中國算力與能耗研究報告暨2030年發展預測

本報告旨在通過統一的統計標準和嚴謹的測算邏輯，厘清現實狀況，為人工智能產業發展提供科學依據。課題組圍繞中國算力規模與能耗現狀進行系統研究，并對2030年的發展趨勢作出預測。

課題組建立了多層次的統計框架，包括基于芯片出貨量、服務器和機柜數量與設備功率等指標，并通過交叉比對和口徑修正來得出更為接近真實的結果。報告對算力進行了明確的定義和分類，確定算力統計標準和范圍，報告主要是測算中國云端的算力而沒有測算端的算力。報告以FP16為統一統計口徑，并參考FP8的低精度倍數關系，對未來發展進行推演。同時，報告還對能耗構成進行了拆解，嚴格計算算力消耗數據。研究結果顯示，截至2025年一季度，全國數據中心理論耗電量約為2700億度電。

展望“十五五”時期，報告預測到2030年，中國算力總規模預計突破2500EFLOPS（FP16），年均增速超過35%；若以FP8統計，將達到5000EFLOPS。算力中心全年耗電量理論值約6000億度，占全社會總用電量的5–6%。產業規模方面，2030年人工智能算力相關產業預計達2萬億元，AI應用產業5萬億元，帶動產業鏈上下游產值超過20萬億元，成為經濟新的增長極。

一

引言

（一）研究背景

毫無疑問，算力直接關系到國家競爭力的強弱。人工智能已成為衡量一個國家經濟發展與科技實力的重要標志，而算力被廣泛認為是支撐國家數字經濟發展的關鍵基礎設施，同時也是推動新質生產力發展的核心動力。算力的增長不僅僅是技術層面的提升，更直接關聯到國家戰略安全、經濟發展質量與能源結構轉型。

目前，各地紛紛加快智算中心項目建設，服務器機架數量、GPU出貨規模、綠色能源利用方案等話題頻繁出現在新聞和行業論壇中。與此同時，一個現實問題逐漸凸顯：全國到底算力有多少，每年要消耗多少電力？

不同研究機構和媒體對算力規模與能耗的統計差異較大。這些差異既源自口徑不一，也與統計方法、標準體系不夠統一有關。因此，建立科學、透明、統一的算力規模與能耗統計邏輯，成為產業和政策層面亟需解決的問題。從國內統計實踐來看，過去的數據中心主要以存儲和通用計算為主，其能耗統計側重機架數量和PUE等指標，但在智能算力興起之后，單GPU或AI加速卡的功耗普遍高達數百瓦至上千瓦，整體能耗水平遠高于傳統機房。與此同時，液冷、直流供電、綠電直供等新型節能技術逐步應用，使得算力中心的能效表現出現明顯分化。這種轉變意味著，傳統的數據中心統計方法已經不能完全適用于智算中心，需要重新設計符合AI時代特征的統計邏輯與標準。

中國算力發展一方面需要量的提升以支撐大模型、科學計算和產業數字化，另一方面也面臨能耗約束與綠色轉型的壓力。如果缺乏統一標準，既不利于準確評估國家整體算力水平，也可能導致資源浪費和結構性矛盾。因此，從研究和實踐兩個層面來看，建立一套科學的算力規模與能耗統計框架具有緊迫性和戰略意義。

（二）研究的意義

算力是數字經濟時代的重要生產力。算力規模體現的是一個國家在人工智能和高性能計算領域的基礎實力，而算力能耗則直接關系到能源安全與“雙碳”戰略目標。

1. 支撐國家戰略規劃

在“東數西算”“人工智能新型基礎設施建設”等國家戰略推進過程中，算力規模和能耗水平是核心指標。如果缺乏統一的統計邏輯，各地申報項目時容易出現“虛高”或“低估”，不僅影響項目審批效率，也可能導致區域資源配置失衡。統一的標準能夠幫助政府更科學地布局算力中心，避免重復投資和資源浪費。

2. 服務能源安全與雙碳目標

算力中心屬于高耗能設施，未來電力需求規模龐大。通過統一的能耗統計，可以更準確地測算其在全社會用電中的占比，進而為電網調度、綠電消納和能源結構優化提供依據。

3. 促進產業投資決策

對投資者而言，算力規模和能耗水平直接關系到項目的資本支出和運營支出。缺乏可靠數據，容易造成投資誤判。建立統一口徑，可以讓投資者更準確地評估項目收益率和回收周期，從而提升資本配置效率。

4. 回應社會關切、引導輿論理性

公眾往往對“算力中心是否是‘電老虎’”存在擔憂。如果缺乏科學的數據支撐，容易引發誤解甚至阻礙項目落地。通過建立公開透明的統計標準，可以讓社會理解算力中心的能耗特點、節能潛力與對經濟社會發展的支撐作用，從而形成理性共識。

綜上，算力規模與能耗統計不僅是學術研究的問題，更是產業健康發展、政策科學制定和社會輿論引導的重要抓手。其目的在于為國家提供決策依據，為產業指明發展方向，為公眾提供科學認知，最終實現算力發展與能源綠色轉型的雙重目標，為行業發展提供堅實的數據支撐與決策參考。

二

算力的定義與計算標準

本部分主要是明確統一“算力”的定義與統計口徑，為后續數據采集、測算提供可靠基礎。

（一）算力的定義

從廣義來說，算力是一個計算系統在單位時間內可以完成多少計算任務。

從狹義來說，算力是集信息計算力、網絡運載力、數據存儲力于一體的新型生產力，主要通過算力基礎設施向社會提供服務。（《算力基礎設施高質量發展行動計劃》，工信部等六部門，2023年10月）該定義明確指出：算力不僅僅是計算能力，還包括相關的網絡與存儲能力，體現為統一服務能力。

1. 算力的類型

從計算方式的角度看算力分為稀疏算力和稠密算力。

稀疏算力和稠密算力用于描述計算資源的利用程度。在實際場景中，稀疏算力和稠密算力存在互補關系與轉換關系。

稠密算力：指的是在計算過程中，數據點之間的關聯度較高，需要處理大量連續的數據。通常用于需要密集型計算的任務，如圖像處理、視頻編碼、大規模數值模擬等。

稀疏算力：指在計算過程中，數據點之間的關聯度較低，數據分布稀疏。這種算力常用于處理稀疏矩陣或者稀疏數據集，如社交網絡分析、推薦系統、基因序列分析等。

從算力的應用場景看算力分為通用算力、智能算力和超級算力。

2. 算力的單位表示

在衡量算力（計算能力）時，常用單位是FLOPS（FloatingPointOperationsPerSecond），即每秒浮點運算次數。而算力大小常以G、T、P、E、Y開頭的單位表示不同數量級的FLOPS。常見的計算次數表示有以下幾種。

（二）算力統計與表示的標準

本報告將“算力”限定為以GPU或專用AI芯片為核心，用于大模型訓練與推理的計算能力。通用CPU運算、傳統高性能計算（超算）與純存儲/傳輸功能的數據中心在統計口徑上與智能算力區分開來。僅具備存儲功能的傳統IDC不納入“智能算力中心”統計范圍。

總體而言，為了使統計更具有客觀性和準確性，我們的統計口徑為以下三個方面，并給出最終的比較分析。

物理資源統計：統計具備GPU/AI芯片的標準機架數量；

算力指標統計：統一以FP16/FP8精度以下（PFLOPS）作為主力指標；

時間維度統計：區分“在用算力”與“規劃算力”、“有效調度算力”與“峰值計算能力”。

就設施定義而言，課題組僅將具有獨立物理空間、獨立供電系統且達到一定規模門檻的實體化算力中心納入國家級統計口徑，以排除企業內部私域部署與大量邊緣輕量節點的噪音性影響。

在人工智能領域，常用的算力精度為FP16。隨著AI芯片架構不斷演進，低精度計算（如FP8、INT8）逐漸成為行業新趨勢。英偉達H100、B200等芯片已經普遍支持FP8計算，其能效比FP16明顯提升。

我們通過研究對比英偉達 A100 、 A800 、 H200 等人工智能芯片設計參數，發現 FP8 與 FP16 的對應關系穩定在 2 倍。所以我們在后邊統計與預測的過程中， FP8 與 FP16 算力規模采用倍數關系進行對比計算。在測算實際算力總規模與能耗總量時仍采用官方提供的FP16為基準，后續在預測過程中以FP8為基準。

（三）統一標準與政策決策

統一的量化標準使政府能夠在多個維度上開展精準決策，避免資源錯配。

第一，作為投資決策依據。通過已裝機算力、在架利用率與邊際收益評估，判定新增產能是否必要并優先支持關鍵區域或行業。

第二，優化資源配置。依據設備密度、裝機電力與PUE數據，合理布局“東數西算”與能源—算力耦合項目，減少重復建設與電網瓶頸風險

第三，提升產業投資效率。以標準化數據作為財政補貼、綠電直供、土地與接入審批的條件，推動資金向高能效、綠色耦合的項目集聚。

第四，強化監管與風險預警。通過芯片出貨量與電力消耗三角校驗，輔助識別統計口徑偏差、非法進口或“名不符實”的裝機聲明，從而維護能源安全與產業秩序。

第五，支撐“雙碳”與綠色轉型評估。將算力建設的能耗與綠電替代率納入能源統計和碳排放核算，作為政策績效評估的重要考核維度。

三

數據中心能耗構成分解

本章主要對數據中心能耗的主要構成進行了分解，涵蓋算力集群（服務器、GPU/AI芯片、存儲節點、管理節點）、網絡設備、制冷系統、電力轉換損耗以及輔助設施（照明、安全系統等）。其中，服務器和芯片集群占比最高，制冷系統能耗緊隨其后，是影響整體能效水平的關鍵因素。并根據數據中心能耗與“雙碳”目標的關系進行政策分析，并給出今后降低數據中心能耗的操作建議。

（一）數據中心能耗構成

數據中心的能耗構成可以分為兩大類：IT設備能耗和非IT設備能耗（基礎設施能耗）。這些能耗共同決定了數據中心的總能耗水平，也是衡量其能效（如PUE）和綠色水平的重要依據。

具體來看：

隨著人工智能和大模型應用的興起，數據中心的能耗結構正呈現出新的趨勢。以GPU、AI 專用芯片為核心的智算中心中，這一比例進一步提高至55%–60%。其原因在于高性能GPU芯片的單卡功率普遍達到500–700W，機柜功率密度可突破20–30kW，遠高于傳統CPU型服務器機柜。這意味著，未來算力中心能耗的主要矛盾將集中在高密度計算負載本身，而非外圍配套。

當前大多數數據中心冷卻能耗占比仍在25%–35%左右，其中風冷方式受限于散熱效率和能耗比，往往成為整體能效的瓶頸。隨著液冷技術的逐步普及，特別是浸沒式液冷與冷板液冷方案的應用，冷卻系統能耗占比有望下降至20%左右。這一趨勢不僅有助于提升整機房的電能使用效率（PUE），也使高密度算力集群得以持續擴展。

（二）服務器與機柜的標準

單個服務規格（U）從2U-10U不等，額定功率從0.5-11kw。額定功率≠實際功率：額定功率為最大負載下的設計值，通常實際運行在60–80%負載下。

服務器機柜是承載數據中心或算力中心服務器設備的重要載體，其規格尺寸與額定功率直接影響數據中心的建設密度、冷卻方式、電力配套和運行能效。

機柜額定功率=所安裝設備總功耗+電源損耗+電纜損耗（約5–10%冗余）

例如：GPU服務器功耗6?kW×3臺=18?kW，加上電源冗余、網絡設備≈總計20–22?kW，整體設計時應預留≥25?kW的供電與散熱能力。

（三）綠色數據中心建設

在“雙碳”目標背景下，算力中心的能耗問題不僅是產業運行層面的技術問題，更是國家能源安全與綠色轉型的重要組成部分。數據中心的能源消耗主要集中于計算和制冷兩大核心環節。因此，提升能效、降低PUE的關鍵在于推動IT設備計算能效升級和制冷技術架構革新。

針對能效提升，本報告提出以下政策引導方向：

1.鼓勵綠色計算與液冷技術。風冷機柜功率受限于12–15kW，而液冷機柜可支持20–30kW以上高密度算力集群，能效提升潛力明顯。政策應在資金支持與應用推廣層面，引導企業加速液冷技術的研發與部署。

2.推動綠色能源直供。在算力中心選址和運行中，應推動水電、光伏、風電等綠電直供，減少過網環節，降低電力成本，同時確保能源結構清潔化。

3.優化能效監管指標。在現有PUE（電能使用效率）指標基礎上，探索引入碳排放強度指標，使算力中心能耗與碳排放直接掛鉤，推動運營商在能耗優化上持續改進。

在具體政策工具方面，可以考慮以下措施：

1.稅收激勵。對采用先進液冷技術、實現PUE值持續下降的數據中心，給予企業所得稅減免或加速折舊優惠。

2.補貼政策。對建設高效能耗或綠色能源直供的算力中心，提供專項資金支持，降低前期投資壓力。

3.綠色電價機制。對采購可再生能源的算力中心，在電價上給予優惠，形成綠色用能的經濟激勵。

4.分級管理與約束。對高能耗、低效能的傳統數據中心，逐步收緊準入和運營政策，通過市場與政策的雙重壓力推動其轉型升級。

四

算力與能耗統計方法

當前市場上關于中國算力規模與能耗的研究報告眾多，不同研究機構給出的數據差異明顯。多數機構都是采用給出算力總規模和能耗總量的數據，并沒有說明這些數據類型和性質，很少公開其具體的統計方法、口徑選擇與修正邏輯。結果是，即便同樣描述“中國算力規模”，不同機構之間的數據卻相差數倍，造成行業和社會輿論上的模糊與困惑。目前，官方的統計口徑是直接用標準機柜表示的，以此來衡量總體能耗。

基于這一現實，盤古智庫提出有必要建立一套更為嚴格的統計標準，在明確“算力”的技術定義、數據中心的分類范圍、精度口徑、能效修正、負載因子等前提下，采用透明、多種方法交叉驗證的計算邏輯。通過這一方式，可以得到更科學、更可比、更具政策參考價值的統計結果，從而避免“數字游戲”。

（一）算力規模統計方法

通過我們的深入調研和業內人士的溝通，算力規模統計有以下幾種科學的計算方式。

1. 按芯片性能與出貨量測算

各類AI芯片（如英偉A100/H100、華為昇騰910B、寒武紀MLU等）的單卡算力（FP16/BF16）和出貨數量。

計算公式：

總算力

=∑(

單卡算力

出貨數量

這種統計方法的優點是直觀、便于橫向比較。缺點是存在非官方進口和二手市場，數據不完整，需要廣泛結合業內人士進行求證。

2. 按服務器數量測算

統計GPU服務器數量，每臺通常搭載4–8張GPU。

根據GPU型號性能折算總算力。

計算公式：

總算力=服務器數量×服務器算力

這種統計方法的優點是和廠商交付數據更貼近。缺點是需精確區分AI服務器與通用服務器。

3. 按機柜數量測算

數據中心常以機柜數作為基礎指標，每個高密度機柜可提供40–100PFlops（視搭載芯片而定）。

計算公式：

總算力

機柜數

單機柜平均算力

這種統計方法優點是和IDC行業統計口徑一致。缺點也很明顯，不同機柜利用率差異大，統計數據波動較大。

4. 綜合算力指數測算

結合芯片算力+存儲容量+網絡帶寬+基礎設施+環境等構建的加權指數。綜合算力指數是一個通過構建多維度、多層次的指標體系，對一個國家或地區的算力基礎設施規模、算力能力、應用水平、發展潛力及環境影響等進行全面、綜合評估的量化指標，突破了單純的算力規模計算。

基于上述多種方法的優缺點，盤古智庫對其進行優化，進行多種方法交叉論證。提出算力總量與有效算力的計算邏輯，增加算力設備負載因子，能更加清楚的衡量算力的客觀實際情況。

1. 從出貨量角度計算

總算力

∑(

單卡算力

官方出貨數量

)+∑

（單卡算力

非官方出貨數量）

存量估算因子）

有效負載因子

2. 官方統計數據修正

總算力

官方統計數據

智能算力比值

（二）算力總能耗計算

根據算力總量計算方式，結合數據中心設備的有效負載與設計冗余可直接計算全部算力的能耗數據。我們采用實際值與理論值并行計算的方式，以區別與其他機構直接計算理論值的結果。

計算公式1：

實際能耗總量

標準機柜

有效負荷

運行時長

有效運行比

×pue

有效負荷：根據數據中心的業務量不同，有效負荷在60-80%；

有效運行比：數據中心全年有效運行時長。

計算公式2：

理論能耗總量

標準機柜

設計負荷

運行時長

滿負荷運行

×pue

從芯片設計功率計算總能耗。

計算公式3：

能耗總量

P

算力功耗

總算力

芯片功率倍數

全年時長

有效負載率

每P算力功耗：綜合各種人工智能芯片加權計算得出；

芯片功率倍數：算力中心設計總功率/芯片總功率，一般是2。

（三）統計標準完善的建議

本研究在明確智能算力、通用算力與存儲算力等分類口徑的基礎上，進一步提出對未來政策層面建立統一統計標準的具體建議。

首先，應在國家層面制定統一的算力分類與統計框架。將算力分為智能算力、通用算力和存儲算力，實踐表明可以有效區分不同算力類型對能源消耗和產業價值的貢獻。通過在政策文件中正式確立分類標準，可確保各地在統計與申報時口徑一致，避免出現部分地區將傳統存儲或IDC容量混入智能算力總量的現象。并且排除企業內部私域部署與大量邊緣輕量節點的噪音性影響。

其次，應建立統一的統計指標體系。本報告提出以FP16作為智能算力的核心口徑，并輔以機柜數量、額定功率、PUE值、年耗電量等參數作為輔助核驗指標。未來政策應明確要求各類算力中心在數據上報時，至少同時提供按FP16或者FP8單位為EFLOPS折算的算力規模和實際能耗指標，以實現不同地區、不同類型算力的可比性。對于存儲算力，則應以機柜數量和年耗電量為主，不應與智能算力混算。

第三，應在地方政府層面建立統一的統計流程。由于各地在算力基礎設施建設中存在發展不均衡，地方政府在統計口徑和執行方法上差異較大。為避免地區間因統計方式不同而造成數據偏差，國家應出臺統一的申報表格、統計方法和核驗流程，并建立中央與地方的數據對接機制。通過電力消耗、芯片出貨量和機柜數量的交叉驗證，確保地方統計結果的真實性與一致性。

最后，應研究建立國家級算力與能耗數據平臺，定期發布統一的權威數據。該平臺不僅能夠匯總各地報送數據，還能結合行業運行情況，提供全國范圍的算力規模與能耗對比，成為政策制定和產業調控的重要參考。只有在統計方法和口徑上保持統一，才能真正實現全國范圍內的數據可比性和政策的精準性。

五

中國算力中心規模與能耗分析

本部分的核心研究內容主要是統計算力中心的數量和算力的總規模，并以此計算能耗和未來的發展趨勢。

（一）存儲數據中心

1. 存儲數據中心規模

截至2025年，全國存儲數據中心（以存儲功能為主）數量約200-250個。存儲專用機柜規模約166萬（以2.5kW標準機柜計），占全國數據中心總機柜數的20%。（以國家數據公布的830萬標準架為準，理論年耗電量2726億度）

2. 存儲數據中心能耗

要計算存儲數據中心服務器的總負載（電力負載）和年耗電量，需基于行業通用參數和合理假設（因具體配置存在差異，以下為估算值）。

（1）核心參數

機柜電力參數：采用2.5kW標準存儲機柜（即單柜IT設備最大供電容量為2.5kW）。

實際負載率：存儲服務器以數據讀寫為主，平均負載率（實際運行功率/額定功率）約為60%（行業常見范圍50%-70%），即單柜實際功率≈2.5kW×60%=1.5kW。

時間參數：一年按365天計算，總時長=365×24=8760小時（統計中的全年8760個小時的運行時長是理想值，實際可能要減半）。

有效運行比例：根據時間調研情況發現，存儲數據中心的使用率在60%左右。

（2）計算結果

（3）說明

誤差來源：

負載率受數據訪問頻率影響（冷數據存儲負載率可能低于50%，熱數據存儲可能高于70%）；

機柜功率密度存在差異（部分高密度存儲機柜功率可達4kW，會拉高總負載）。

與總能耗的區別：上述數據僅為服務器（IT設備）自身耗電量，若包含制冷、供電等基礎設施，需乘以PUE（能源使用效率，存儲數據中心PUE約1.3-1.5），總能耗會更高。

（二）通用算力中心統計

1. 通用算力中心規模

截至2025年，全國通用算力數據中心（以通用計算功能為主）數量約800-1000個。全國通用算力專用機柜規模約415萬架（以2.5kW標準機柜計），占全國數據中心總機柜數的50%。

東部樞紐是實時計算主力區域，占比約60%，主要服務于實時計算需求，支持毫秒級響應，支撐能源調度實時計算，重點服務電商交易、金融風控等高并發場景。西部樞紐主要用于非實時計算與備份，占比約40%，重點承接非實時計算任務。

2. 通用算力中心能耗

要計算通用算力數據中心的總負荷及全年耗電量，需基于之前梳理的核心數據（機柜數量、單機柜功率），結合行業通用的負載率進行推導。

（1）核心參數說明

機柜數量：全國通用算力專用機柜約415萬架；

單機柜額定功率：以行業主流的“2.5KW標準機柜”為基準（即單柜設計最大負載為2.5KW）；

負載率：數據中心實際運行中，服務器不會始終滿負荷運行，通用算力場景（如云計算、工業互聯網）的平均負載率通常為60%-80%（東部實時計算場景負載率偏高，西部離線計算偏低，取中間范圍70%的有效負載）；

全年運行時間：365天×24小時=8760小時。

（2）能耗計算

（三）智能算力中心統計

1. 智能算力中心規模

從算力總量端統計

當前市場上對智算中心算力規模的統計有官方的和非官方的，主要有以下幾處來源的數據引用頻率較高。

關于智算中心規模的統計數據卻呈現出一種令人困惑的亂象。不同機構給出的數據大相徑庭，從算力規模的量級到增長趨勢的判斷，均存在顯著差異。究其根源，在于統計口徑的嚴重不一致，并且沒有說明統計的依據和側重點。盤古智庫從各種公開統計信息整理的數據顯示，目前中國總算力大概有900EFLOPS，這其中包括通用算力和通用算力，以及其他被列為算力的資源。詳細數據見下表：

經過我們的統計發現，900EFLOPS總算力中，僅有30%是智能算力，所以，我國目前的智能算力總規模在270EFLOPS附近。

從供貨端統計

ChatGPT于2022年11月30日正式發布，瞬間火爆全球，同時也點燃中國大模型訓練的激情，從2022底開始，中國才開始大面積的建設智能算力中心，所以我們統計近三年的AI芯片出貨量是可行的。

根據IDC發布數據，2022年中國AI加速卡出貨量約為109萬張，其中英偉達市場份額約為85%，昇騰市場占有率10%，百度昆侖為2%，寒武紀和燧原科技均為1%。根據TechInsights的數據，2023年英偉達數據中心GPU出貨量總計約376片，中國大約吸納了120萬片。根據IDC數據，2024年，中國加速芯片的市場規模增長迅速，超過270萬張；其中國產人工智能芯片廠商的出貨量已超過82萬張。

近三年中國市場消納500萬片算力卡，從上表可以看出，現在市面上AI芯片單卡FP16平均在500TFLOPS–600TFLOPS。所以，從出貨端來看，中國算力存量應該在250EFLOPS-300EFLOPS之間，和行業公認的270EFLOPS-300EFLOPS基本吻合。

2. 智能算力中心能耗

依據表14的芯片型號和功耗，結合市場上各種芯片的存量和新舊型號的功耗不同，我們從工程統計的角度對其進行加權平均計算，最后得出當前中國算力卡的功耗是每P算力耗電900w-1300w。

六

結論說明

我們通過交叉驗證和多維度比對發現，若按國家公布的830萬個標準機柜測算，其理論全年總耗電量約為2726億度電。然而，結合實地運行數據，實際年耗電量約為1166億度電；若以智能算力每P功耗為口徑進行測算，結果約為800億度電/年。這一數值遠低于理論推算值，也與市場上廣泛流傳的數據存在較大差異。同時，該結果與部分業內文章所強調的“算力中心能耗過高、亟需警惕”的觀點并不一致。造成上述差異的原因主要有以下兩點：

第一，數據中心理論值的能耗偏高，容易引發“數字擔憂”。

按照理論計算，數據中心能耗約占全社會用電量的3%。在缺乏深入研究的情況下，部分觀察者僅憑這一比例便擔心未來隨著智能算力的增長會造成電力短缺，從而形成對能耗問題的過度擔憂。然而，這種結論并未充分考慮實際運行效率、能效提升以及電力結構優化等因素。

第二，電力成本是算力中心運營壓力的重要來源，導致出現“成本焦慮”。

在算力中心的運營成本結構中，電費占據極高比重。由于當前人工智能應用場景尚不夠豐富，算力中心整體收益水平有限，運營端往往難以平衡收支。因此，電力作為唯一顯著的可變成本，成為業界關注的焦點。基于成本壓力而產生的“算力中心耗能過大”的判斷，本質上是一種成本焦慮。展望未來，隨著人工智能芯片的更新迭代、數據中心PUE的持續下降，更重要的是隨著應用場景的擴展與收益點的增加，電力成本的重要性將顯著降低，不再是算力中心發展的主要制約因素。

第三，綠色能源的發展將進一步降低算力中心電力成本壓力。隨著光伏、風電、水電等清潔能源的占比不斷提高，綠電直供政策的全面落地，算力中心可以大幅降低用電成本和價格波動風險。同時，綠色算力中心的建設也將使得單位算力的耗電量明顯下降。換言之，算力中心未來不僅不會成為電力負擔，反而可能通過與新能源的耦合，推動能源結構優化和綠色產業發展。因此，從長遠看，電價和電量問題并非算力發展的核心矛盾，真正關鍵的是如何充分發揮算力的應用價值與產業帶動作用。

七

十五五算力規模與能耗預測

中國在“十四五”期間奠定了堅實的算力基礎設施。“十五五”規劃期（2026-2030年），將是中國AI發展從追趕邁向引領的關鍵階段。隨著大模型與生成式AI的驅動、行業應用的深入拓展與政策支持，“十五五”將是中國人工智能產業高質量發展的階段，算力規模會進一步擴大，同時將帶動整個產業鏈產值的不斷擴大，成為經濟增長的一極。

（一）算力規模增長預測

根據我們建立的統計邏輯和標準，加之人工智能發展的確定性，預計在“十五五”期間中國算力年均增長速度將保持在35%以上。預計到2030年中國算力總規模將突破2500EFLOPS（FP16）。

隨著低精度算力的普及，會有更多的大模型和人工智能應用場景支持FP8計算。DeepSeek最新發布的DeepSeekV3.1版本支持UE8M0就已經支持了FP8，這一技術提升了推理效率，并針對國產AI芯片（如寒武紀、沐曦、華為昇騰等）進行優化，顯著降低顯存占用和提高計算性能。若以FP8為統一口徑測算，到2030年中國算力總規模有望突破5000EFLOPS。我們認為，以后在算力統計中應該用FP8標準表示算力的多少更為符合實際。

（二）算力能源消耗預測

依據上文我們建立的能耗統計框架，結合算力中心建設的規模與市場需求，我們認為“十五五”期間，算力中心能耗仍會保持一種較高的增長速度，預計到2030年算力中心全年電力消耗的理論值預計將達到6000億度電，約占全社會用電總量的5%-6%。隨著單位算力能效持續提升，得益于PUE降低和芯片能效改進，實際值可能會低于理論值。

（三）產業規模增長預測

算力不僅僅是技術指標，它更是產業鏈發展的核心引擎。到2030年，與人工智能算力相關直接產業規模約2萬億元，AI應用產業規模約5萬億元，帶動上下游產業規模可超過20萬億元。這意味著，算力不僅是技術設施，更是產業升級與經濟增長的新動能。

算力產業鏈涵蓋芯片研發與制造、服務器與整機設備、數據中心建設與運營、冷卻與能源配套、軟件與調度系統等多個環節。我們認為，按照25%左右的年均復合增長率推算，到2030年該規模有望達到2萬億元人民幣。這部分產業規模構成了算力發展的“硬支撐”，同時也會催生更廣泛的應用市場。

算力基礎設施的完善直接推動人工智能在各行各業的應用擴展。目前，金融、醫療、制造、交通、教育、文娛等領域已率先應用大模型和智能服務。我們認為，到2030年，隨著算力的大幅提升和低精度計算普及，AI應用市場有望突破5萬億元，而帶動的相關產業規模可能超過15–20萬億元，相當于國民經濟中的重要增長極。

課題組成員

易 鵬 盤古智庫理事長

周 濟 盤古智庫秘書長

牛站奎 盤古智庫研究員

2025年9月