文：澤平宏觀團隊

摘要

隨著Deepseek、Grok等大模型不斷升級，全球人工智能產業迎來了巨大變革。2025年初，幻方發布的Deepseek-R1大模型，以極具競爭力的成本實現了相當卓越性能，這極大地激發了國內AI產業的投資熱情，AIDC人工智能數據中心產業由此進入黃金發展期。

AIDC是傳統IDC在AI算力驅動下的升級形態，核心是提供AI所需算力、數據和算法服務，堪稱智能時代的“算力工廠”。與IDC相比，AIDC在算力密度、散熱技術上差異顯著，以滿足AI高算力、高穩定性需求。政策端，國家算力摸底推動資源向高效企業集中，加速中小廠商出清。

本輪AIDC的發展浪潮主要圍繞兩條核心主線展開：

主線一：訓練端、推理端算力需求雙重爆發。

一方面，Deepseek-R1等大模型的涌現顯著降低AI發展門檻，引發算力需求激增，形成“效率提升-成本下降-需求擴張”的杰文斯悖論循環。

另一方面，AI技術正從GenAI向Agentic AI、Physical AI演進，Agent智能體在編程、智能駕駛、A2A等復雜場景的應用正快速普及。

展望未來，人形機器人的落地以及AI for Science的深入應用，將帶來可觀的增量算力需求。同時，多模態大模型驅動的現象級應用（如AI視頻生成、對話）亦值得重點關注，其爆發式增長將顯著拉動算力消耗。

主線二：全球云廠商加速資本開支。

云廠商作為支撐AI應用的關鍵載體，資本開支直接決定了算力供給與技術落地的進程。從海外云廠商資本開支看，頭部四家合計超3000億美元，同比增長超30%。從中國云廠商資本開支看，阿里、騰訊、百度等國內廠商的資本開支正在提速。

2025 年，在 Deepseek 推動下，國內 AI 敘事顯著升溫，國內云廠商資本開支有望迎來強勁增長拐點。阿里巴巴集團 CEO 吳泳銘表示，在云和 AI 的基礎設施投入預計將超越過去十年的總和。這一戰略表態可以被認為是國內 AI投資趨勢的催化劑，未來AIDC的投資建設將迎來新一輪增長浪潮，成為推動AI產業發展的重要基石。

目錄

1 AIDC：AI發展的“猛禽發動機”

1.1 AIDC歷史：從IDC到AIDC

1.2 AIDC變化：與IDC的差異哪？

1.3 AIDC用在哪：AIDC主要用于AI模型的訓推用

1.4 AIDC政策端：算力摸底減少市場低效供給

2 中國進入“AI+”敘事期，云廠商推動AIDC建設

2.1 Deepseek加速AI平權，大模型爆發帶動算力需求

2.2 新興場景：Agent、智能駕駛元年，釋放增量算力需求

2.3 全球云廠商資本開支提速，中國AI敘事加快AIDC建設

3 AIDC產業鏈：黃金發展新周期

3.1 AI芯片：H20封禁，國產加速替代

3.2 液冷：AI芯片功耗提升，帶動散熱需求

3.3 柴油發電機：AIDC的最后防線

3.4 可控核聚變：算力的盡頭是電力

正文

1 AIDC：AI發展的“猛禽發動機”

AIDC（人工智能數據中心，Artificial Intelligence Data Center）是傳統IDC（互聯網數據中心，Internet Data Center）在AI算力需求驅動下的升級形態，其核心是基于最新人工智能理論，采用領先的人工智能計算架構，提供AI應用所需算力服務、數據服務和算法服務的新型算力基礎設施。

簡言之，IDC是數字經濟的“通用倉儲”，滿足廣泛數字化需求，而AIDC是智能時代的“算力工廠”。

1.1 AIDC歷史：從IDC到AIDC

回顧過去幾十年的發展歷程，數據中心正走向智算數據中心。

技術萌芽期（1990年代）：基礎設施轉型的起點。隨著TCP/IP協議的全球普及和萬維網技術的突破，全球信息化基礎設施進入轉型期。國內早期的分布式數據處理節點開始聚合，形成現代數據中心的雛形。這一階段以技術探索為主導，基礎設施部署呈現密度快速提升、覆蓋范圍擴張的特征，雖然規模較小，但為后續發展奠定了網絡協議和基礎架構的技術基礎，標志著中國數據中心產業的萌芽。

產業化培育期（2000-2010年）：雙軌模式的形成。進入2000年，中國信息化建設迎來黃金發展期，互聯網應用從單一的門戶網站向電商、社交等多元化場景拓展，推動基礎設施服務標準升級。市場分化出兩條清晰路徑：企業級私有數據中心（EDC）滿足大型企業個性化需求，第三方托管的互聯網數據中心（IDC）開啟商業化服務模式。此階段以區域性分散部署的中小規模設施為主，初步構建起數字化經濟的基礎架構，形成"政企自建+第三方托管"的雙軌發展格局，產業集中度較低但市場化進程加速。

云轉型期（2010-2020年）：集約化發展的變革。虛擬化技術的成熟引發IT資源供給模式革命，超大規模集群架構替代傳統離散部署。行業競爭格局呈現三足鼎立：1）基礎電信運營商依托網絡資源優勢布局基礎設施；2）專業IDC服務商強化定制化服務能力；3）云服務巨頭（如阿里云、騰訊云）通過技術創新引領行業方向。產業重心向T3+以上高等級數據中心轉移。

智能算力增長期（2020年至今）：結構性升級的新周期。

在AI技術革命與數據要素市場化的雙重驅動下，數據中心產業發生結構性變革。需求端呈現兩極分化：超大規模數據中心聚焦基礎存儲與通用計算，滿足云計算、大數據等普惠需求；異構算力中心專注AI訓練推理等專業場景，適配深度學習、大模型訓練等高算力密度需求。具備全棧服務能力的第三方運營商憑借敏捷交付體系和技術中臺優勢快速擴張，行業集中度持續提升，標志著數據中心從"云化基礎設施"向"智能算力樞紐"的戰略升級。

四個階段的演進本質上是技術驅動-需求升級-模式創新的螺旋上升過程。從早期技術導入形成產業雛形，到市場化驅動雙軌發展，再到云化技術引發集約化變革，最終在AI和數據要素時代實現算力結構優化。每個階段的核心矛盾不同，技術萌芽期解決"有沒有"，產業化培育期解決"市場化"，云化轉型期解決"效率提升"，智能算力期解決"結構升級"。

1.2 AIDC變化：與IDC的差異哪？

AIDC與IDC的本質差異源于AI算力需求對基礎設施的重塑，其中有兩大核心變化：

1）算力密度與功耗層面，IDC以通用服務器為主，單機柜功率密度較低（4-8kW），而AIDC需部署高功率GPU/TPU服務器，單機柜功率達傳統IDC的5-10倍（10-100kW以上），硬件投入成本更高，但單位算力效率顯著提升；

2）散熱技術層面，IDC多采用風冷技術，而AIDC因高功率密度需引入液冷方案（如冷板式或浸沒式冷卻），以降低PUE值（電能使用效率），同時滿足長時間高負載運行的穩定性需求。根據英偉達，H200在高負載任務下產生的熱量較前代產品增加了約30%，為確保其穩定運行和持續高性能輸出，引入了液冷散熱技術。實驗對比顯示，液冷散熱效率較傳統風冷提升了約50%。

1.3 AIDC用在哪：AIDC主要用于AI模型的訓推用

AI模型的全面應用，是從訓練到推理多環節緊密協作的過程。這個過程包括基礎模型預訓練、行業或企業模型的二次訓練以及場景模型的微調，最終實現模型在實際環境中的部署與推理應用。AIDC最主要的是要圍繞AI模型訓練、推理和應用來規劃設計和實施。

基礎模型預訓練：大型互聯網企業與專注大模型研發的公司，以構建通用基礎模型為核心目標，其AIDC建設需打造具備十萬甚至百萬量級算力卡的超大規模集群平臺。這類企業在訓練過程中需處理萬億級Token數據，涵蓋文本、圖像、音視頻等多模態信息，以實現模型對通用知識的深度學習。

行業模型二次訓練：行業頭部企業基于通用基礎模型，疊加行業專屬數據進行二次訓練，以構建適配金融、醫療、制造等垂直領域的行業模型。此類訓練雖數據規模降至數億級Token，但仍需數百至數千張 NPU/GPU 算力卡支撐，且需解決行業數據的合規處理、特征提取及模型參數優化問題。

模型微調與推理：多數企業將AIDC作為模型微調與推理的核心平臺，結合自身業務場景數據對基礎模型或行業模型進行針對性優化，使其滿足客戶服務、智能決策、自動化生產等具體需求。推理環節對AIDC的性能指標提出精細要求：面向個人用戶的ToC服務需降低延遲以提升交互體驗，面向企業客戶的ToB服務強調高并發處理能力與穩定性，而企業內部應用則更注重算力使用效率與數據安全性。

1.4 AIDC政策端：算力摸底減少市場低效供給

國家層面算力摸底，減少市場低效供給。4月16日，地方發改委《關于開展算力摸底有關工作的通知》已下發，通知顯示，摸底工作涉及已建、在建和擬建算力中心項目，摸底數據將作為國家算?資源統籌布局的重要依據。根據IDC圈統計，2025年一季度，我國大陸共165個智算中心項目出現新動態，分布在29個省份，除37個未披露投資額的項目外，128個項目總規劃投資總額超過4300億元。項目狀態方面，58%的項目處于已審批籌建狀態、33%處于在建或即將投產狀態、僅10%處于已投產/試運行狀態。

根據《全國數據資源調查報告（2024年）》，2024年，全國算力總規模達到280EFLOPS（每秒百億億次浮點運算），智能算力規模達90EFLOPS，占比提升至32%，為海量數據計算提供智能底座。其中，中央企業算力規模增長近3倍，智能算力占比為40.22%；數據技術企業算力規模同比增長近1倍，智能算力占比為43.63%。根據IDC預計，2025年中國智能算力規模將達到1,037.3EFLOPS，2028年將達到2,781.9EFLOPS，2023-2028年中國智能算力規模和通用算力規模的五年年復合增長率分別達46.2%和18.8%。

回顧歷史，本次算力摸底可以認為是此前政策延續。自2020年《關于加快構建全國一體化大數據中心協同創新體系的指導意見》發布以來，國家持續推動算力資源統籌，清退“小散老舊”數據中心，2022年進一步明確PUE≤1.3的能效標準，淘汰高耗能低效產能。此次摸底將細化到“已建、在建、擬建”算力中心，動態掌握算力規模（如智算/通算占比）、利用率、能耗等指標，為國家層面統籌東西部資源匹配提供數據支撐。

我國數據中心投資主體主要包括互聯網大廠、運營商、地方政府、第三方IDC廠商。算力摸底政策是國家層面推動算力基礎設施高質量發展的關鍵一步，通過數據驅動的精準調控，將有效遏制盲目建設，引導資源向技術領先、運營高效的頭部企業集中。

短期內可能加劇中小廠商出清，但長期看，龍頭第三方IDC廠商和具備全棧能力的科技企業將主導市場，推動中國算力產業從“規模擴張”轉向“價值提升”。

2 中國進入“AI+”敘事期，云廠商推動AIDC建設

2.1 Deepseek加速AI平權，大模型爆發帶動算力需求

2025年初，Deepseek帶動國內大語言模型爆發。DeepSeek的引人注目之處在于它克服了計算能力的限制。DeepSeek專注于算法效率，而非單純的計算能力競爭。有效降低了中國AI發展的門檻，中國突破美國的科技制裁限制，進而加速AI平權，使得算力需求在中國爆發。

2025年5月，DeepSeek團隊的新論文《Inference-Time Scaling for Generalist Reward Modeling》發布，引入了一種自我原則點評調優（SPCT）的方法，基于此方法推出DeepSeek GRM模型，27B的參數能跑出目前R1模型671B參數相當的性能。

從實驗結果來看，DeepSeek GRM模型進一步壓縮的硬件需求，采用128塊A100-80G GPU訓練，訓練成本僅僅為R1的1/6；推理階段無需長鏈式推理的重復計算，降低了算力與顯存的需求，推理能耗為R1模型的17%左右，大大降低了模型本地化部署的成本。DeepSeek R2有望在近期內發布，此次GRM模型的發布或是其算法創新的雛形，DeepSeek R2的發布或將加速AI在各行各業普及。

效率提升→成本下降→應用普及→需求激增→資源緊張，杰文斯悖論式的循環，在AI行業正在兌現。

杰文斯在《煤炭問題》一書中提出杰文斯悖論，其核心內涵在于，技術進步帶來的資源利用效率提升未必會降低資源總消耗量，反而可能促使資源總需求呈現增長態勢。其內在機制植根于需求端對成本變化的強敏感性。當資源獲取成本因效率提升而下降時，市場需求的擴張幅度往往會超越技術進步帶來的節約效應，最終導致總消耗反增。

以19世紀英國蒸汽機革命為例，通過改良燃燒效率使煤炭利用率大幅提升，非但沒有減少煤炭消耗，反而因工業生產規模的指數級擴張，催生了冶鐵、紡織、運輸等多領域的用煤需求爆發，最終推動煤炭總消耗量迎來跨越式增長，我們認為AI產業對于算力需求亦是如此。

除此之外，我們認為訓練端算力需求，后續值得期待。從近期的大模型迭代趨勢來看，預訓練（Pre-training）階段的Scaling Law的放緩趨勢。但我們認為預訓練的算力需求仍有上升空間。

今年下半年全球大模型的迭代，會重回預訓練上來，無論是模型參數的增加，數據集的增加，還是模型優化，如GPT-5、Grok4、Claude 4等。同時后訓練（Post-training）的算力需求也值得關注。

2.2 新興場景：Agent、智能駕駛元年，釋放增量算力需求

AI產業正從AI Chatbot轉向AI Agent。從AlexNet到ChatGPT，是從檢索的計算方式轉變為生成的計算方式。而當AI從ChatGPT那種靠預測下一個tokens、大概率出現幻覺的生成式AI，邁向Deep Research、Manus這樣的Agentic AI應用時，每一層計算都不同，所需要的tokens比想象的多100倍。因為在Agentic AI應用中，上一個token是下一個token生成時輸入的上下文、是感知、規劃、行動的一步步推理。

回顧AI Agent的產業發展，AI Agent的發展軌跡恰似積木搭建的過程，需要將分散的技術模塊精準拼接，方能構建完整的智能體形態。早期階段，大模型智能性、多模態推理、代碼生成能力、工具調用機制、Token經濟體系及算力支撐等核心模塊長期處于孤立發展狀態，單一技術因缺乏協同閉環而難以轉化為實際行動能力，導致Agent始終停留在“智能理論超前、落地執行滯后”的功能割裂階段。

當下產業環境已發生關鍵轉變：以MCP為代表的工具調用協議完成標準化建構，為跨工具交互提供了統一技術語言；大模型代碼生成能力突破產業級應用標準，能夠支撐復雜業務邏輯的自動化實現；而Token調用成本的指數級下降，更從經濟層面破除了大規模智能交互的落地壁壘。在技術標準統一化、開發框架工程化、核心能力實用化、應用成本親民化的多重驅動下，曾經散落的技術積木正按照產業級協同標準完成有機拼接，推動AI Agent從功能碎片邁向具備完整行動能力的智能體閉環，AI Agent進入爆發元年。

我們看來，Agent發展也存在預期差，Agent對于普羅大眾來說可能感知不到，但它在特定場景、特定人群的使用量增長尤為迅速，比如Coding Agent、Manus、智能招聘Agent等。Manus使用客群大多集中在海外，因此實際增速可能比感知的要快一些。

進一步來看，大模型自身能力決定著，AI Agent的智能高度和應用邊界。隨著它變得越來越智能、應用越來越廣泛，更多的算力需求也隨之而來。

Physical AI擁有更多的算力需求。AI已經經歷了三代技術范式的轉移。最早是判別式AI（語音識別、圖像識別），接著是生成式AI，然后就是當下我們身處的Agentic AI，未來會是影響物理世界的Physical AI，也就是智能駕駛、人形機器人。

為了訓練“全自動駕駛”神經網絡，DOJO 2性能預計指數級增長。特斯拉DOJO總計算能力或超100exaflops，超10萬英偉達H100/H200 AI芯片提供算力支持，旨在訓練其“全自動駕駛”神經網絡。特斯拉通過全球超200萬輛車輛實時回傳數據，構建了全球最大的自動駕駛數據庫。依托Dojo超算中心，每天完成海量數據訓練。Dojo 2將于2026年發布，特斯拉希望將其計算機容量提高10倍。

國內新勢力自建智算中心快速追趕應對算力挑戰。理想汽車的理想智算中心算力已達到8100 PFLOPS，華為車BU云智算中心的乾崑ADS3.0在算力方面已達到7500 PFLOPS。2025年小鵬云端的算力將會達到1000PFLOPS以上。

對于后續的算力增量需求，人形機器人、AI for Science的落地帶來的算力需求值得期待。還需關注多模態大模型帶來的現象級AI應用的算力需求，如AI視頻對話等。

2.3 全球云廠商資本開支提速，中國AI敘事加快AIDC建設

云廠商作為支撐AI應用的關鍵載體，資本開支（Capex）直接決定了算力供給與技術落地的進程。

2022年底，OpenAI正式推出ChatGPT，成為生成式AI爆發的導火索，迅速點燃全球AI技術革命的熱潮，由此為分水嶺，進入AI大模型時代。自2023年起，北美科技巨頭紛紛將AI列為戰略核心，通過大幅增加資本開支，加速AIDC建設。微軟、亞馬遜、谷歌與Meta的資本投入呈現顯著增長態勢，在AI領域的布局力度空前。

相較之下，中國企業在AI發展初期面臨雙重挑戰：一方面，高端AI算力芯片的進口受到限制；另一方面，中國企業雖然在AI領域的資本開支增速較快，但投入的絕對值仍處于較低水平。

轉折點出現在2025年1月，幻方發布的Deepseek R1大模型，以極具競爭力的成本實現了與ChatGPT-4o相當的卓越性能，由此國內芯片、模型、應用形成閉環，這極大地激發了國內AI產業的投資熱情。

未來AIDC的投資建設將迎來新一輪增長浪潮，成為推動AI產業發展的重要基石。

從海外云廠商資本開支看，頭部四家合計超3000億美元，同比增長超30%。Meta預計將2025年的資本開支規劃由之前的600-650億美元提升到640-720億美元，用于加大數據中心投資來支持AI發展以及要增加基礎設施硬件的投資。微軟預計2025財年投入800億美元用于AI數據中心建設；亞馬遜計劃2025年投資超過1000億美元，同比增速約29%，主要用于AI基礎設施，以支持其云計算服務和AI服務的需求；谷歌預計2025年資本開支達750億美元，同比增速約43%，主要用于AI基礎設施的建設。

從中國云廠商資本開支看，與海外相比，阿里、騰訊、百度等國內廠商的資本開支正在提速。2025年在Deepseek推動下開啟AI敘事，國內云廠商資本開支有望大幅增長。

據新華社報道“阿里巴巴集團CEO吳泳銘24日宣布，未來三年，阿里將投入超過3800億元，用于建設云和AI硬件基礎設施，總額超過去十年總和”，意味著年均資本開支1300億元。根據阿里巴巴財報，2024年資本開支總額為767億元，預計2025年的資本開支增量約1300-767=533億元。

2025年三大運營商資本開支計劃合計達到2898億元，但額度“不設限”。中國電信2025年預計算力投資同比增長22%。中國電信同時表示，今年算力投資將根據需求靈活調整不設限。中國移動方面在算力領域投資373億元，占資本開支的比例提升到25%，對于推理資源將根據市場需求進行投資，不設上限。中國聯通預計算力投資同比增長28%，預算安排將根據智算和6G等需求，以及國內外發展趨勢，及時調整投資規模。

字節跳動算力投入明顯加大。2024年的資本開支達800億人民幣，2025年有望達到1600億元，大部分投向算力采購和IDC基礎設施建設。根據Omdia，2024年字節和騰訊預計采購英偉達H系列算力卡合計約46萬塊，分別均采購了約23萬塊，僅次于微軟采購量。

3 AIDC產業鏈：黃金發展新周期

AIDC產業鏈貫穿多個環節，從AI芯片、服務器等硬件設計制造，到基礎設施建設，再到智算服務供應，以及生成式AI大模型研發和行業應用。

在產業鏈中，AIDC資本開支大頭仍在IT側，服務器是算力承載的核心硬件。服務器約占IT側成本的70%；非IT側主要為供電系統相關，其次為制冷系統相關，供電系統相關（柴油發電機組、電力用戶站、UPS、配電柜）和制冷系統相關（冷水機組、精密空調、冷卻塔）分別占69%和18%。

3.1 AI芯片：H20封禁，國產加速替代

美國對英偉達“特供”中國市場的AI芯片H20實施出口管制，自2025年4月14日起無限期生效。此舉導致英偉達預計2026財年計提55億美元相關費用，并加劇國內市場對高性能算力芯片的供需矛盾。

國產替代“以量補質”實現性能趕超。2025年4月，華為推出的CloudMatrix 384正式于蕪湖數據中心上線，產品由384顆昇騰901C芯片組成，算力達300PFLOPS。華為以超5倍于英偉達GB200 NVL72的芯片數量構建AI算力集群CloudMatrix 384，實現了相當于該集群1.7倍的性能表現。盡管昇騰芯片單卡性能與Blackwell芯片仍有差距，但CloudMatrix集群性能已實現對英偉達NVL72的超越。

AI大模型所仰賴的集群式算力特征，為國產AI算力產品孕育出全新發展契機。盡管現階段中國大陸晶圓廠的先進制程工藝與國際一流廠商尚存差距，單顆AI芯片性能提升面臨瓶頸，但依托高速網絡設備實現多芯片算力堆疊，國產AI算力集群產品得以達成與海外競品的性能對標。這種“以量補質”的集群化發展模式，正逐步成為國產算力產業破局突圍的關鍵路徑，為在制程工藝受限背景下實現技術追趕提供了有效解決方案。

對于算力芯片對AIDC需求壓制，需要持續關注英偉達對于中國市場推出的新款定制降級芯片進展，以及國產芯片的放量速度。

3.2 液冷：AI芯片功耗提升，帶動散熱需求

AI芯片性能迭代帶動功耗激增，液冷技術成為散熱剛需。以英偉達H100為例，其熱點功耗密度達1.5W/cm2，遠超風冷0.3W/cm2的上限，若強行使用風冷需擴大機柜間距50%，導致空間利用率下降40%，顯著推升土地和基建成本，液冷憑借熱傳導效率（液體比空氣高1000-3000倍）成為必然選擇。

根據英偉達估計，液冷數據中心的PUE（能源使用效率）可以達到1.15，遠低于風冷數據中心的1.6。工信部《新型數據中心發展三年行動計劃》要求2025年全國數據中心平均PUE降至1.5以下，單機柜功率超30kW必須強制采用液冷，并設定PUE≤1.3的準入紅線，倒逼液冷技術普及。

根據IDC預計，2028年中國液冷服務器市場將達到105億美元，2023-2028年五年年復合增長率將達到48.3%。中長期看，AI算力密度提升與ESG要求深化將驅動液冷從“可選”邁向“必選”。

3.3 柴油發電機：AIDC的最后防線

柴油發電機組作為數據中心電力冗余體系的核心設備，承擔著應急備用電源“最后保障”的關鍵角色。數據中心供電系統通常采用“電網+UPS+柴發”三級保障架構：UPS憑借毫秒級切換能力實現市電中斷時的瞬時電力接續，但其儲能容量有限（僅能維持數分鐘至數十分鐘）；柴發則在UPS續航耗盡后啟動，以大功率、長時供能特性（可持續供電數小時至數天），成為數據中心應對長時間停電事故的唯一可靠備份電源，二者通過“瞬時響應+持續供能”的功能互補，構建起完整的電力保障鏈條。

柴發產業鏈具備技術壁壘高、擴產周期長的顯著特征。擴產需要全產業鏈擴，由于柴發產業鏈長，要求標準高、工藝復雜，供應商導入嚴格，一個節點的擴產不及預期，都將拖累這條產業鏈的擴產進度。而且大功率機組（1.6-2MW）對發動機、控制系統等核心部件的技術要求嚴苛，國內具備規?；桓赌芰Φ钠髽I少。

智算中心大型化有望推動柴油發電機需求曲線更加陡峭。AI算力需求爆發推動數據中心建設加速，全球數據中心柴發冗余配置率從80%提升至120%-150%，當單柜功率密度從20kW躍升至50-100kW，將帶動大功率機組需求同比增長150%。供需錯配背景下，柴發設備價格已進入漲價周期，行業呈現量利齊升格局。

3.4 可控核聚變：算力的盡頭是電力

人工智能大模型技術的研發和應用帶來了更高的能耗需求。從AI對能源的需求來看，數據中心作為AI運行的核心載體，其電力消耗正經歷迅猛增長。如OpenAI的“星際之門”項目所預計的高達數千兆瓦的電力需求。

根據IDC，2024年人工智能數據中心IT能耗（含服務器、存儲系統和網絡）達到55.1TWh，2025年將增至77.7TWh，是2023年能耗量的兩倍，2027年將增長至146.2TWh，2022-2027年五年年復合增長率為44.8%，五年間實現六倍增長。據Vertiv預測，以能耗為單位，2023-2029年全球新增智算中心總負載將達100GW，每年新增約13-20GW。在這一趨勢下，保障電力供應尤為重要。

小型模塊化反應堆（SMR）或是未來AIDC供電主力。在2025年中國春季核能論壇上，我國核能企業與AIDC應用方正式啟動SMR為數據中心供電的示范項目前期技術論證與場景適配研究。與傳統大型核反應堆相比，SMR有望憑借其靈活部署、低碳高效的特性，成為我國核電領域對接新型算力基礎設施的重要增量市場，為AIDC提供穩定、低成本的基荷電源。

中國在可控核聚變領域實現多項里程碑式突破，為AIDC能源需求奠定技術基礎。5月1日，根據合肥市官網，我國緊湊型聚變能實驗裝置（BEST）工程總裝正式啟動。5月4日，根據央視，大科學裝置聚變堆主機關鍵系統綜合研究設施“夸父”（CRAFT）項目，建設已經進入關鍵階段，預計將于2025年年底全面建成。

5月以來核聚變催化不斷，核能作為中國實現“雙碳”目標、能源安全的重要戰略方向，其可控核聚變及SMR是行業未來發展的重要增量，未來，SMR或將是除燃氣輪機外的AIDC供電主力。