算力与能源约束：算力爆发会否被能源与材料瓶颈“卡住”，我们如何在能效、绿色电力与芯片工艺之间实现可持续平衡？
2025年前后，大模型训练与推理让数据中心用电、散热与先进封装材料需求激增，部分地区出现“电力-土地-水资源”三重约束。算力扩张所产生的技术外部性与社会总体收益如何匹配？算力带来的生产率提升，能否充分覆盖其能源消耗与环境代价？
柏 亮（零壹智库CEO、Web3.01创始人）：1.单位智能能耗曲线的暂时陡峭与长期回落。AI技术的进步，追求更高的“智能产出/能耗比”。当前阶段，算力需求的爆发导致数据中心能耗快速攀升，引发社会对能源、碳排与资源消耗的焦虑。这一阶段属于技术跃迁的“能耗陡峭期”，即在算法、硬件与系统协同尚未成熟前，能耗曲线暂时上扬。但随着更多技术创新和技术成熟，单位能耗下的智能产出将迅速提升，在拐点到来后，能耗增长将趋缓，而智能输出将成倍扩张。届时，单位智能的成本将一下子就下降，AI进入高效能时代。
2.产业成本的周期性“先升后降”。类似的路径也将出现在算力、算法、芯片与材料成本的演化中。当前AI产业正经历高昂的投资周期——先进制程、封装材料与高带宽内存的价格持续上升，使算力成本显着抬高。但这也是技术范式更迭前的必要阶段，当算法、芯片、材料一直在改进之后，单位算力、单位存储与单位能耗的成本都将迎来拐点式下降。这在某种程度上预示着AI行业将在经历一轮高成本积累后，迈入成本效率持续提升的长周期阶段，实现智能供给的规模化与可持续化。
3.局部失衡与整体优化。从长周期来看，AI与算力革命所带来的社会总体收益是持续上升的——它提升了生产率，催生了新产业形态，也扩展了知识与创新的边界，扩大了文明半径。然而，在短周期内，这种收益分布并不均衡，呈现出显著的结构性分化。
首先，不同人群、地区与产业间的利益此消彼长。其次，在时间维度上，收益与成本的比例并非线性同步，AI发展的早期阶段往往体现为高能耗、高成本与生态压力集中释放，而社会回报的兑现则有着非常明显的滞后性，要经历一个“修复-优化-再均衡”的过程。
因此，经济与社会政策应当正视并干预这种局部失衡——通过绿色投资、技能转型、区域协调与碳补偿机制，引导技术红利更均衡地扩散。尽管没办法实现完全的同步平衡，但政策可以在时间与空间两个维度上尽可能平滑技术波动带来的收益差异，使AI进步真正转化为包容性的社会增长力量。
蔡 辉（资深媒体人、书评人）：如果是一个完善市场的话，这种担忧其实是不必要的，市场总能最有效率地分配资源，在效率与能源消耗、环境代价之间找到平衡，非人力可操控。正如当年罗马俱乐部发出末日警告，可这么多年过去了，末日并没到来，反而日渐远去。并不是人类的消费减少了，或者采取了什么集体克制的方案，而是市场在其中发挥了作用，只要保证市场是健康的、自主的，不用工程主义的思维去干预它。
如果出现能源、资源瓶颈的话，该技术的某个分项会迅速崛起，成为新的增长点。比较可参考的例子是英伟达，很长时期只为发烧友所熟悉，而今天成了最重要的硬件商，改写了市场规则，这是当年根本不可能设想的。
用“集中力量办大事”的思路，英伟达当年早就应该归并到巨头企业中了。所以，如何确保市场的多元化选择，鼓励创新，比解决能源—资源瓶颈应该更优先。
邓 斌（书享界创始人、《AI启示》译者）：在现有大模型尺度定律（Scaling Law）的范式之下，这样的一个问题是很难有本质改善的，即使技术可行，资本也不同意。我认为，有可能的突围是算法突破和新材料突破，也就是期待更多的“DeepSeek时刻”。从这个意义来看，我觉得未来中国如果在AI上能与美国全面平等对话，应该会在能源管控上做切入，在新材料上突破。华为2025年9月发布的重磅报告《智能世界2035》，也表达了类似观点。
段伟文（科技哲学学者）：这是当前人工智能国家竞争的一个热点问题。美国人的数据中心建设搞得很夸张，把它当未来的基础设施来建设，甚至将这种AI大基建视为拉动经济发展的新引擎。但问题是，这一决策的可行性和可持续的前提是两大赌注：一是AGI（通用AI）或ASI（超级人工智能）赌注，即相信规模定律将继续发挥作用，大力出奇迹，靠堆算力可在短时间内实现通人工智能甚至超级智能，谁先搞出来就能碾压对手、赢者通吃；二是AI经济跃迁赌注，即相信算力的跃迁必然在近期带来生产率的跃迁。
我认为，第一个赌注在近10年不可能实现，第二个赌注在近二三年不可能实现。这一波人工智能虽然目前在拼算力和材料，但实质性的技术突破已经放缓，应用层面也不会很快带来显著的效益。也就是说，由于地理政治学竞争的加持，全世界被一种盲目对抗的力量裹挟，目前的人工智能实际上处于大而不能破的“厚泡沫”时期，如同一时吹不破的气球。因此，即便在国家竞争的驱使下能在某些特定的程度上实现能效、绿色电力与芯片工艺的平衡，如果总能耗增加且获益者高度集中，不仅将带来更高的乃至不可逆的环境负债，而且会因盲目的AI替代而牺牲一代人乃至人类获取知识和技能的元认知能力。
简言之，由于人类并没有想好发展AI的目的究竟是什么，大而不破的AI厚泡沫有几率会使21世纪的全球大萧条。虽然，人类最后会从这场大萧条中走出来，但代价可能极其高昂。
段玉聪（国际先进的技术与工程院院士、美国国家人工智能科学院通讯院士）：算力爆炸带来了数据中心能源与材料消耗的飙升，这是不可忽视的警讯。当前全球数据中心耗电约占总电力的1.5%，预计到2030年将翻倍至945太瓦时，相当于整个日本现有的用电量。这使部分地区出现“电力-土地-水资源”三重约束的瓶颈：例如新加坡因数据中心对土地和电力需求过高，早在2019年就暂停了新中心建设。如此高速扩张的算力对能源安全和碳中和目标构成压力，如果应对不当，预计到2035年数据中心年碳排放将从当前约1.8亿吨增至3亿吨，增幅惊人。然而，算力带来的生产率提升是否足以覆盖其能源环境代价？这是一个需辩证看待的问题。一方面，生成式AI等应用确实能提升各行业效率和产出，但若每提升1%GDP却消耗更多电力甚至引发20%的电力增长，那社会效益和外部成本就未必匹配。近年来就有地区反思数据中心“耗电20%却仅贡献1%GDP”的得失，凸显出算力扩张的边际收益问题。
要实现能效、绿色电力与芯片工艺间的可持续平衡，我们应该多管齐下。首先是提升算力能效：继续推进半导体工艺改进和新架构设计，让每单位算力耗电更低。芯片巨头近年在大模型任务上已将能效提高了数万倍，未来还需发展更先进封装材料和散热技术降低能耗损失。
其次是绿色电力赋能算力：科技公司正积极采购可再次生产的能源，甚至探索小型核反应堆来为数据中心供电，以减少对化石电力的依赖。在2030年后，模块化核电站、储能结合风光电等都有望投入数据中心运行，保障高算力运算的同时实现低碳稳定供能。
再次，加强基础设施规划：电网容量必须跟上AI算力需求量开始上涨，否则正如IEA警告的，将有20%的新建数据中心计划因供电不足而被推迟。这在某种程度上预示着政府需提早布局电力和水冷等配套设施，在审批新算力项目时统筹区域资源承载能力。
最后，完善外部性内部化机制：通过碳定价、绿色标准等手段，把算力扩张的环境代价纳入决策。如对高耗能的数据中心设定更严格PUE能效要求，鼓励余热回收和循环用水，实现算力增长对环境“取之有道”。
只有将能效提升、清洁电力供给和芯片技术创新同步推进，并引入政策机制平衡算力的外部性成本，才能确保算力扩张带来的社会总收益大于能源环境代价，实现真正可持续的算力发展。
冯兴元（中国社会科学院农村发展研究所研究员、中国社科院研究生院教授）：算力扩张所产生的技术外部性包括正外部性与负外部性，造成“电力-土地-水资源”三重约束瓶颈，属于负外部性，即负面外部影响。现在和未来数年，训练大模型和云推理的算力扩张是造成高能耗最主要的因素。比如，训练一个GPT-4级大模型，单次训练能耗达10-100 GWh（相当于1万户家庭一年用电）。未来是机器人大军所需本地边缘AI能耗是造成高能耗的大头。
AI的大量开发利用，体现为算力扩张，其提升生产率的程度是空前的，实际上体现了奥地利学派第二代代表人物庞巴维克所讲的“迂回生产”（Roundabout Production）。迂回生产理论的核心逻辑是，通过投入更多资本与时间，增加了生产阶段，构建了更长的生产链（迂回），最终获得更高的生产率。AI的大量开发利用，构成一种超级迂回生产结构。算力扩张带来的生产率提升，体现为各种经济与非经济收益，会远超于覆盖其能源消耗与环境代价。庞巴维克若在世，会说：“AI不是魔法，而是人类有史以来最长的生产链——用十年凝结的资本，换取千年手工无法企及的丰裕。”
算力扩展将依赖太阳能、水能、风能和核能。核能包括传统核能和非传统核能。中国钍基核能革命以钍熔盐堆（Thorium Molten Salt Reactor, TMSR）为核心，标志着从传统铀基核电向更安全、可持续的“第四代”核技术的跃迁。这一革命源于中国科学院上海应用物理研究所主导的TMSR项目，自2011年起投资约30亿元人民币，已于2023年实现关键性突破，并在2025年加速商业化。
不同于西方国家对钍技术的“半途而废”，中国通过“战略耐力”实现了全球首例钍燃料在线转化与稳定运行， 定位为实现“双碳目标”（2060年碳中和）的关键支柱。钍基核能的核心是钍-232（Th-232）作为燃料，通过中子捕获转化为可裂变的铀-233（U-233），在熔盐介质中实现链式反应。相较传统压水堆（PWR），TMSR设计更“被动安全”，体现了“物理本征”原理。2025年，中国在甘肃民勤2MW实验堆实现“世界首例”钍燃料加载与转化，证明了熔盐系统的技术可行性。 这借鉴了20世纪60年代美国橡树岭实验，但中国克服了材料腐蚀难题（使用新型镍基合金）。钍基核能大量节约用水，会非常大程度上减轻对土地和水造成的负荷。传统能源的可开发量难以支持算力扩张。算力扩展必然需要依赖太阳能、水能、风能和核能，尤其是钍基核能这样对新核能。另外，空间太阳能发电（Space-Based Solar Power, SBSP）技术，即在轨道上部署太阳能阵列，收集太阳能量，通过微波或激光无线传输回地球。
这种概念自1968年提出以来，受火箭成本下降和AI/数据中心能耗激增驱动，2025年迎来美国、中国、日本和英国多国关键突破。它不是科幻，而是解决全球能源危机（预计2030年AI需9%电力）的现实路径。中国2025年发射了中小型实验卫星（110MW级），实现千米级阵列在线转化；结合钍核，目标在2035年建成GW级电站。空间太阳能灯意义不止于“无限太阳能”，而是重塑全球能源格局：提供连续基载电力（99.7%可用率），效率是地面太阳能的5-10倍（空间1m产5kW vs 地面1kW）。摩根斯坦利（Morgan Stanley）在2024-2025年的多份AI能源消耗报告中（如《Powering GenAI: How Much Power, and Who Benefits?》和《China - AI: The Sleeping Giant Awakens》），将中国视为AI能源转型的关键玩家。报告强调，中国能源生产的规模化优势、政府主导投资和清洁能源产能，将显着贡献于全球AI电力需求（预计2030年达945 TWh/年）。这不是“辅助角色”，而是战略性领导力——中国可通过出口LNG、核电技术和电力基础设施，填补AI数据中心扩张的“能源缺口”。
AI能耗激增（年增长70%）将重塑全球能源格局，中国作为“世界工厂+能源巨人”，其生产潜力可覆盖3050%的增量需求，并加速脱碳转型。
算力带来的生产率提升，能否充分覆盖其能源消耗与环境代价，可以看算力密集型的AI开发企业能否弥补自己在能源和环境方面的私人成本和它们造成的外部成本。算力密集型的AI开发企业会有私人成本与私人收益，它们的运营所带来外部成本和外部收益，私人成本与外部成本之和为社会成本，私人收益与外部收益之和为社会收益。AI开发的相关能耗和环境代价意义上的社会成本需要尽可能内部化到这一些企业。如果能源价格考虑到了能源本身的成本和环境代价，体现可持续性，而这些AI研发企业可承受这些价格，公众愿意争相购买其股票，说明其是盈利的，其带来的企业收益肯定是覆盖了能源本身的成本和环境代价的。企业收益大是因为社会收益大，是因为对社会带来了前所未有的生产率提升。
不同能源的定价要反映其真实成本。企业利用成本最低廉的能源。不同的能源之间在此基础上相互竞争，争取其使用者。AI的开发利用要基于这一逻辑。未来能源开发利用对土地和水的负荷会大幅度的降低。另外，AI发展会带来一场前所未有的农业革命。未来农业对土地密集利用的依赖性将大幅度的降低。土地的稀缺性将会大大降低。
顾 嘉（云南白药首席战略官、CEO战略助理）：算力不是单看“耗电大不大”，而是“每度电创造多少真实价值”。核心是三点：算力中心强制绑定绿电与节能标准；鼓励高效芯片、液冷、先进封装等能效竞赛；对大算力项目要求“社会收益评估”（科研、产业、公共服务），把粗放扩张变成精益投入。但“大力出奇迹”的思想钢印很强大，很难说在这样的领域在遇到结构性瓶颈或者灾难性事件之前会有什么变化。
何 霞（AI与社会经济研究中心副主任）：从长期看，算力带来的生产率提升，可以充分覆盖其能源消耗与环境。算力是基础设施，从长期看，与社会效率可以匹配；但是从短期看，算力是超前布局。
胡延平（上海财经大学特聘教授、智能科技产业与智能经济研究学者）：能源短缺只是结构性局部问题，美国这方面突出一些，中国并不严重。能源不是智能的约束条件，更不是决定智能水准的重要的因素。智能原力从根本上还是取决于算法、数据、算力，这是人工智能科技的基本发展范式。
金建方（世界生态社会科学协会会长）：算力扩张必须纳入 “能效—绿色电力—材料循环” 的三元协衡：以PUE/水耗/碳强度为强约束，优先布局可再生直供与余热回收；对先进封装与稀缺材料实施 “设计即可回收” 与再制造责任。通过 “生态信用-绿色电价-负荷响应” 联动，让算力的社会边际收益覆盖其环境成本；对高碳时段计算实施动态定价与排放预算，倒逼任务迁移与模型蒸馏。
李 斌（中关村智慧能源产业联盟副理事长、中国移动通讯联合会首席数字能源官）：在中国，短时期不可能会出现。这三者关系，不在一个系统。
李长华（北京尚参科技有限公司创始人、央企特聘信息化专家）：新型技术将大幅度降低对能源的消耗，这些技术包括CPO技术、量子技术、新型算法等。绿色电力将成为未来主要电力，不考虑人类移民太空的需求，风、光、水、核巨变电能将解决所有能源消耗问题。
李大维（中国创客文化教父）：当前数据中心面临的 “电力-土地-水资源” 三重约束，本质是技术代际滞后与市场信号缺失共同导致的阶段性矛盾，而非不可突破的终极瓶颈。这一判断基于三大核心逻辑：
Transformer架构的O(N)复杂度并非智能计算的终点。新一代架构已展现出颠覆性能效优势：RWKV以线倍训练速度提升，内存占用保持恒定；Mamba 在32K词推理任务中速度达到Transformer的10倍，内存占用降低50%；而SpikingBrAIn-1.0通过脉冲神经机制，将乘加运算能耗较FP16精度降低97.7%，100万token上下文推理耗时减少96.2%。这些突破意味着未来同等算力输出的能源需求将呈数量级下降，从源头缓解资源压力。
加密货币从GPU挖矿到ASIC专用芯片的演进路径，正在 AI 领域重现。Groq的LPU推理芯片已实现每 token 能耗 0.45mJ，是 NVIDIA H100 的 1/7，其核心创新在于移除冗余控制逻辑，将硅片资源集中于计算单元。随着Token经济价值明确，市场将加速推动训练型ASIC芯片落地，预计2027年前专用芯片可使算力能源效率再提升5-10倍，复制比特大陆对矿机行业的颠覆性影响。
当前 “暴力计算” 导致的高能耗，根源在于Token经济价值尚未形成公允定价。当AI服务的Token单价（如每千 token 推理成本）通过市场之间的竞争确立后，企业将自发在 “算力投入-能源成本-收益产出” 间寻找平衡点：低效算力方案因成本过高被淘汰，高效技术（如混合精度计算可提升 30% 算力利用率）成为刚需。这一过程与云计算从 “资源堆砌” 到 “按需付费” 的演进逻辑一致，最终实现能源消耗与价值产出的精准匹配。
李玉杰（二六三网络通信股份有限公司董事长兼总裁）：历史的经验告诉我们，算力的尽头是能源与材料，这条路的尽头并非断崖，而是通往一个更智能、更绿色的未来。突破瓶颈的重点是打破传统单点优化的思路，转向系统性的协同，核心是构建一个涵盖绿色电力、能效革命、芯片架构创新以及政策市场的整体解决方案。
李周园（北京林业大学副教授）：在大数据与大模型洪流推动的智慧化社会转型中，算力的爆发式增长不可避免地受到能源、资源与材料的多重约束。这一趋势揭示了人工智能加速发展与环境可持续性之间的深层张力。正如马斯克所断言，“AI 的尽头是能源”，但进一步思考则发现，算力的尽头不仅在于能源瓶颈，还在于土地资源的承载极限、生态环境的代价，以及由此引发的人与自然关系的重新塑造。2025年前后，随着大模型训练与推理的能耗急剧上升，数据中心的“电力-土地-水资源”三重约束已在部分地区显现。这要求我们重新审视算力扩张的技术外部性与社会总体收益之间的匹配关系：生产率提升是否足以覆盖能源消耗与环境成本，成为当下亟需思考和解决的议题。
在能效、绿色电力与芯片工艺之间实现可持续平衡，需从宏观与微观两个层面展开。宏观层面，应基于新阶段技术与生态耦合的规律，突破古典经济学的线性增长和零和博弈的传统假设，吸收可持续经济学、生态经济学、环境经济学及新能源地理学等跨学科理论成果，建立面向未来的资源-能源-生态耦合开放的评估体系，对“电力-土地-水资源”系统来进行科学权衡与战略性优化。这不仅是能源调度问题，更是“社会-技术-自然”三元系统协调发展的方向性判断。
微观层面，则需回归技术与产业的具体实现路径。通过材料科学创新、制造业升级与产业链协同，提升芯片能效、散热与封装工艺，实现算力增长与资源效率的同步提升。唯有如此，才能在快速地发展的数字文明进程中维持自然资源的永续与生态系统的和谐。
这一平衡思路亦见于2015年“锡耶纳俱乐部”着作《增长极限下的繁荣：道法自然》（Flourishing Within Limits to Growth: Following Natures Way）。该书作为对1972年“罗马俱乐部”《增长的极限》（Limits to Growth）的历史性回应，以系统动力学视角揭示了在有限资源约束下，人类社会实现持续繁荣的路径。其核心思想在于“顺应自然规律而非对抗”，强调唯有深刻理解并融入自然系统，人类科学技术进步才能真正的完成内生的可持续性。算力未来，亦当如此。
刘兴亮（知名数字化的经济学者、DCCI互联网研究院院长）：随着大模型训练、推理规模逐步扩大，数据中心的电力、散热、水资源、土地使用等约束日益显着。算力扩张固然推动生产效率与技术创新，但其背后的能源消耗与材料使用（如先进封装、冷却系统、稀缺金属）也带来环境与资源成本。
若生产率提升不能覆盖这些外部代价，则“扩算力”可能反而成为负担：一方面可能加剧地方资源争夺（电、水、土地），另一方面可能引发碳排放、热排放、电子废弃物等。解决路径包括：提升能效（更低功耗芯片、优化算法）、遍布绿色电力（可再次生产的能源+数据中心就地布局）、材料循环利用与先进封装替代策略。从制度设计来看，还需要将算力外部性（资源消耗、环境影响）与社会收益匹配，可能通过碳定价、资源税、算力使用监管等方式。
归根结底来看，算力不是“无限畅通”的资源，其持续扩展必须在能效、绿色电力、材料约束三者之间取得平衡，否则有可能会被“能源-土地-水资源”瓶颈“卡住”。
刘业进（首都经济贸易大学城市经济与公共管理学院的教授、博士生导师）：算力与能源约束受制于资源稀缺性，必须在能源在算力提升和其他经济用途进行妥协。但是，长期中，这种约束并不是确定不变的，因为能源获取的基础研究和技术进步本身不可预测。
刘志毅（中国人工智能领军科学家、上海市人工智能社会治理协同创新中心研究员）：算力爆发不会被能源与材料瓶颈长期 “卡住”，其核心逻辑在于 AI 技术驱动的计算架构革新、能效优化与算电协同体系可构建动态突破路径，而可持续平衡的实现依赖于 “非冯诺依曼架构创新-AI赋能能效提-算电智能调度” 的三元技术闭环：AI 通过深度学习优化芯片版图设计与工艺适配，突破传统硅基芯片的物理极限，同时依托模型压缩、量化剪枝与异构计算架构，将算力需求与硬件能耗的耦合关系重构为 “性能-能效” 的动态优化目标；在能源协同层面，AI 驱动的跨区域算力调度系统能够实时匹配绿色电力的时空供给特征，将算力任务在 “云-边-端” 层级间动态迁移，实现芯片工艺迭代的性能提升、AI 优化的能效突破与绿色电力消纳的精准适配，最终通过技术创新将能源与材料约束转化为算力可持续发展的倒逼动力，而非不可逾越的壁垒。
盧希鹏（台湾科技大学信息管理系特聘教授）：算力扩张的物理限制：算力的扩张正遭遇“电力、土地、水资源”三重约束的极限挑战。大型模型训练需要庞大的电力供应与冷却系统，全球数据中心的能耗已接近整个国家的用电量。为降低散热成本，许多公司开始将伺服器设于寒冷地区或靠近水源，却又造成当地能源竞争与环境压力。随着摩尔定律趋缓，单位能耗的算力提升速度放缓，使得“算力-能源-生态”之间的张力日益明显。未来重点是：能否透过创新架构（如光电混合晶片、液冷系统、边缘运算）与再次生产的能源布局，使算力的生产率增长能抵消其能源与环境代价，达成永续运算的平衡。
马 勇（中国社科院近代史所研究员、博士生导师）：具体的技术性我不懂，但我相信能源消耗的代价不可支持时，算力扩张自然会减缓，除非政府无代价强制干预。
马光悌（中国科学院大学金融科技研究中心教授）：力量，在人类科技发展中，是个必须的要素。从蒸汽机车的推力、电动机为力源而演变的各种动力、磁场产生的磁力，如此等等。共同的特点是，将能源转变成机械力的各种模式。信息时代开始，特别是在目前的数字时代，人们开始注意到另一种力——算力。
目前所谈论的算力，往往是指为完成智能化任务而需要的机器的开销。算力指的是数据处理能力 ，是集信息计算力、网络运载力、数据存储力于一体的新型生产力，主要是通过算力中心等算力基础设施向社会提供服务 ，存在于手机、笔记本、超级计算机等各种智能硬件设备 。其本义是表示某个设备或系统的计算性能，随只能时代的到来，智能计算的三要素——算力、算法、数据，慢慢的变成为社会的信息基础设施的重要组成部分，“算力”的内涵逐步扩大到用户能获得的体现为用户实际效用的计算性能 。
我们应当看到，这里的算力与传统机械力、磁力还有不同之处。机械力是由电、气、风等能源产生，而算力，除了用电让一台计算机运行，还要靠计算机的运算和处理能力。
算力消耗的不光是传统意义上的能源，更重要的是处理数据的能力。这种提供算力的机器，“磨损”度最高的是显卡。显卡的核就是GPU，GPU由高性能芯片构成。传统概念的能源卡不住算力，仅仅是耗电问题。而真正的瓶颈在于芯片。在同样硬件环境、同样算法水平下，GPU性能的“天花板”就是算力的瓶颈。绿色电力（电力的环保获得形式）、绿色存储（低耗电、不耗电的非易失信息数据存储non-volatile memory)能在一定角度、某些特定的程度、减低算力的开销。但后摩尔时代、亚微米工艺的白热化竞争，才是突破瓶颈的所在。
因此，能效、电力、芯片工艺（关乎GPU的能力）之间微妙平衡，一定不是人为能干预的，而是竞争、需求、环保，它们自己形成的。就像市场经济，一只无形的手在操纵一切。
马旗戟（盘古智库老龄社会研究院院长）：走“能效优先+绿色协同”路径肯定是关键，算力爆发需匹配能源可持续，目前能想到的是通过优化芯片先进封装工艺、数据中心液冷技术降低能耗，同时绑定风电、光电、生物电等绿电资源，推动水资源循环利用。算力带来的生产率提升应该能通过产业升级、数字化的经济赋能实体经济来放大收益，形成“算力-效益-节能”正向循环，让技术进步与环境代价实现动态平衡。
盘和林（知名经济学家、工信部信息通信经济专家委员会委员）：其实，通过资源循环再生系统能在某些特定的程度上处理问题，比如在内蒙古和山西就有一些算力中心采用的是自发电方式，一方面，位于靠北位置的内蒙古温度较低，适合散热，另一方面，内蒙古阳光充足，通过光伏电站+储能电站的配备，能轻松实现电力自给自足。而对于水资源，能够使用循环水的模式来尝试在缺水地区减少水量消耗。除此之外，内蒙古土地资源也较为丰富。所以，解决算力和资源的矛盾，根本路径是两条：其一是选址，在没有资源瓶颈的地区布局算力中心，其二是技术，散热技术，芯片制造技术，余热再利用技术，都将是未来解决能耗问题的重要路径。
孙曾田（著名纪录片导演）：我不认为算力爆发会被能源与材料瓶颈“卡住”。现在和未来，各种大自然的能源还没有充分的利用，如风能、太阳能、潮汐能、可燃冰等等，只要科学技术进步，人工智能的发展又提供了尽快突破瓶颈的可能性，将不会被“卡住”。
汪云志（资深媒体人、溪山天使汇执委）：人类文明发展史上从来没有过一种技术进步会引起直接能预见的能源危机，单纯从这个方面来说，本轮AI大模型成长所需要的算力和能源供应的紧迫感，恰恰说明本轮AI大模型成长的不可持续性，一个正常发展的生态不允许这样的物种存在。一种可能是：其兴也勃也，其亡也忽也。最有可能的替代方案是新方案的算力需求急剧下降，能源需求与急剧下降，或者是在同等能源消耗水平上，算力水平急剧提高。
王 淼（中国通信工业协会智慧商旅产业创新研究院秘书长）：数据、算力、能源相互之间的关系绝不是此消彼长的关系，从发展的眼光看，应该是相互支撑，不停地改进革新迭代，互为需求，阶段领跑的关系。当前新能源产业的发展也会因数据和算力的需求发展快速迭代，从核聚变到太空光伏，甚至未来的月球、火星、星际计划，都将释放更大规模的科技生产力，突破“卡住”瓶颈，创造更具想象力的经济效益与社会文明进步。枉谈“环境代价”“放慢发展”都是非常保守和危险的科技发展噪音。
王 中（首都科技发展战略研究院科幻产业发展中心主任）：当前以大语言模型为核心的AI发展路径，在能效上正呈现出不可持续的态势。其技术本质，可以视为一种依赖“暴力计算”的范式：通过在海量人类语料（这本质上是人类思维活动产生的、经过咀嚼的“信息副产品”）中搜寻统计规律，来生成新的内容。这种方法过程上存在根本性的低效，为了换取边际的性能提升，往往需要耗费指数级增长的算力与能源，直接引发了我们在2025年前后目睹的“电力-土地-水资源”三重约束的紧张局面。
因此，一个尖锐的问题是：算力带来的生产率提升，能否覆盖其巨大的环境代价？我的判断是，在现有路径下，其产生的技术外部性（能源、散热、材料需求）正迅速逼近甚至有可能超过其社会总体收益。这种“高能耗、弱理解”的智能模式，其长期性价比是存疑的。
要破局，必须寻求根本性的范式转变。 我们应果断超越对“规模至上”的路径依赖，转而探索更接近人类智能习得方式的道路。这正是李飞飞等科学家所倡导的“世界模型”与“空间智能” 的方向——其核心是让AI通过视觉、触觉乃至具身交互等多模态信息，直接学习并构建对物理世界运作规律的内在理解，而非仅仅从文本中反推因果。
相比于当前大语言模型范式，这种路径有望实现“降维打击”式的能效提升。因为它学习的是高度抽象和普适的物理规则与因果逻辑，能极大地提升数据与计算效率，从根本上降低对数据规模和算力堆砌的依赖。这不仅是用更少的能源做更多的事，更是通往具备真正常识与推理能力的AGI的更可能路径。投资于此，才是实现算力扩张与能源环境可持续平衡的治本之策。
谢丹夏（清华大学社会科学学院长聘副教授、博士生导师）：算力扩张可能带来生产率的提升，并且要与算法等的改进相结合。常温可控核聚变已经写入十五五规划，如果在未来可以在一定程度上完成，将解除人工智能的能源限制。
星 河（知名科幻小说作家）：这应该是技术发展初期的困惑，完全不用担心，随着该项技术本身和伴随技术的进一步开发，必然会有处理方法。想想世界上第一台电子计算机ENIAC（按目前的主流话语定义），耗电量极大，这里不说具体数据，就说那个段子：据说每次启动时当地全城的电灯全都一暗！可后来呢？随着计算机技术的发展，结果不言而喻。
醒 客（科技财经作家、轻组织创始人）：可持续发展是现代社会的核心议题，AI时代继续了这一趋势。
一个方面答案非常清晰：利用模型推理实现的数字智能化，相比传统工业社会的工业生产线具有更高的效率，这一趋势可以总结为：从机械、电力到微电子，能源越来越集中在必要环节，而预备环节则采用了越来越节能的处理技术。
另一方面的答案相对模糊，智能的基础设施——大模型训练，动辄十万片机房建设，建设成本和能耗都是惊人的，一旦训练出的大模型达不到市场预期，也就会造成数额惊人的浪费。没有人能在训练前保证某款大模型一定会被市场追捧，这是模糊的，但也与工业时代其他基础设施建设具有相同性：城市里的地铁、快速路、车站、写字楼是否投资过热。所有的投资过热反映了过度竞争，无论是工业基础还是智能基础，以前积累的方法依然可以借鉴。
因此，智能化是否可持续平衡，是一个经典经济学问题，不是智能时代的技术问题。
许剑秋（东方音像出版社社长、东方出版社原总编辑）：这样一些问题目前的确存在。如果算力技术在耗电方面有新的突破，尤其在芯片方面，以上问题就不存在。算力算法新突破，其实是个哲学问题，解决算力与电子的矛盾，在技术上应该应该转变赛道。听说在这方面，有公司取得了突破性的成果。这应该是革命性的。
张 晓（中国互联网络信息中心副主任）：能源与材料确实是算力爆发的瓶颈，但只是瓶颈之一。在被能源与材料卡住之前，算力爆发可能会被别的啥东西先卡住一下。当算力的供给侧发现了自己赚不到什么钱，但生意还能继续做下去的时候，差不多就达到可持续平衡了。
张其亮（独立学者）：算力激增带来的电力需求暴涨对人类肯定是个挑战，但也不是解决不了的大问题，这将推动两个方向的科技加快速度进行发展：1.非高能耗的算力，比如量子计算；2.新型能源，远的比如戴森球、核聚变，近的比如SpaceX把算力送到太空，这些都是不错的尝试。人类大可不必因为电力的短期吃紧而放慢算力的高密度部署。
赵 刚（赛智产业研究院院长、北京赛智时代信息技术咨询有限公司CEO）：我的观点是算力爆发不会被能源与材料瓶颈“卡住”。其实，在AI大规模部署和应用来临之前，地球上已经有几十亿的高等智能体——就是我们人类。他们的确也消耗很多能量，但他们完美和谐的生存着。他们明白能量守恒定律，也知道怎么更高效、更绿色的使用能量，包括：从太阳系获取能量；寻找和挖掘和利用煤矿、石油等不可再次生产的能源；利用风能、水电、光伏等绿色能源等。他们自身的智能系统也是非常高效的，每个大脑的耗能只有20瓦左右。
反观AI算力对能源的需求，可预计的能源需求量的确是巨大的。因此，在AI加快速度进行发展中，的确要考虑能源约束。但总体上看，能源约束不是一个很大的问题，还是比较乐观的。理由有三点：
一，当前的能源供应能够很好的满足AI基础模型迭代对算力的要求，随着AI模型的推理化和智能体化，AI本身并没有对能源提出更高量级的要求。
二，随着AI系统更加聪明，AI系统也会找到更高效的能源消耗的方式和结构。
三，能源技术本身也在发展，可控核聚变等新的能源供给方式也会提供更大的能量供给。
从算力的外部性和经济性等方面的考虑，算力慢慢的变成为公共资源，需要政府和企业加大公共性的能源基础设施和算力基础设施的投资和运营，让所有企业或个人公平享有通用的、低成本的、绿色能源支撑的算力云供给服务。
李 宁（微信网友）：算力与能源是一对矛盾，相辅相成。算力扩展是生产力发展的体现，未来的算力将向绿色算力发展，正如人脑仅几十瓦功率却能思考宇宙、创造世界。
张 云（UNC-Chapel Hill经济学博士，AI创业者）：这样的一个问题应该不会持续很久。因为，算力需求其实是目前的技术瓶颈导致的，但目前的技术也只是一个暂时的过渡阶段。为什么这么说? 要实现真正的AGI，以目前的技术方法，即使把太阳全部的能量拿到手，也不能解决初阶的信息搜索问题。破解初阶的搜索可能不是一个目前多数人理解的受能量约束的问题。
很明显的佐证是：我们人脑是在使用一个很低耗能的搜索方式。由此看来，我们该还会获得新的技术突破。那时目前遇到的算力问题就不复存在了。在目前情况下，市场会做出“裁决”。即当AI消耗能量导致的边界效益低于能量的生产所带来的成本，市场自然会给现存技术亮红灯。很多事情我们也许不用过分担忧。当下应该还是AI发展的早期，目前的技术是否可行，在时间的检验下会自然明朗。我们始终相信，科学家的工作还会有全新的突破。
苇草智酷（全称：北京苇草智酷科技文化有限公司）是一家思想者社群组织。通过种种形式的沙龙、对话、培训、丛书编撰、论坛合作、专题咨询、音视频内容生产、国内外学术交流活动，以及每年一度的苇草思想者大会（原名互联网思想者大会），苇草智酷致力于广泛联系和连接科技前沿、应用实践、艺术人文等领域的学术团体和个人，促成更多有意愿、有能力、有造诣的同道成为智酷社区的成员，共同交流思想，启迪智慧，重塑认知。
