七部门给AI加上“资源账”:大模型竞争开始比谁更省电
核心来源：
① 中央网信办等七部门：《促进数字化绿色化协同转型发展实施方案（2026—2030年）》[1]
② 中央网信办：《实施方案》答记者问[2]
③ 国际能源署：Key Questions on Energy and AI[3]
④ 国家发展改革委、国家能源局：2025年可再生能源电力消纳责任权重及有关事项[4]
⑤ 国家数据局：全国一体化算力网算力中心算力运行监测指标体系[5]
本文所有数字均取自上述公开来源；省级消纳责任权重区间为HaiDatas根据官方附件整理。政策原文使用“指导主动披露”，不等于已经建立强制公开制度。
人们使用大模型时，看得见的是回答速度、Token价格和模型能力。
看不见的是另一张账单。
服务器要用电，芯片要散热，机房要用水，模型训练、推理和智能体反复调用还会不断放大资源消耗。过去，这些成本大多藏在云厂商和数据中心的运营账里，很少成为模型产品本身的公开指标。
9月4日发布的一份七部门文件，开始改变这件事。
它没有给出“每个大模型最多用多少电”的统一限额，也没有要求企业立即公布一张标准化能耗表。但它把一个过去容易被忽略的问题正式写入政策：生成式AI不仅要评价能力和安全，也要评价全生命周期的资源消耗。
政策把模型、机柜和绿电放进一张表
《实施方案》围绕2030年前碳达峰目标，部署4方面14项任务。
其中与AI直接相关的要求，并不只针对数据中心。
| 政策层级 | 文件提出的动作 | 未来可能形成的指标 |
|---|---|---|
| 模型与算法 | 推动混合专家、动态稀疏、量化、剪枝和轻量化部署 | 单次任务能耗、单位Token能耗、不同任务类型资源开销 |
| 软硬件系统 | 加强低功耗芯片、算子库、通信、编译、框架和多智能体协同 | 每瓦算力、有效吞吐、集群利用率、任务完成能耗 |
| 算力设施 | 推广液冷、余热回收，探索800V高压直流供电和超百千瓦单机柜 | PUE、WUE、绿电比例、机柜功率密度、碳效 |
| 治理与披露 | 构建生成式AI全生命周期资源消耗评估体系，指导服务商主动披露资源利用情况 | 披露边界、计算口径、更新频率、第三方核验 |
这四层放在一起，政策信号就变得清楚：AI能效不再只是数据中心物业或运维部门的事，而要沿着“芯片—系统—模型—服务”整条链条计算。
过去常用的PUE，只回答机房总用电与IT设备用电之间的比例。它能反映制冷、供配电等基础设施是否高效，却不能说明同样一度电最终完成了多少次有效推理、生成了多少合格视频，或者一个智能体为了完成任务重试了多少遍。
因此，文件中更值得关注的词不是“节能”，而是“全生命周期资源消耗评估”。
这意味着评价对象可能从一座机房，继续下沉到一个模型、一项任务和一次交付。
单次任务越来越省电，为什么总用电仍然上涨50%
国际能源署2026年更新的数据，解释了政策为什么在此时出现。
| 全球AI与数据中心用电指标 | 最新数据或预测 |
|---|---|
| 2025年全球数据中心用电量 | 485太瓦时 |
| 2025年数据中心用电增速 | 17% |
| 2025年AI专用数据中心用电增速 | 50% |
| 2030年全球数据中心用电量预测 | 约950太瓦时 |
| 2030年占全球用电比例 | 约3% |
| 2025—2030年AI专用数据中心用电变化 | 约增至3倍 |
这组数据看上去与另一组事实矛盾。
国际能源署同时指出，近几年单项AI任务的能效每年至少提高一个数量级。简单文本查询的耗电已经很低；即便把传统互联网搜索全部替换为简单AI文本查询，全年新增用电也低于4太瓦时，不到当前数据中心总用电的1%。
问题在于，AI任务不再只有简单问答。
视频生成、复杂推理和智能体任务的单次用电，可能是简单文本生成的数百倍乃至数千倍。与此同时，用户数量、调用频率和自动执行时长都在增加。一个人提问一次，和一个智能体连续规划、调用工具、检查结果并反复重试，不是同一种负荷。
这形成了AI时代的“效率悖论”。
核心判断：每项任务变省电，不代表整个行业会少用电；当价格下降、能力提高和使用量增长得更快时，总用电仍会继续上升。
所以，只公布“新模型能效提高多少”是不够的。
真正需要同时观察的是三个变量：单项任务效率提高了多少、任务量增长了多少、任务结构是否从文本转向视频、推理和智能体。
AI的“资源账”到底应该记什么
目前，七部门文件尚未给出统一披露模板。但国家数据局此前发布的算力运行监测指标体系，已经提供了一套可用的基础语言。
| 指标 | 计算口径 | 能回答的问题 |
|---|---|---|
| 总耗电量 | 算力中心运行消耗的全部电量 | 设施一共用了多少电 |
| 绿电使用占比 | 绿电消纳总量÷设施运行总用电量 | 用电中有多少来自绿电或绿证 |
| PUE | 算力中心总能耗÷IT设备能耗 | 机房制冷和供配电是否高效 |
| WUE | 水资源总消耗量÷IT设备耗电量 | 每度IT用电对应消耗多少水 |
| 算效比CE | 算力规模÷IT设备功耗 | 每瓦电能支撑多少理论算力 |
| 智算资源负载率 | 已分配智算资源÷智算资源总量 | 买来的智算资源是否真正被使用 |
这些指标能够说明一座算力中心的运行状态，却还不能完整回答模型服务的资源效率。
例如，两家公司可以使用PUE相同的机房，但其中一家模型完成同一任务需要更长上下文、更多推理步骤和更多重试，最终耗电仍可能明显更高。反过来，一个参数更大的模型，如果一次就能完成任务，也可能比反复失败的小模型消耗更少的总资源。
因此，未来真正有商业价值的“模型资源账”，至少还需要增加任务层指标：
◆ 完成一次有效任务消耗多少Token、计算时间和电力；
◆ 首次成功率是多少，失败重试消耗了多少资源；
◆ 文本、图像、视频、推理和智能体分别采用什么口径；
◆ 训练、微调、评测、推理和闲置容量如何分摊；
◆ 使用的是平均电力结构，还是能够对应到具体时段和地点的绿电；
◆ 数字由企业自行估算，还是可以被第三方复核。
这也解释了为什么“资源披露”比看上去更难。
AI服务跨越模型提供商、云平台、芯片集群和数据中心。任何一方只披露自己的局部数字，都可能无法还原一次任务的完整资源成本。
2030年的绿电目标，不是全国统一一个百分比
《实施方案》提出，到2030年，推动算力设施等重点领域可再生能源电力消费水平达到所在省份的可再生能源电力消纳责任权重水平。
这里的关键是“所在省份”。
不同地区的能源结构并不相同，目标也不会天然相同。以目前已经公布的2026年预期目标作为参照，各省级地区的可再生能源电力总量消纳责任权重从福建的25.2%，到四川、云南、青海的70.0%，存在明显差异。
| 已有指标 | 适用对象 | 2026年数值 |
|---|---|---|
| 省级可再生能源电力总量消纳责任权重预期目标 | 各省级行政区域 | 25.2%—70.0% |
| 重点用能行业绿色电力消费比例 | 电解铝、钢铁、水泥、多晶硅等 | 26.2%—70.0% |
| 国家枢纽节点新建数据中心绿色电力消费比例 | 特定国家枢纽节点的新建数据中心 | 80.0% |
需要注意，这三组数字适用对象不同，不能直接互相替代。
80%针对国家枢纽节点新建数据中心；省级消纳责任权重则是地区层面的电力结构指标。七部门新方案提出的是面向2030年的总体方向，并没有在文件中给所有算力设施设定统一的80%门槛。
但政策正在形成一条连续链条：先对特定新建数据中心设置较高绿电比例，再把算力设施的可再生能源消费、绿证交易、绿电直连和算电协同纳入更广泛的五年部署。
对算力项目而言，这会改变选址和成本结构。
电价低不再是唯一条件。一个项目还要看当地有多少稳定绿电、能否获得绿证、并网需要多久、负荷能否调节，以及模型任务能否在时间和地域之间迁移。
“800V＋百千瓦机柜”说明AI正在改造供电系统
政策文件还出现了两个很具体的工程信号：探索800V高压直流供电架构，推动超百千瓦单机柜部署。
传统数据中心的机柜功率密度较低，供电和制冷系统可以围绕相对稳定的服务器负荷设计。AI加速器集中部署后，一台机柜承载的芯片更多，功率更高，训练和推理还会带来快速的负荷波动。
数据中心机房实景（场景示意，不代表文中所述AI算力设施）｜摄影：Helpameout｜来源：Wikimedia Commons｜CC BY-SA 3.0
国际能源署预计，到2027年，一台先进数据中心机柜的峰值功率需求可能相当于65个家庭；2020年至2025年，AI服务器功率密度已提高11倍，到2027年还可能再提高4倍。
这意味着AI竞争不只改造芯片和网络，也在改造配电、变压器、液冷、储能和电网接入。
| 基础设施变化 | 对应问题 | 可能受益的产业环节 |
|---|---|---|
| 800V高压直流供电 | 高密度机柜如何减少转换损耗、提高供电效率 | 电源设备、功率半导体、配电系统 |
| 超百千瓦单机柜 | 更多加速器如何集中部署 | 服务器、机柜、母线、连接器 |
| 液冷与余热回收 | 高热密度如何稳定运行并利用废热 | 液冷、换热、泵阀、热管理 |
| 绿电直连与算电协同 | 算力负荷如何匹配新能源供给 | 新能源、电网、储能、调度软件 |
| 全生命周期监测 | 能耗、用水、碳排和算力产出如何核算 | 能源管理软件、计量、审计与认证 |
之前政策有提到AI的钱正在从“买卡”流向“连卡”。这份政策进一步补上了下一层：卡连接起来之后，还必须获得稳定、低成本、可核算的电力。
买卡决定理论算力，连卡决定集群效率，供电决定系统能否真正开机。
谁会为这张资源账付钱
短期看，资源披露首先会增加计量、数据治理和系统改造成本。
模型公司需要知道不同版本、不同任务和不同部署方式的资源开销；云厂商需要把共享集群的用电合理分摊到客户和模型；数据中心需要记录绿电、用水、PUE和负载；企业客户则需要判断所谓“绿色AI”是否只是一张年度证书，还是能够对应到真实任务。
但同一套数据也可能创造新的竞争优势。
当模型能力逐渐接近、Token价格持续下降，单位有效任务的资源成本会直接影响毛利。能用更少推理步骤、更高首次成功率和更高集群利用率完成任务的公司，不只更绿色，也可能更赚钱。
未来AI采购表中，可能出现三本并列的账：
◆ 能力账：准确率、任务成功率、延迟和安全性；
◆ 财务账：Token价格、单任务成本、运维和人工复核成本；
◆ 资源账：电力、水、绿电比例、碳排和基础设施利用率。
三本账不能互相替代。
最省电的模型如果频繁失败，没有实际价值；能力最强的模型如果单位任务成本过高，也难以规模化；购买大量绿证如果没有同步改善能效，只解决了电力来源问题，没有解决资源浪费问题。
下一轮模型竞争，要看“每项有效任务”
七部门文件目前给出的是方向，不是一张已经可以逐栏填写的强制报表。
它没有规定模型公司必须披露哪些字段、多久披露一次，也没有给出不披露的处罚条款。不同任务的能耗如何比较、共享算力如何分摊、绿证如何对应到具体模型服务，仍需要后续标准和试点回答。
但政策边界已经向前移动了一步。
过去，模型公司可以主要讲参数、性能、用户量和Token价格；未来，至少还要面对一个新的问题：这些能力以什么资源成本获得。
HaiDatas对这份文件的核心判断是：AI的竞争单位正在从“每百万Token多少钱”，继续走向“每项有效任务消耗多少资源”。
这个变化会把模型效率、任务成功率、芯片能效、集群利用率、数据中心PUE、绿电比例和电网条件连接起来。
真正优秀的AI系统，不是简单把单次调用的能耗数字做低，而是用更少的总资源完成更多可靠任务，并且能够把这笔账解释清楚、核验清楚。
参数表之后，资源表可能成为大模型的下一张成绩单。
数据边界
◆ 《实施方案》提出“指导生成式人工智能服务提供商主动披露大模型资源利用情况”，目前不是带统一模板、固定频次和处罚条款的强制公开制度。
◆ 文件没有给出全国统一的2030年算力设施绿电比例；“达到所在省份消纳责任权重”意味着目标与地区能源结构相关。
◆ 2026年省级责任权重25.2%—70.0%及重点行业26.2%—70.0%为现行预期目标，不能直接当作2030年最终数值。
◆ 国家枢纽节点新建数据中心80%的绿色电力消费比例只适用于特定对象，不能外推到所有存量和新建算力设施。
◆ 国际能源署的485太瓦时和950太瓦时统计对象是全球数据中心，不全部属于AI；AI专用数据中心用电增长50%和到2030年增至约3倍，是其单独测算。
◆ “数百倍至数千倍”描述的是视频生成、推理、智能体等高能耗任务相对简单文本生成的可能差异，不代表所有任务或所有模型都处于同一水平。
◆ PUE衡量数据中心总能耗与IT设备能耗之比，不能单独衡量模型完成有效任务的能源效率；算效比衡量理论算力与功耗，也不等于真实任务成功率。
参考链接
[1] https://www.cac.gov.cn/2026-09/04/c_1790271981772781.htm
[2] https://www.cac.gov.cn/2026-09/04/c_1790271981938942.htm
[3] https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
[4] https://www.ndrc.gov.cn/xwdt/tzgg/202507/t20250711_1399143.html
[5] https://www.nda.gov.cn/sjj/ywpd/szkjyjcss/0608/ff808081-96b465bf-0197-4f0dae39-0700.pdf