中美人工智能竞争：中文和电力或许能让中国笑到最后

人工智能这场竞赛打到现在，表面上看是芯片、模型、算法的比拼，但越来越多业内人士开始意识到，真正决定胜负的可能不是硅谷实验室里的那几行代码，而是两样看起来跟AI关系不大的东西——语言和电力。

前者决定人机交互的效率，后者决定算力能不能持续供得上。在这两条赛道上，中国的底子恰恰都不薄。

先说电力这条主线。今年8月初，国家能源局和工信部联合发布《数据中心与新能源基地协同规划建设导则（2026年版）》，首次以部门规章的形式明确要求新建万卡级以上智算中心必须配套不低于30%的本地绿电直供能力，PUE不得高于1.18。

几乎同一时间，国家电网主导编制的《柔性直流输电系统技术规范》正式发布，为西部风光基地向东部算力枢纽输送绿电提供了标准化接口。

两件事凑在同一周，指向再明确不过——AI的比拼已经从"谁的GPU多"下沉到"谁能以更低的度电成本、更稳定的绿电供给撑起万亿参数模型"。要理解这背后的分量，就得先把中国电力系统这些年悄悄发生的深层变化梳理清楚。

回到基本盘。国家能源局6月25日公布的数据显示，截至今年5月末，中国发电装机容量达到40.1亿千瓦，是欧盟和美国装机总和的约1.7倍，占全球总装机的近三成。这个数字放到十年前几乎不敢想。

2015年时中国发电量只比美国高20%左右，到2024年，中国全年发电量约10.2万亿千瓦时，美国约4.4万亿千瓦时，差距拉到了2.3倍。而且中国这些年电力消费一直保持年均8%左右的增长，美国过去二十年电力需求几乎原地踏步，这就是所谓"电子鸿沟"的由来。

用电结构本身也在剧变。2025年7月，全国月度用电量首次突破一万亿千瓦时；新能源装机占比已经接近50%，发电量突破20%。这些数字反映出中国电力系统正在经历一次深层的结构性重塑。

要理解这场重塑，得先把电力系统的基本盘讲清楚。日常生活中用的电，来自电厂发电，通过电网输配，最终送到用户手里。

电厂、电网、用户三个环节构成整个系统。电的一个特殊之处在于它具有实时性，整个系统必须从生产到消费始终保持实时平衡：电厂发多少，用户就得用多少；用户用多少，电厂就得发多少。为了满足这一要求，电力系统里演化出了各种调节、监测、保护控制的手段。

这几年欧洲、北美接连出现大规模停电，海外电网和国内其实存在显著差异。国内电网更强调安全性，且由于地域辽阔，能够实现跨区域的电力调配，这比欧洲那种国家之间靠电力交易来平衡的模式要有力得多。

海外多为小电网结构，稳定性和调节能力天然受限，一旦极端天气或新能源出力剧烈波动，就容易出事。

电价这块，中国的市场化程度也在逐步提升。所谓"负电价"的出现，本质是供需关系决定的：当某个时段发电量远超用电需求，而新能源机组又难以停机时，为了促使更多人用电或减少发电，电价就可能出现负值。这不是电力系统出问题，而恰恰是市场机制在发挥作用。

从发展脉络看，中国电力发展大致经历了三个阶段。2000年到2010年，以"源"为中心建设高压电网；2010年到2020年，以"网"为中心建设大型风光基地；2020年以后，重心转向"荷"，也就是负荷侧，开始建设源网荷储一体化系统。

这条演进路径反映出电力系统从供给主导逐步向需求响应主导的转变。用电侧最近的变化是，在总用电量越来越大的同时，用电端本身也在逐步走向零碳化和清洁化。

新能源的发展也走过了三个阶段：全额上网、余电上网、不许上网。当地方电网消纳能力饱和、新能源电力不许全额上网时，就只能就地消纳，这直接催生了绿电直连、微电网、虚拟电厂这些解决方案。

虚拟电厂是基于电力系统架构，运用信息通信和系统集成控制技术，把分布式电源、可调节负荷、储能等各类分散资源聚合起来，作为新型经营主体参与电力系统优化和市场交易的一种组织模式。

微电网则是一个可以独立运行的小型电力系统，由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成。

政策层面这两年动作也很密集。

136号文《关于深化新能源上网电价市场化改革 促进新能源高质量发展的通知》推动电价市场化，《关于加快推进虚拟电厂发展的指导意见》为聚合分散资源打开政策空间，而2025年8月27日由国家发改委和国家能源局联合印发的《新型储能规模化建设专项行动方案（2025—2027年）》则给出了未来三年新型储能的路线图。

这套政策组合拳合在一起，正在把中国电力系统一步步推向真正的市场化交易。

新能源虽然发电成本低，但调节成本高，这部分成本以前主要由电网承担，现在正被更多地抛回给发电或用电企业，这就催生了"新型电力系统"这个概念。技术上它面临的挑战不少，包括分布式资源的聚合调度、实时控制的精细化、多主体参与下的市场协同等等。

这里就自然接到了AI这条线。人工智能的核心是算力，算力说白了就是芯片，而芯片是不折不扣的"电老虎"。英伟达H100的峰值功耗大约700瓦，一年耗电3700千瓦时上下，一座算力中心动辄几万块这样的芯片。

根据能源研究所今年8月发布的数据，2025年全球数据中心用电量达到788太瓦时，比2024年的658太瓦时暴涨近20%，比2020年的411太瓦时翻了将近一倍。

其中美国数据中心消耗312.6太瓦时，占全球39.7%；中国排第二，205.7太瓦时，占26.1%。这还只是开始，国际能源署预测到2035年全球数据中心用电将达到1596太瓦时，比2025年再涨255%。

美国的问题在于，它虽然目前在先进芯片和大模型上暂时领先，但电力这块吃紧得厉害。摩根士丹利已经预警，美国数据中心未来三年可能出现44吉瓦的电力缺口。美国新建电厂普遍需要四年以上，输电项目甚至要十年，审批体制碎片化让这个瓶颈一时半会解不开。

相比之下，中国从2010年到2024年新增发电量超过世界其他所有国家之和，仅2024年一年就新增装机543吉瓦，比美国建国以来累计新增总量还多。中国5万公里以上的特高压输电线路，美国至今一公里都没有，这就是差距。

《协同规划导则》里还有个更深的东西——它把智算中心从单纯的"用电负荷"重新定义为"可调节的电网资源"。新一代智算架构正在引入"弹性算力"的概念：训练任务被拆成可暂停、可迁移的微任务单元，配合液冷系统的蓄冷缓冲和储能的短时支撑，智算中心可以在电网调峰指令下实现分钟级负荷调节，幅度可达额定功率的20%到30%。

这样一来智算中心就不只是绿电的消费者，还是新能源消纳的稳定器，风光出力高峰时吸纳过剩电力训练模型，出力低谷时降低非紧急负载。综合用电成本能比纯网购电低15%到25%，还能拿到辅助服务收益。这种"东数西算"深化下的算力-能源耦合，是美国目前学不来的。

也正因为如此，未来AI的竞争同时也是能源系统的竞争。能源系统为AI算力提供坚实的电力保障，AI反过来又能在负荷预测、故障诊断、调度优化等环节帮助电力系统跑得更聪明。这是一种双向奔赴的关系。

说完电力，再说另一条容易被忽视的线索——语言。人工智能要走进日常生活，绕不开与人的交互，无非四种方式：口语、文字、视觉、意念。视觉靠手势和肢体语言，各语种没差别，但另外三种，中文的优势相当明显。

中文和表音文字最大的区别在于信息密度和信息带宽。同样表达一个意思，中文占的空间更小、说出来更短。在语音指令的收发效率上，中文比英语等表音文字大约高出30%到50%。

AI芯片处理语言的过程本质是高速运算，语言越冗长、信息密度越低，芯片要处理的冗余数据就越多，运算量成倍上升。

对于按线性程序走的传统计算，这点差异或许无关紧要，但对于具备自我学习、自我理解能力的智能模型，运算机制完全不同，算力消耗可能是几倍甚至几十倍的差别。放到几百上千亿美元的AI基建投入里，30%的效率差异就是一笔巨款。

训练环节也是一样。所谓大模型训练，说白了就是让模型接触海量语料、拟合参数。同样处理一天1EB的数据，中文语料承载的信息量确实要比英文多。

国外一部所谓百万字巨著，翻译成中文往往只剩四五十万字，厚度直接砍半。这就意味着在同等算力和时间投入下，用中文训练可能获得更高的信息吸收效率。

当然，这个优势能不能真正兑现，还取决于高质量中文语料的积累、清洗和结构化程度，也取决于中文分词、语义理解等基础技术的持续突破。

把这两条线拼在一起看，格局就清晰了。美国现在的领先，更多集中在先进芯片、头部模型和资本市场估值这些"上层建筑"上。

但AI要真正变成水电煤那样的基础设施，比拼的就不是谁的模型评测跑分高一分，而是谁能以更低的成本、更稳定的供给、更高的效率把算力铺到千行百业。

这时候，中国在电力总量、清洁能源装机、特高压输电、储能产业链上的全方位优势，加上中文本身在信息密度上的天然禀赋，就会一点一点地兑现成实实在在的竞争力。

当然，说这些不是要贬低对手，也不意味着中国可以躺赢。中国AI在高端芯片制造、基础模型创新、生态开放度上仍有明显短板，煤电占比偏高、西部弃风弃光问题也没有彻底解决。

但从长周期看，AI这场竞赛比的是耐力和体系化能力，不是短跑冲刺。当"每瓦算力"取代"每美元算力"成为行业核心指标，当电力工程师和算法工程师坐在同一张设计桌前，当西部戈壁上转动的风机叶片直接驱动千里之外的大模型训练——那才是AI真正落到人类文明基础设施里的样子。

到那个时候，谁笑到最后，答案或许比现在人们想象的更明朗。