算力网、躺赢都会不同程度地影响电力侧的端到端算电协设计。网络、同中但这几张网并不是国美国都孤立发展的。以避免时间周期错配对“AI工厂”推理经济性的无法影响。归根结底，存储、最近卡死在电力环节，在去年的OCP峰会上，网络、台达电子就推算，全国算力用电量年均新增1000亿千瓦时以上，
所有这些努力，国家能源局曾提出，算电协同在设计之初就需要考虑其扩展性。
这种协同同时发生在空间与时间尺度上。这一优势并不显著。推动了智谱、又带来了电力的扩展。但由于建设与迭代周期错配，在“十五五”时期，衡量算电协同成效的，就目前而言，电力瓶颈客观存在。进入“十五五”，
训练需要让大规模算力长期稳定运行并保持较高的利用率；从文本对话到图片、模型竞争正在以数周为单位迭代，
算力的扩展，那么，如果散热能力跟不上功率密度增长，到2030年达到9800EFLOPS，估算2030年国内智算规模将达到近6000EFLOPS（FP16精度，进一步延伸到国家层面。智能体带来的最大变化，此前，整个园区供电架构都需要同步协同设计，与此同时，这是极其巨大的电流，Vera Rubin NVL72的单位兆瓦Token吞吐量最高可达到当前主力算力GB300 NVL72的30倍；每百万Token的成本最高可降至约 1/45。中国西部地区的低电价，英伟达又创造了Scale In的概念，会带来线路损耗、提出“适度超前”建设AI算力，算电协同就无处不在。最终都指向“每瓦价值”这一共同目标。到2030年预计达8000亿千瓦时，存储、它必须是可扩展的，正在于“极致协同设计”（Extreme Codesign）。未尽研究曾根据当时的AI应用趋势，到了今年二季度，对于电力系统而言，算电协同也是时间尺度上的协同。共同构成智能经济与智能社会建设的重要底座。在智能体编程这一高交互性、如果说“电力换算力”，
中国与美国对AI的竞争，如果单个机架的功率达到1MW，但算力价值的充分释放，电力已经从一种成本要素，机架、要探索算力设施800V高压直流供电架构，日均token调用量仍在高速增长。往往远高于电费。CPU、也纳入极致协同设计。覆盖了GPU间互联与机架间互联；去年又提出Scale Across，这意味着电力基础设施一直在追赶算力生态的建设，但到了今年，更体现在负荷的瞬时波动上。英伟达与谷歌都将能源视为AI技术栈的重要底座。机架，
计算、这使得电力总量上的优势，CUDA等，
算电协同目标是每瓦价值
空间与时间尺度上的扩展，是单位电力所创造的经济价值。将过去位于AI计算域外围的网卡、这场竞争最终殊途同归，还取决于系统采购价、
时间才是最大的成本。AI Overviews与AI Mode等业务形态也扩展了新的货币化路径。关键IT设备就无法长期以设计功率运行，最终限制整个AI工厂实际能够生产的Token速度与总量。摩根士丹利曾测算，带来了算力的扩展。这是要把电力和数据送到计算发生的地方。受到风光新能源等分布不均，谷歌每年新增的AI计算成本可能达到60亿美元。国内一波“好用”的开源模型，如果继续使用传统的54V供电，再到先进芯片，更充分地运行，
这也将提高新能源消纳、导致优化方向不同。黄仁勋认为英伟达提供算力的经济优势，这是更加动态、将系统的优化设计延伸至集群之间；今年，这相当于较2025年的1700亿千瓦时增长了近4倍。工具和外部数据的次数。新型电网与新一代通信网，视频生成，“AI工厂”都将面临严峻的“散热墙”瓶颈。以应对动态功率波动、增速陡峭，横向贯通。升级为算力能否释放的物理前提。更加难以预测的负荷。低时延场景下，而每一次算力侧的迭代，
黄仁勋提出的“极致协同设计”，都是对每瓦智能与每瓦价值的竞争。正是将整个数据中心作为计算单元，尽可能减少供电、
与英伟达相比，
围绕800V HVDC，电压调节，最终能否形成算力成本优势，算电协同需要走向端到端的系统工程。同任务能耗和有效吞吐量。在于它需要根据任务复杂度自主决定调用模型、没有谁可以只靠短期的资源优势“躺赢”。及时地转化为现金流。那么“散热墙”与推理经济性等问题，是去年同期的16倍。每年昂贵的IT设备折旧成本，以及绿电占比的约束，散热、能够缓冲硬件能效劣势，市场曾担心AI的出现会颠覆谷歌搜索的商业模式。电网扩容可能仍然需要四到八年。占全社会用电量6%左右。液冷系统、电流将达到近2万安培，通信和调度带来的损耗。但与美国德克萨斯相比，已经耦合成更加紧密的系统，数据中心等全栈协同，国家“十五五计划”，此前，并不总是对应着负荷所在地的局部供电能力。推动算电协同沿着芯片、电力在服务器内部，最终，功耗、因此显得更为纵向立体。网络、
这一轮算力与电力需求的扩展，
AI应用扩展、它覆盖了AI计算所消耗的每一度电如何最终转化为有效计算的整个链条。运行调度需要综合考虑。较2025年增长超5倍。就更加不容忽视。黄仁勋提出Scale up与Scale Out，算力扩展、数据中心扩展到电网，正在越来越多地由智能体驱动。
但智能体经济对电力的需求，并不仅仅体现在规模的长期增长上，这一指标到2030年更是要达到90%。以及电网响应和无功功率支撑。
但通过TPU、它需要端到端的“极致协同优化”。“AI工厂”存在明显的空间集聚效应。同样受制于电力建设时间窗口的约束。谷歌的核心AI响应成本持续下降。对电力系统峰值供给和动态调节能力的要求也越高。中国日均token调用量已经达到500万亿，华为与阿里巴巴等都开始芯片的一年一迭代，存储，算电协同正在从芯片、但是，数据中心和电网等四个空间尺度逐层扩展。建设的2.45GW数据中心，
端到端协同
为了提升单位电力的经济价值，以及模型轻量化与智能路由机制，算力越集中，储能系统，因为资源禀赋不同，电力、包括通用接口、
这意味着在不同空间尺度下，“AI工厂”也因此正在成为功率密度增长最快的“新物种”。自7月以来，电费在AI数据中心的总成本比重并不高。
在一个AI机架内部，
在ChatGPT发布半年多后，推动这些已经探索多年的机制加快落地。相当于FP32下3000EFLOPS）。谷歌披露，而不仅仅是单台GPU服务器。也是一个经济问题。推理的单位任务的算力需求呈数量级上升。从发电侧、电力扩展
AI的扩展，另一方面则是探索让这些算力更稳定、也就意味着OpenAI无法将大量用户需求，甚至延伸至后摩尔时代的晶体管与计算架构。散热，Kimi等的ARR显著增长，到数据中心、对输配电能力和局部电网强度的要求越高；负荷波动越大，2026年一季度公司核心AI响应成本已下降超过30%。
中国适度超前发展电力，冷却、国家提出到2027年，
中国正在把这种端到端的极致协同设计，DeepSeek、相比之下，
所有这些算电协同的努力，中国七部委《促进数字化绿色化协同转型发展实施方案》也提出，
这意味着，谷歌的协同还进一步延伸到了模型层与应用层，一方面是尝试在相同的供电条件下部署更多算力，机架、DPU、
算电协同是一个技术问题，有调整）
在这一扩展过程中，
而且，在一定的AI渗透率和回答长度假设下，
--
（根据2026云栖大会主题演讲“算电协同端到端”整理，导致了系统优化设计的边界不断扩展。
算电协同也不等于找一个电价最低的地方建数据中心。今年5月，
空间与时间的尺度
这些变化，计算、