOPs 换精度而在推理侧爆发（固定质量下推理成本约以 2 个数量级/年下降［S9］，按杰文斯反而抬升总推理量、而非降低功率）。

机柜讲同一个故事。 随能效改善，单柜功率在上升而非下降——因为运营商把每一分能效增益再投资于更密集的算力

即 约 3 年内单柜功率 ~15×［自测算］，同时单芯片 perf/watt 在改善。能效并未降低电网须服务的物理需求；它把需求浓缩进越来越烫的机柜，需要更多 MW、更多变电容量、每平方米更多变压器——加剧而非缓解研究记录 09 的瓶颈。

3. 延误窗口内的缺口：即便给足能效仍约 5.5 倍

研究记录 09 的压力情景：1 GW 站点延误 78 个月。能效能否在功率到位前"追平"损失的算力？以全部 41%/年 perf/watt 增益对冲需求，未满足的、受功率约束的算力缺口在该窗口内仍 放大约 5.5 倍（1.30^6.5 = 5.50）［自测算］。能效不缩小缺口；它只放慢缺口扩大的速率——从反事实的约 84%/年（无能效）降到实际的约 30%/年。确有缓冲，但符号从不翻转。

[!CAUTION] 最有力的挺能效论据——NVIDIA"每代 perf/watt 10×"的标题［S1］［S2］——是峰值稀疏 FP4 宣传，而非实际机群表现；即便字面属实，它也是单代台阶，而非持续的 10×/年速率。面对训练侧 4–5×/年的复利需求［S9］，一次性 10× 只买来约 1.6 年缓冲，而非结构性对冲。

4. 能效确实重要之处：每瓦 token 成为新 ASP，以及一处美中分化

压力测试结论（能效 ≠ 容量）并不让 perf/watt 投资失去意义——它改变其价值几何。当功率成为约束时，每送达瓦的 token 数成为主导变现坐标轴，因为每个运营商都在固定 MW 预算下优化算力。这重新定价了半导体栈

• perf/watt 领先者抢到稀缺 MW。 NVIDIA Rubin 宣称推理吞吐 5×、每 token 成本较 Blackwell 低 10×［S1］——其价值恰恰因为 MW 受限：同一变电站产出更多营收 token。定制推理 ASIC（TPU 级、云厂自研硅）在同一坐标轴竞争。
• 供电与散热硅成为一阶变量。 800 V HVDC 架构、GaN/SiC 功率器件、垂直供电、芯片直液冷不再是配角——在 600 kW 机柜下［S3］，它们决定送达的 MW 是否用得上。这是功率半导体与封装标的的结构性顺风。
• 硅光/共封装光学（CPO） 削减互连能耗（占机群焦耳的比重在上升），在晶体管级增益饱和处改善系统级 perf/watt。
• 先进封装（CoWoS、HBM4） 是剩余 perf/watt 的主要来源——强化研究记录 04 的论点：封装产能是国产替代的约束节点，其 2027 年（而非 2026）的供给弹性才是真正解锁点。

结构性分化——也是本链条最重要的修正： "能效 vs. 电网"的张力是美国特有的框定。美国是功率受限（排队、变压器、FERC），故 perf/watt 被高度看重、能效领先者胜出。中国是镜像：芯片受限但电力充裕。华为昇腾策略明确以单芯片能效换系统吞吐——Atlas 350 / 昇腾 950PR 功耗 ~600 W（约为 H20 的 1.5 倍）［S10］，中国买家已认定 FP4 吞吐倍数足以正当化更高功耗，因为"主权与连续性高于能效"［S10］。国家主导的电网能供给排队中的美国电网无法提供的额外 MW。故同一道物理上限，在北弗吉尼亚令能效必需，在中国却令其可选——国产替代可在美国必须优化 perf/watt 之处以横向扩展（scale-out）蛮力堆量。对 A 股半导体而言，约束仍是先进制程与 HBM 获取（研究记录 03–04），而非兆瓦。

5. 跨资产与配置含义

6. 交棒

建议下一位分析师： null — 停止（Stop）。

本报告为 10/10、链条终局卡。整条弧线已完整且自洽：美联储鹰派转向（研究记录 01–02）→ A 股半导体/两融去杠杆（研究记录 03–05）→ 券商与多资产流动性传导（研究记录 06–07）→ 下游 AI 基础设施融资韧性（研究记录 08）→ 电网/变压器物理上限（研究记录 09）→ 收官检验：芯片能效无法替代该物理上限（研究记录 10）。链条中心结论成立：AI 超级周期的约束已从资本迁移到兆瓦，任何架构 perf/watt 增益都无法逆转这一点——它只重新定价谁能在每一瓦送达功率上胜出。 本链条的 reviewer 预算已在研究记录 06（chief-risk）用尽，无需第二次 reviewer 复核；链条至此收束。

资料来源 / Sources

• [S1] Tom's Hardware,「NVIDIA launches Vera Rubin NVL72 AI supercomputer at CES — up to 5x greater inference performance and 10x lower cost per token than Blackwell, coming 2H 2026」— https://www.tomshardware.com/pc-components/gpus/nvidia-launches-vera-rubin-nvl72-ai-supercomputer-at-ces-promises-up-to-5x-greater-inference-performance-and-10x-lower-cost-per-token-than-blackwell-coming-2h-2026
• [S2] Tech-Insider / NVIDIA,「NVIDIA Vera Rubin Platform；Vera Rubin NVL72 峰值约 120.8 kW，perf/watt 约为 Blackwell 的 10×」— https://tech-insider.org/nvidia-vera-rubin-platform-gtc-2026-rubin-r100-gpu/
• [S3] Introl Blog,「NVIDIA Vera Rubin: 600 kW Racks by 2027」— https://introl.com/blog/nvidia-vera-rubin-gpu-600kw-racks-2027
• [S4] IEA,「Energy and AI — Energy demand from AI」（数据中心电力 2030 年≈945 TWh，+15%/年；加速服务器电力 +30%/年）— https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
• [S5] IEA,「Energy and AI — Executive summary」（美国数据中心≈占美国电力需求增量一半至 2030；能效鲜能完全补偿）— https://www.iea.org/reports/energy-and-ai/executive-summary
• [S6] The Register,「A closer look at Nvidia's 120kW DGX GB200 NVL72 rack system」（H100 风冷 ~40 kW；GB200 NVL72 ~120 kW，满载 130–132 kW）— https://www.theregister.com/2024/03/21/nvidia_dgx_gb200_nvk72/
• [S7] Brookings,「Global energy demands within the AI regulatory landscape」（AI 能耗中的杰文斯悖论）— https://www.brookings.edu/articles/global-energy-demands-within-the-ai-regulatory-landscape/
• [S8] 研究院研究，研究记录 09 report.en.md（变压器正常 128–144 周/承压 >160 周；并网积压 >1,500 GW；1 GW 站点延误 78 个月）— 本地来源归档 discussion/25cc5a5f-6f68-4e2e-b2e7-37d931039748/research note/report.en.md
• [S9] Epoch AI,「Training compute of frontier AI models grows by 4-5x per year」（2020 以来 5×/年；训练功率每年翻倍；推理成本约每 2 个月减半）— https://epoch.ai/blog/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year
• [S10] Tom's Hardware,「Huawei's Ascend AI chip ecosystem scales up… lags on efficiency」（Atlas 350 / 昇腾 950PR ~600 W，约 H20 的 1.5×；以单芯片能效换系统吞吐；主权 > 能效）— https://www.tomshardware.com/tech-industry/semiconductors/huaweis-ascend-ai-chip-ecosystem-scales
• [自测算] 自测算——能效 vs. 电网赛跑模型，输入见脚本 — 本地来源归档 discussion/25cc5a5f-6f68-4e2e-b2e7-37d931039748/research note/scratch/efficiency_vs_grid_race.py

元数据页脚：工作日期 2026-06-28（亚洲/新加坡）。。研究记录 10。分析师：semiconductors-analyst。