芯片再厉害也得“插电”!中国几十年猛建电站,为AI发展提供了基础条件?中国押注新能源,并不是近几年才起步。上世纪80年代末,钱学森提出汽车电动化,背后是能源安全:交通若长期依赖进口原油,命脉就可能被马六甲海峡卡住。
人工智能的数据中心扩张,需要与电源、电网和用户接入同步推进。芯片已经采购到位,并不等于电力条件也已准备好。
芯片可以按月下单,电厂和高压线却要按年来修。这是人工智能竞赛里一道绕不开的算术题。
中国长期电力建设服务于工业、城市和居民等多种需求,不能说每一座电站都为了AI,也不能说从未有项目考虑过数据中心需求。长期形成的电力基础,为新的负荷增加了条件。
1992年8月22日,钱学森写信探讨汽车工业;1993年他又追问,为什么不立即下决心搞电动汽车,跳过汽油车这一阶段。信里的道理很朴素:汽油和柴油都是不可再生的资源。
油还牵着另一根弦。进口原油大多走海路,马六甲海峡这样的狭窄水道一旦出事,交通就可能断油。后来常被人提起的“马六甲困局”,说的就是这份担心。
交通电气化可以增加能源来源的选择,减少对单一液体燃料路径的依赖。但中国原油并非只有一条进口通道,电力也不仅靠五种固定来源,不能把复杂能源体系画成一条油路和五条电路。
车越电动,电网越要厚实。几十年里电站不停地建,电网不停地架,到了人工智能要吃电的时候,家底已经摆在那里。
“东数西算”需要协调资源、数据传输与业务需求。部分计算任务适合靠近西部能源资源,也有任务更看重时延和用户位置,不能把所有机房简单搬到电站旁。
电源建设还要与电网和负荷所在位置匹配。全国总装机增加,不能直接推出某一座城市、某一个园区立刻能接入足够容量。变电站、输电线路、用地与运行安排要共同具备,电才能从统计表上的能力变成机房真正可用的供给。
不同计算任务的时延要求不同。一些后台训练可以更灵活地安排地点,实时交互则更看重接近用户。电价和绿电条件固然重要,网络传输、设备利用与业务需求也会影响最终选择。算电协同,正是协调这些不同约束。
此外,用电量增长并不自动等于计算成果增加。设备能效、任务调度与利用率,都会影响同样一度电最终完成多少工作。能源基础提供了条件,算力如何有效使用,仍然需要产业和技术继续进步。
“快”与“慢”的差别,在于设备更新周期和基础设施建设周期不同。芯片可以买来,电源、线路、变电站和运行团队却需要持续投入。增长越快,越需要提前组织这些慢变量。
今天的优势来自长期积累,也需要继续适应新的需求。过去建设的电力系统服务了当时的社会经济,AI再利用这些基础,是基础设施不断发挥新作用的表现,不必把它解释成几十年前已经预见了今天的每一项应用。
接下来的考验在于把电真正变成有用的算力。高端芯片还要继续攻关,绿电的送出和调度也要继续磨合。电只是入场券,用得省、用得稳、用得出成果,才是下一轮的竞争。
