绿色算力报告：算力中心一年用电1960亿度，AI把PUE从1.28压到1.21

先算一笔电费账。2019年到2024年，我国算力中心用电量从824亿千瓦时增长到1660亿千瓦时，五年年均复合增长率约15%；2025年进一步达到1960亿千瓦时，同比增加300亿千瓦时、增速18.1%。而同期全社会用电量增速只有5%。

另一头是能效。我国算力中心PUE已从2019年的1.65降至2024年的1.46，但报告提醒了一个容易被忽略的细节：2024年相比上年只下降了0.02，PUE的降幅正在收窄——靠换设备、改结构拿到的能效红利，快被吃完了。

《面向绿色算力的人工智能应用研究报告》由南京深度智控科技有限公司与中国信息通信研究院云计算与数字化研究所牵头编写，富士康工业互联网、秦淮数据、中国联通上海分公司、宁德时代等多家单位参编，共81页。它要回答的正是这个转折点上的问题：当算力密度从每柜4-6kW跃升到40-120kW以上，靠什么继续把能耗压下去。答案在报告的架构里——用AI做数字孪生设计、做能效优化控制、做算电协同、做智慧运维。下面把关键内容梳理一遍。

一、算力的电费账单：规模、用电量与压不动的PUE

报告先给了三组规模数据，让读者看清这个赛道有多重。截至2026年3月底，我国在用算力中心机架总规模达1445万标准机架；截至2026年6月底，智能算力规模达到2185EFlops（FP16）；我国已建成万卡以上智算设施52个。规模和水平都在持续提升，但成本压力也在同步上升。

电是最大的成本项之一。报告给出的用电曲线是：2019年824亿千瓦时 → 2024年1660亿千瓦时，年均复合增长率约15%；2025年1960亿千瓦时，同比增加300亿千瓦时、增速18.1%。对比同期全社会用电量5%的增速，算力中心的用电增速明显高于平均水平。

能效端的进展则是"改善但放缓"。报告测算，我国算力中心PUE由2019年的1.65降至2024年的1.46，但2024年较上年仅下降0.02，PUE降幅总体在收窄。这个趋势比绝对值更值得关注——它意味着传统的工程手段（优化气流组织、升级冷机、提高送风温度）已经接近边际极限，继续靠"改硬件"很难再拿到大幅改善。

更硬的约束来自功率密度。报告指出，机房单机柜功率密度已从4-6kW跃升至40-120kW以上，高密度运行特征凸显。功率密度越高，散热难度越大、控制精度要求越高，这也正是"算冷协同优化"被单独提出来的原因。当单柜功率翻了十倍，散热不再是配套设施问题，而是决定算力能不能开满的产能问题。

二、政策与国内外实践：绿电比例、PUE红线与24/7无碳能源

报告梳理了从2023年到2026年的政策链条，指向很统一：把绿色低碳从一个加分项变成硬指标。

2023年10月《算力基础设施高质量发展行动计划》提出完善算力综合供给体系、提升算力高效运载能力、强化存力保障、深化算力赋能行业应用；目标包括算力规模超过300EFLOPS、智能算力占比达到35%，整体上架率不低于60%，平均电能利用效率降至1.5以下，可再生能源利用率年均增长10%。2024年《数据中心绿色低碳发展专项行动计划》进一步提出要求；同年《加快构建新型电力系统行动方案（2024—2027年）》提出实施一批算力与电力协同项目，统筹数据中心发展需求与新能源资源禀赋，科学整合源荷储资源，探索新能源就近供电、聚合交易、就地消纳的"绿电聚合供应"模式。

2025年，《关于促进可再生能源绿色电力证书市场高质量发展的意见》把国家枢纽节点新建数据中心绿色电力消费比例在80%基础上进一步提升；《关于深入实施"人工智能+"行动的意见》则从应用侧提出要求。进入2026年，国家层面进一步把人工智能、智算集群和算电协同统筹推进。

国际侧的数据同样能说明压力有多大。国际能源署研究指出，2024年全球数据中心用电量约为415TWh，占全球用电量约1.5%，自2017年以来年均增长约12%；在AI和数字服务需求带动下，预计到2030年将翻番至约945TWh，占全球用电量比例接近3%。从区域看，美国、中国等市场将贡献2030年前全球数据中心用电增长的近80%。

企业实践层面，报告记录了几个可对照的标杆。谷歌持续推进24/7无碳能源目标，2024年其全球数据中心及办公园区24/7无碳能源比例提升至66%，并在20个拥有并运营数据中心的电网区域中有9个实现至少80%的无碳能源供给；Equinix在2025年其全球零售IBX数据中心可再生能源覆盖率达到96%，平均年度PUE为1.37。国内方面，中国移动2025年开展"绿智无线""绿智算力"等专项行动，全年节电150亿度，大型、超大型数据中心总体PUE值降至1.285；腾讯2024年采购绿色电力1364625.9兆瓦时，再生电力占比提升至22.0%；万国数据2024年可再生能源使用率达到40%，42个数据中心获得绿色数据中心认证，平均PUE由2023年的1.28改善至2024年的1.24。

我们在整理《算力基础设施报告：AI竞争的下一站是水与电》时也碰到过类似的分歧，那里的结论可以拿来对照。

三、技术体系：方法—能力—业务三层，与物理AI数字孪生

报告搭了一个"方法—能力—业务"的三层架构：方法层是面向绿色算力的AI技术底座，能力层是实现赋能的关键技术模块，业务层则基于全生命周期铺开场景应用。技术演进的方向被概括为一句话——从经验驱动转向数据驱动、模型支撑的系统化工程实践。

其中最有分量的是数字孪生设计这一章。报告比较了三条建模路径：纯机理模型基于热力学、流体力学、传热学等物理原理构建偏微分方程，好处是可解释，但计算效率低，单次仿真往往要数小时；纯数据驱动模型靠历史运行数据训练，训练完成后可在毫秒级出结果，但依赖数据量、外推能力弱；物理AI模型把机理与数据融合，是报告推荐的方向。

为什么值得为仿真投钱？报告给了一个具体数字：算力中心的冷负荷80%以上来源于IT设备散热，围护结构负荷占比相对较小。传统仿真平台基于典型气象年与静态峰值计算，动态负荷考虑的是天气和围护结构影响；数字孪生仿真平台则能给出系统全工况能效，帮助减少设备投资冗余。

收益也被量化了。报告提到，通过仿真优化选型，冷系统能耗可降低约5%至10%；这类结果不仅能优化设备选型边界，还能形成自控编程的初始逻辑，减少后期现场调试成本。此外，报告设计了数字孪生的验证与反馈闭环——用运行数据反过来校准模型，让仿真不是一次性交付物，而是持续提供可信量化基准的工具。

四、AI能效优化：从"被动监控"到"主动预测"

报告把能效优化拆成监控、寻优、边缘三层来写。

第一层是一体化智慧监控。报告的判断是，监控体系正在从"被动监控"向"主动预测"转变，运维也从单点响应走向"维一体化"的自动闭环运行体系。这一层的作用是给优化提供可靠数据基础——没有高质量数据，后面的算法都是空转。

换个角度看同一件事，《人工智能报告：中美AI安全治理的合作空间》算的是另一笔账。

第二层是AI节能优化控制，这也是最"硬"的部分。报告用一张表列出了节能寻优的对象、变量与目标：冷源系统（冷机、冷却塔、板式换热器）的控制变量是启停组合、负载分配、供水温度，目标是提高整体能效；风冷末端（精密空调、行级空调及风机）的控制变量是送风温度、风量、风机转速，目标是控制机柜入口温度、减少过度供冷；液冷系统（CDU、换热器及液冷回路）则要解决冷却回路独立控制造成的效率损失。

报告特别指出，把冷源、末端、液冷分开控制会带来效率损失，而AI的价值正是在这些原本割裂的回路之间做联合寻优。这就是为什么AI节能的效果往往不是从某台设备里"抠"出来的，而是从设备之间的协同里省出来的。

第三层是边缘计算与端侧AI。报告给出了云边协同的三层架构，并用CDU（冷量分配单元）的快速响应与节能控制作为端侧AI的应用示例——把响应速度要求高的控制逻辑下沉到本地，避免云侧往返延迟带来的滞后。同时报告强调单点故障时其他节点可以接管控制，这是稳态运行的前提。

还有一节专门讲AI控制本身的可靠性、鲁棒性与韧性，这部分很实用。报告把安全保障分成三类：模型可信（不确定性量化、分布外检测、模型有效域管理），解决"AI是否理解当前系统"；执行安全（本地指令校核、通信监护、无扰切换、分层控制、分阶段上线），解决"正确决策能否安全执行"；系统韧性，解决"故障后如何维持核心功能"。报告的提醒很直接：AI一旦误判可能引发连锁反应，局部异常可能扩散为系统级问题，因此面向全生命周期的安全保障和应急管理机制必须同步建设。

五、算电协同与AI智慧运维：把电、冷、储能放进同一个账户

算电协同这一章回答的是"AI能不能帮算力中心省钱、甚至赚钱"。

报告先给了预测能力的精度参照：负荷预测的平均误差可控制在5%以内，为日前优化调度提供可靠边界条件。在此基础上，报告构建了四层调度体系，覆盖电价预测、调峰调频等辅助服务需求、负荷迁移策略与执行反馈的闭环调控。

算冷协同则是把冷负荷预测与冷却系统控制打通。报告展示了冷负荷预测与冷却系统控制逻辑，以及面向算电冷协同的水蓄冷系统协同调度方案——水蓄冷的价值在于把"冷"也变成一种可以错峰存储的资产，在低电价时段蓄冷、高电价时段释冷，和电池储能的逻辑一致。

储能侧，报告介绍了储能系统AI-EMS，以及园区级"源网荷储"协同优化平台架构。这个平台把电源、电网、负荷、储能放进同一个优化目标里，报告称其能提升整体经济性，支撑算电协同体系高效落地。

智慧运维这一章给了四个方向：一是健康管理与预测性维护，建立统一的设备健康度评价与异常溯源基础，把"抢修"变成"计划修"；二是故障诊断与根因定位，报告提到一个很实用的设计——把故障案例沉淀下来，后续同类故障无需重复全量排查；三是自动化闭环运维；四是专属知识库与运维助手，报告给出的效果数据是文档出处召回准确率可达90%以上，相比传统关键词检索效果提升显著。报告对这条路径的判断是：运维体系会持续进化为具备自主学习能力的智能底座。

六、案例实践：五个项目分别省了多少

报告最后一章给了五个可核对的实践案例，每一个都有明确的量化结果。

案例一，超算中心系统级协同寻优。项目包含水泵、8台冷却水泵及3座自然冷却冷却塔，改造前冷机出水温度控制较粗放，PUE为1.28。AI的应用分三步：设备级性能建模（模型预测误差RRMSE小于3%，为全局寻优提供精确的虚拟仿真环境）、多参数联合优化（兼顾冷机安全运行边界）、自然冷却系统优化（减少冷机冬季运行时间）。收益是：全年PUE从1.28降至1.21，空调系统能耗降低约23%；2019年9月进入分享期以来，累计总节电量达1128万kWh，平均节能率24.6%，中心能源利用效率提升5.8%。

案例二，水冷冷站系统节能及PUE诊断。项目通过PUE性能诊断把运维从"抢修到计划修"转变，以2023年能耗数据为基准、按GB/T 26759-2011节能测试方法测算，制冷站全年节能率达16.1%，系统上线至今保持稳定安全运行。

案例三，风冷精密空调末端按需供冷。项目是某华东通信数据中心局站，共33个机房、318台风冷精密空调，原问题是回风温度与服务区域实际温度不一致、难以反映不同区域实际热负荷。这个案例最有价值的是它的安全设计：闭环运行保留不少于20%的制冷量冗余，单次停机不超过1台，总停机数量不超过机房空调数量的30%，发生高温、设备故障或数据中断时系统自动回退至预定义安全策略。效果上，温场由局部冷热不均向相对均衡状态收敛，项目阶段性测算节能率为12%。

案例四，间接蒸发冷却空调AI优化。项目为某数据中心基地1至9期共8栋数据中心，可容纳20万台服务器，全部建成后IT总容量超500MW。对基地配置的144台间接蒸发冷却空调实施AI优化后，预计AHU节能率可达13.6%，年节电量约253.3万kWh。

案例五，液冷系统节能。项目涉及64kW级CDU及5台水冷精密空调，液冷主要承担芯片热量、气冷系统承担其余部分。优化后温差控制在0.1至0.6℃，各组平均节电率达到10.3%。报告还提到一个设计端的数据：通过优化，设计能耗降幅约8.47%。

把这五个案例放在一起看，AI在绿色算力上的作用路径就很清楚了——它不改硬件，改的是设备之间怎么配合、冷和电怎么错峰、故障怎么提前发现。想继续跟踪算力基础设施、数据中心节能与算电协同方向的资料，可以到运营动脉（www.yydm.cn）检索，站点覆盖300+行业、7万+份报告与方案，适合做产业研究备查。

同一条线索，我们在《算力2025年吃掉1700亿度电、AI让风机多赚20%》里做过更细的拆解，可以对照着看。

七、常见问题解答（FAQ）

1. 这份《面向绿色算力的人工智能应用研究报告》是谁编写的，讲了什么？

报告由南京深度智控科技有限公司与中国信息通信研究院云计算与数字化研究所牵头撰写，共81页，参编单位包括富士康工业互联网股份有限公司、北京秦淮数据有限公司、中国联合网络通信有限公司上海市分公司、宁德时代新能源科技股份有限公司等。报告结构分七章：绪论（算力中心行业概况与绿色算力发展背景）、面向绿色算力的AI应用技术体系、AI数字孪生设计、AI能效优化控制、AI算电协同、AI智慧运维、案例实践。核心逻辑是用AI打通"设计—运行—调度—运维"的全生命周期，在不动硬件的前提下继续压低能耗。

2. 我国算力中心的用电与能效现状如何？

三组数据可以概括。规模上，截至2026年3月底我国在用算力中心机架总规模达1445万标准机架，截至2026年6月底智能算力规模达2185EFlops（FP16），已建成万卡以上智算设施52个。用电上，2019年至2024年我国算力中心用电量由824亿千瓦时增长至1660亿千瓦时，年均复合增长率约15%；2025年用电量为1960亿千瓦时，同比增加300亿千瓦时、增速18.1%，而同期全社会用电量增速仅5%。能效上，我国算力中心PUE由2019年的1.65降至2024年的1.46，但2024年较上年仅下降0.02，降幅总体收窄——说明传统工程手段的边际空间在缩小。同期，机房单机柜功率密度已从4-6kW跃升至40-120kW以上。

3. 数字孪生在绿色算力里到底解决什么问题？

解决"设计阶段看不清"和"选型靠经验"的问题。报告比较了三条建模路径：纯机理模型基于热力学、流体力学、传热学等物理原理构建偏微分方程，可解释但计算效率低，单次仿真通常要数小时；纯数据驱动模型靠历史运行数据训练，训练完成后可在毫秒级出结果，但依赖数据量、外推能力弱；物理AI模型把机理与数据融合，是报告推荐的方向。价值体现在两处：一是算力中心冷负荷80%以上来源于IT设备散热，而数字孪生仿真平台能给出系统全工况能效，帮助减少设备投资冗余，冷系统能耗可降低约5%至10%；二是仿真结果能形成自控编程的初始逻辑，减少后期现场调试成本。报告还设计了验证与反馈闭环，用运行数据反向校准模型。

4. AI能效优化具体动哪些设备？效果有多大？

寻优对象分三类：冷源系统（冷机、冷却塔、板式换热器），控制变量是启停组合、负载分配、供水温度；风冷末端（精密空调、行级空调及风机），控制变量是送风温度、风量、风机转速，目标是控制机柜入口温度、减少过度供冷；液冷系统（CDU、换热器及液冷回路），重点是消除冷却回路独立控制造成的效率损失。效果方面，报告给出的案例包括：超算中心项目全年PUE从1.28降至1.21、空调系统能耗降低约23%，进入分享期以来累计总节电量1128万kWh、平均节能率24.6%；水冷冷站项目全年节能率16.1%；华东某通信数据中心局站（33个机房、318台风冷精密空调）阶段性测算节能率12%；某数据中心基地144台间接蒸发冷却空调预计AHU节能率13.6%、年节电量约253.3万kWh；液冷项目各组平均节电率10.3%，温差控制在0.1至0.6℃。

5. 用AI控制制冷系统，万一AI判断错了怎么办？

报告专门用一节讲AI控制的可靠性、鲁棒性与韧性，把保障措施分成三类。一是模型可信，解决"AI是否理解当前系统"，手段包括不确定性量化、分布外检测、模型有效域管理；二是执行安全，解决"正确决策能否安全执行"，手段包括本地指令校核、通信监护、无扰切换、分层控制、分阶段上线；三是系统韧性，解决"故障后如何维持核心功能"。工程上的具体做法可以参考报告案例：某风冷末端按需供冷项目的闭环运行保留不少于20%的制冷量冗余，单次停机不超过1台，总停机数量不超过机房空调数量的30%，一旦发生高温、设备故障或数据中断，系统自动回退至预定义安全策略。报告也强调，AI一旦误判可能引发连锁反应，局部异常可能扩散为系统级问题，因此面向全生命周期的安全保障和应急管理机制必须同步建设。

延伸阅读：同一话题的几篇报告解读

这几篇报告解读和本文互为补充，看完能拼出更完整的一张图。

《GPU集群从千瓦吃到吉瓦》——同一个大话题下的另一条支线

《中国信通院“AI+消费”报告：人、物》——重点是人、物、场三要素重构下的万亿新蓝海

《86%教师担心学生丧失独立思考》——一份说透中国教师AI素养现状、挑战与转型路径的官方报告。