AI推理爆发正在改写
算电协同的投资地图
从"算力追着电力走"到"电力追着用户走"
摘要
AI从训练主导转向推理主导，不是一个技术趋势，而是算电协同底层逻辑的根本切换。训练负载可以追着西部绿电走（低电价、高时延容忍），推理负载必须贴近用户（低时延刚需）。这意味着电力基础设施投资的重心——至少从PE/VC视角看——正在从西部新能源基地转向东部城市周边的配电侧升级。本文梳理了这一判断的数据支撑和三个具体的投资方向。
一、为什么2026年是分水岭
2026年3月，"算电协同"首次写入政府工作报告，被纳入国家级新基建工程。但政策常常是趋势的结果而非原因——真正驱动算电协同从概念走向产业化的，是AI工作负载结构的根本性变化。
有几个数字值得并列来看：
| 指标 | 数值 | 来源 |
|---|---|---|
| 推理占AI总能耗 | 80-90% | Brookings / IEA |
| 2026年推理云基础设施支出 | $20.6B，首次超训练 | Deloitte |
| 推理算力占比（2023→2025） | 38% → 51% | IIM |
| 推理数据中心容量（2024→2030） | 2GW → 54GW（27倍） | Bain |
| 全球推理用电增速 | 30%/年 | IEA |
| 2030年推理占数据中心总需求 | 40%+（93.3GW） | McKinsey |
最关键的信号来自中国移动——2025年集采推理型AI设备超过50亿元，公司高管明确表态"调整训推比例，从以训练为主转向以推理资源布局为主"。运营商是算力基建的最大买方之一，它的转向比任何研报都说明问题。
二、训练与推理：两种完全不同的"用电动物"
大多数人讨论AI耗电时，脑子里想的是训练——几万张GPU跑几个月，电表飞转。但从电力系统角度看，训练和推理的电气特征差异远比能耗总量的差异更重要。
电气特征对比
| 维度 | AI训练 | AI推理 |
|---|---|---|
| 负载模式 | 持续高功率、可预测 | 突发、随机、时延敏感 |
| 功率波动 | 温和周期性波动 | 剧烈脉冲（空闲⇄满负荷瞬态切换） |
| 对电网压力 | 可控，可提前调度 | 冲击性负载，需动态响应 |
| 供电可靠性需求 | 高（中断成本大） | 极高（实时服务不可中断） |
| 典型PUE | 1.1-1.2（液冷为主） | 1.3-1.5（风液混合） |
| 冷却方案 | 直接芯片级液冷 | 风冷+局部液冷 |
学术研究已经证实（Ginzburg-Ganz et al., 2026），大型训练集群的同步计算和通信阶段会产生重复性功率摆动；而推理负载会在低功耗等待状态和短时高密度处理峰值之间剧烈切换。这两种负载对配电系统的要求完全不同。
选址逻辑差异
训练选址的核心约束是电价×容量——能不能找到足够便宜、足够多的电。
推理选址的核心约束是距离×时延——能不能在5-10毫秒内覆盖足够多的用户。
这意味着：
- 训练可以去西部。内蒙古风电0.2元/度、光伏利用率96%、大量未利用土地。
- 推理必须留在东部。北京/上海/杭州/深圳的电价是西部的3-4倍，配电网容量已接近极限。
中国已经形成了"西训东推"的共识。大模型的离线训练任务迁至宁夏、贵州、内蒙古等西部枢纽节点，核心推理和研发业务留在本地。这不是战略选择——是物理规律决定的。
三、推理爆发创造的新投资机会
推理负载在东部城市群爆发，而东部电网的规划逻辑至今仍是"用电跟着电源走"。这个时间差和结构差，就是PE的切入点。
方向一：城市配电侧升级
推理数据中心的功率密度远高于同等面积的传统数据中心。100MW推理单机柜功率已达50-100kW，是传统数据中心的5-10倍。
这对城市配电网意味着什么？
传统配电网是为居民+商业平稳负荷设计的。一个110kV变电站的典型供电半径是5-10公里，覆盖几十个商业综合体。现在突然塞进一个100MW的推理集群，它的峰值功率、谐波含量、电压波动都超出常规设计范围。
解决方案包括：
- 数据中心专用变电站：从220kV直接降压到10kV，避免占用公共配电网容量
- 中压直供方案：35kV直接供电到机柜，省去中间变压环节，效率提升3-5%
- 预制舱式模块化变电站：工厂预制、现场拼装，交付周期从18个月压缩到6个月
市场规模估算：假设到2030年中国推理数据中心新增容量50GW，平均每MW配套配电投资150-200万元，这就是750-1000亿的市场。当前市场的尴尬是——做配电设备的公司不知道推理需求在爆发，做数据中心的不知道配电设备迭代这么快。
方向二：边缘绿电——微型的源网荷储
推理节点不一定都是超大规模数据中心。Agentic AI正在推动推理负载从集中走向分布。单个人工智能体工作流可能消耗1000倍于简单查询的token，千人千面的Agent将产生海量分布式的推理请求。
每个城市级推理节点都面临一个选择：全部依赖电网高价电（0.6-0.8元/度），还是自己配一部分绿电？
算一笔账：5MW推理节点，年用电量约4400万kWh。配2MW屋顶光伏（年发电约220万kWh）+ 1MWh储能（日循环1次，套利约0.3元/kWh）：
- 光伏部分：年节省电费约130万元（按0.6元/度计算）
- 储能部分：年套利约11万元
- 总投资约1200万元
- 静态回收期约4-5年
这个账在2026年已经能算了——储能成本三年降了30%，组件价格还在降。而且边缘绿电还有一层隐性收益：参与需求响应。在电价高的时候主动降载（把推理任务排队），在电价低的时候满负荷跑。北京虚拟电厂试点中，数据中心参与调峰的收益约合0.5-0.8元/kW·次。
方向三：推理专用供电设备
这个品类以前被统称为"电力设备"，PE很少单独看。但推理负载的特征正在催生一个专门的设备品类。
训练集群多用HVDC 800V集中供电——一台大UPS带几百个机柜，架构简单，成本最优。但推理节点更适合48V分布式供电——每个机柜独立配电、独立备电、独立监控。原因是推理负载波动大，集中供电在低负载时段效率骤降。
技术溢价已经出现：
- 适配推理波动的模块化UPS：比传统UPS贵25-30%，但效率在低负载段仍保持95%+
- 推理级配电单元（PDU）：集成智能监控+动态负载分配，单价是通用PDU的2倍
- 高密度预制舱变压器：支持50-100kW/rack的功率密度，替代传统的20-30kW/rack
这些单品市场目前每家每年几亿到十几亿元的规模，但CAGR在40%以上。3-5年后可能成长出若干百亿级细分赛道。
四、一个框架
算电协同这个词很大，落实到PE/VC投资决策上，可以简化为一个二分法框架：
| 训练端 | 推理端 | |
|---|---|---|
| 核心约束 | 西部绿电成本+容量 | 东部配电+时延 |
| PE投资标的 | 绿电电站、PPA结构 | 配电网设备、边缘微网 |
| 政策敏感性 | 高（新能源指标+补贴） | 中（配电网规划标准） |
| 竞争格局 | 重资产，国企主导 | 相对分散，民企有机会 |
| 技术迭代速度 | 慢（电力工程建设周期） | 快（IT+电力融合） |
| 当前市场热度 | 高（已充分挖掘） | 低（被忽视） |
上半区是过去两年资本追逐的热点，下半区可能是未来两年的增量。
五、风险提示
- 推理占比预测可能高估：如果AI应用推广不及预期，或模型效率提升超预期（如DeepSeek风格的突破），推理能耗增速可能放缓。
- 城市配电网投资主体不明：这块投资理论上应该是电网公司的责任，但电网的投资节奏受政策规划约束。民资/PE介入的通道和回报机制尚不清晰。
- 边缘绿电的经济账依然脆弱：依赖储能成本持续下降和电力现货市场成熟度，两个变量都有不确定性。
结论
AI推理的爆发不是量变——它改变了算力负载的地理分布、电气特征和基础设施需求。从PE/VC视角看，这意味着一件事：过去两年算电协同的投资故事以"西部绿电+训练集群"为主线，未来可能切换到"东部配电+推理节点"的新叙事。
中国84个绿电直连项目已经完成审批，它们主要服务训练端。推理端的配套才刚刚起步——而需求已经在敲门了。
数据来源：IEA《Energy and AI》(2026)、Bain & Company Global Data Center Forecast (2026.06)、McKinsey AI Data Center Growth (2026.02)、Deloitte TMT Predictions 2026、中电联2026年经济形势与电力发展分析预测会、中国移动采购与招标网、产业调研网Cir.cn
