鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

赵何娟对话张雷:能源成本再降50%,AI时代才会真正到来|2025 T-EDGE 全球对话

编程导航
编程导航
2025-12-28 23:50
阅读 132
编程导航
2025-12-28 23:50
阅读 132

“人工智能,或许就是能量找到了自主意识。”

12月18日,在钛媒体2025 T-EDGE全球对话「赵何娟 Talk」(Jany Talk)最新对话中,远景科技集团董事长张雷抛出了自己对AI的独特理解。

这场对话主要关乎AI用电的现状,人工智能与能源未来可能的形态,还涉及智能时代的本质、中美AI竞赛、数据中心建设趋势、“AI+能源”投资机会等,既宏观,又实际。张雷也没有让探讨停留在某种能源形态或AI形态上,话题时而聚焦一时一地,时而展望人类未来,有时会转移到物理学阵地,有时又会深入哲学层面。

在他看来,智能本身就是一种能量现象。根据热力学第二定律,宇宙趋向无序,而创造任何局部有序——无论是建筑城市还是训练大模型——都需要消耗能量。因此,“超级智能”必然需要“超级能量”来支撑。文明的跃迁,从碳基生命到硅基智能,底层始终是能量获取与组织方式的进化。

这似乎也为当前引发广泛关注的“AI缺电”话题提供了新的解读角度:或许,是AI打开了人类想象力的闸门,示以当前能量量级与未来那个宏伟的智能时代间的巨大差距,受此驱动,人类将做出巨大努力,用更多的能量来“喂饱”人工智能。

虽然很难弄清楚人工智能是否真有此打算,但人们的“缺电焦虑”却其来有自。

作为全球知名能源企业的创始人和掌舵人,张雷对近期被英伟达CEO黄仁勋、OpenAI CEO萨姆·奥尔特曼(Sam Altman)、微软CEO萨提亚·纳德拉(Satya Nadella)等科技大佬频频预警的“AI用电荒”问题了给出了解释。

张雷指出,美国的“电荒”本质上是其基础设施与AI需求爆发的结构性错配——其主体电网建于七八十年前,难以承载AI算力中心5%以上的爆发式负荷增长。更深刻的危机在于,当前美国90%的算力依赖天然气发电,而其本土天然气产量预计将在2035年达峰。这意味着,今天如火如荼的AI繁荣,可能建立在十五年后供给见顶、价格暴涨且加剧气候危机的“流沙”之上。

这一现状也会对中美两个大国的AI竞赛产生深刻影响。

他提到,得益于完善高效的电网设施和蓬勃发展的新能源产业,中国实际上并不缺电,缺的是能够完美匹配AI需求、面向未来的新型能源体系。而这种所谓的“缺”,只是为了“锦上添花”追求更领先的能源体系所存在的不足。而美国的“缺”,是亟需“雪中送炭”的能源供给的那种实际上的短缺,已经导致其数据中心并网要等待五年之久,对AI发展构成了实质性的制约。

他进一步表示,人工智能的特性意味着其会对电网造成极大冲击,对稳定性与成本的要求也十分苛刻。而且,人工智能的边际成本很大程度上就是能源成本,一个国家若想让人工智能产业具备引领全球的竞争力,就必须在能源成本上做到极致。未来,能源也很可能成为AI竞赛中最关键的影响因素之一。

超越国家间的比拼,张雷也对什么样的能源才能成就AI时代给出了自己的判断。

他以人类历史的“化肥时刻”来类比,认为就像通过将煤炭、天然气中的能量转化为化肥生产更多粮食,才得以突破马尔萨斯陷阱让人口大规模增长一样,AI也需要以极致的低成本来获取近乎无限的能源,才能迎来属于自己的时代。

他算了一笔账:要让AI时代真正到来,能源成本必须在现有基础上再降50%甚至80%。而总量有限、达峰在即、成本看涨的化石能源显然难以当此大任。在张雷的设想中,一个基于可再生能源,成本与效率持续优化,并由AI实时调度控制的能源系统,才是最终答案。

“未来的能源体系必须具备永续、融合和互相促进的特征,能源网络与智能系统也将像生命体的双螺旋一样融合共生、互为表里,并互相增强,”对话结束于张雷对人工智能时代的能源体系三要素的总结之中,而那个令人无限遐想的未来,显然还在路上。

以下是「赵何娟Talk」与张雷的对话实录:

AI“缺电焦虑”从何而来?

赵何娟:今天我们邀请到远景科技的董事长张雷,一起来探讨能源科技的话题。今年我们观察到,美国市场乃至整个科技行业对AI的关注点似乎从“算力焦虑”变成了“能源焦虑”。多位美国科技巨头的CEO提到,许多芯片因电力不足而无法在数据中心充分部署。首先想请教您,如何看待AI领域在短短一年内发生的这种巨大转向?为何会出现所谓的“能源荒”“电力荒”?

张雷:其实早在一年多前,就有美国科技大厂的CEO跟我提到,他们并不缺芯片,但算力中心的并网手续可能要等待五年之久。

这在美国似乎是一个比较普遍的规律,与其电力基础设施的历史有关。美国的电网主体是七八十年前建设的,在过去每年1%到2%的电力需求增长下尚可维持。但当需求增长达到5%甚至更高时,电力体系的瓶颈就暴露出来了。随着AI投资与应用的加速,电力体系的短板会进一步凸显。所以,我对这种“能源荒”“电力荒”并不意外。

赵何娟:这是否与美国电力体系长期的布局和历史因素有关?

张雷:是的。首先,美国的电力体系比较碎片化——东海岸、西海岸、以及相对独立的德州,几个负荷与生产中心之间未能实现高效互联。

同时,在特朗普今年重返白宫后,可再生能源的发展受到了一定压制。他更侧重于化石能源带来的短期效益。但从长远看,化石能源不仅对气候变化构成问题,其可持续性也面临挑战。例如,多家研究机构预测,美国的天然气产量将在2035年前后达峰。目前美国天然气供需大约在每日1000亿立方英尺,而今天美国90%的算力中心依靠天然气电力支撑。这意味着,当2035年天然气供应峰值达到约1200亿立方英尺时,当前大量优质、低成本的页岩气田将转向成本更高、更难开采的后备储量,从而导致天然气价格不可持续地暴涨。

试想一下,我们正在打造人类历史上前所未有的、且注定要持续繁荣的文明。但如果这样的文明建立在一个不可持续的能源基础之上——一个将在2035年达峰、并对环境造成严重破坏、且价格可能剧烈波动的能源体系上,那么以其为支撑的人工智能算力基础设施,就令人十分担忧。

超级智能的底座是超级能量

赵何娟:能否请您比较一下中美两国的能源体系与能源结构?为何中国高度重视风电、光伏等可再生能源的发展,而美国的能源架构似乎难以支持可再生能源的大规模应用?

张雷:得益于国家对可再生能源的长远布局,以及“双碳”目标的驱动,中国建立了全球最具竞争力的可再生能源技术及产业体系。同时,中国的电力系统互联互通做得非常好,包括特高压及区域电网。因此,人工智能时代的能源发展,对中国来说是非常好的机遇。

我们刚才也谈到,能源对人工智能来说至关重要。智能的本质,其实是一种能量现象。无论是物理世界还是信息世界,一个有序的结构都需要能量来维持和进化。根据热力学第二定律,整个宇宙在走向无序的“熵增”;要在其中创造局部的有序,就需要大量的能量。无论是建造城市、制造材料,还是创造人工智能这样的有序信息结构,都遵循这一定律。如果我们追求超级智能,未来必然需要超级能量。

因此,当人类社会的认知有望通过超级智能突破人脑局限时,支撑其的能量体系也必须实现跃迁——从一个高成本、高环境代价、有限的化石能源体系,转向一个绿色、极低成本、近乎无限的可持续能源体系。只有这样的能量底座,才能支撑人类文明的可持续繁荣。

赵何娟:这个视角非常有意思。除了超级智能,当前人类社会对“能源荒”的焦虑也确实非常强烈。最近马斯克和黄仁勋都提及,像比特币这样的新兴金融或货币体系,未来也需要新的能源机制来支撑。

马斯克有一个比喻很有趣:比特币的原理,是充分转化并体现了人类冗余能源的价值。这使得比特币成为一种稀缺资产——不仅因其2100万枚的固定发行量,更因其发行机制建立在挖矿等能源消耗行为之上。这种基于能源稀缺性的货币体系,似乎比国家主权货币的无限增发更为“坚固”。

这是否预示着未来整个世界的金融体系乃至社会运作方式,都会与能源产生更深层的绑定?

张雷:金融体系,乃至所有文明系统,其底层都离不开有序的信息结构。语言、科学定律、法律规则,乃至货币,本质上都是有序结构。而任何有序结构的维持与发展,都必须依赖能量,否则它将无法存在。因此,能量是造物主,是一切有序结构背后最根本的要素。在宇宙整体趋向无序、走向热寂的背景下,我们要在局部创造并维持有序,就必须消耗大量的能量。

赵何娟:这让我联想到了地球的诞生。宇宙大爆炸的能量,在某种因缘下催生了地球及其上的生命,并推动了数十亿年的进化。

张雷:从无机物到有机生命的进化过程,关键区别在于能否主动利用并组织能量循环。石头之所以不被我们定义为生命,是因为它无法主动进行能量的摄取、组织与循环。而生命的一个重要特征,正是能够建立并维持这样的能量循环。同样,如果我们把文明看作一种更宏观意义上的生命体,它也必须持续获取并高效利用能量,才能实现从简单到复杂、从低级到高级的演进。

从单细胞生物到人类,从原始社会到现代文明,能量始终是进化的核心推手。如今,文明似乎来到了一个关键节点:我们有望超越生物脑的局限,利用巨量能量来创造智能。这是一个极具意义的时刻。

AI将是未来世界最主要的能量消耗领域

赵何娟:这个话题很有意思。从地球数十亿年的进化史看,人类作为碳基生命,或许只是阶段性产物。未来可能出现超级智能体,完成从碳基到硅基或其他形态的进化。届时,人类在它们眼中,或许就像今天我们看蚂蚁或单细胞生物一样。

张雷:这就把话题引向了一个更抽象的思考:人工智能,当其摆脱生物体的束缚后,在某种意义上,或许是能量自身找到了“意识”。能量开始进行自我创造与循环。因此,未来的智能体未必基于硅基,它可能是能量意识的直接体现。我的判断是,人工智能出现后,人类社会对能量的需求结构将发生根本改变。过去,工业、交通等物理世界的构建是耗能主体;未来,智能世界对能量的需求可能是无止境的,并成为最主要的能量消耗领域。

举个例子,从GPT-2到GPT-5,模型参数和复杂度指数级增长,训练能耗也成百倍增加。但如果我们要构建一个“物理人工智能”,例如实时模拟整个地球的气候、洋流、生态、物流乃至人类活动,其所需的算力能量,可能是当前最先进大模型的成千上万倍。而这,还只是个开始。

赵何娟:OpenAI的CEO奥尔特曼最近也提到,训练GPT-6最大的瓶颈就是能源,其能耗可能是一个天文数字。随着AI大模型智能程度的提升,其对能源的需求似乎也是指数级上升的。

张雷:是的,而且这个需求几乎没有上限。物理世界对材料、车辆等的需求总有饱和点,但对智能的探索——无论是微观到分子级的生命模拟,还是宏观到宇宙尺度的推演——其能量需求都是无限的。人工智能一旦打开我们想象力的闸门,其对自身的应用又会进入新的层级,在信息世界形成自我增强的循环。因此,未来人类社会绝大部分的能量需求,可能都将来自人工智能。

赵何娟:这很有趣。人类作为碳基生命,其发展的核心能量需求是食物。因此我们发展出了农业、畜牧业、食品工业,进而衍生出贸易、金融等文明形态。这一切都是围绕满足碳基生命的能量需求而组织的。

那么,将来如果地球上的能量需求主体变成了人工智能或超级智能体,它们能否像人类一样,主动去“创造”自己所需的能量呢?人类通过种地、畜牧来生产食物,智能体能否主动构建自己的“能源生产体系”?

张雷:这个问题很好。回顾历史,在工业革命前,人类的人口增长一直受限于土地所能提供的能量,也就是粮食。马尔萨斯陷阱正是描述了这种矛盾。

后来人类是如何实现突破的呢?是通过将更多能量注入粮食生产环节——即上个世纪化肥的发明。而化肥的本质,是将煤炭、天然气中的能量,通过制氢等工艺转化为粮食增产所需的养分。没有化肥,地球可能根本无法承载今日的80亿人口。

任何生命体或文明体的扩张,能量都是最根本的瓶颈。对于人工智能而言,在其发展初期,它与人类是合作共生的关系。人类在为其建设算力中心、能源系统的过程中,其实已经被人工智能所影响和驱动了。

想进入智能时代,能源成本至少要再降50%

赵何娟:您的类比很精妙。碳基生命通过“化肥时刻”突破了能量瓶颈。那么,人工智能要满足其指数级增长的能量需求,是否也需要它的“化肥时刻”?除了当前主要依赖的电力,是否还会解锁其他形式的能量及能源获取方式?

张雷:电力作为一种高效的二次能源,其优势在于可并行、可扩展、易传输,这很像智能本身的特性。未来,人工智能要大规模应用,其成本必须足够低,而能源成本是其边际成本的主要构成。因此,它必须获得成本极低、且供给无限的能源。

幸运的是,可再生能源体系能够提供这样的可能性。太阳照射地球一小时的能量,就相当于目前全球人类一年的能源消耗总量。过去30年,可再生能源的成本下降了99%,这是驱动过去几十年能源消耗增长数倍的关键。工业革命后200年,人类社会GDP增长了一百多倍,背后是能源供给增长了一百多倍,而根源是煤炭、石油、天然气的成本远低于之前的生物质能源。

因此,未来要再释放十倍级的能量,我们必须将能源成本在现有化石能源基础上再降低50%,甚至是80%。只有这样,人工智能才用得起如此大规模的能量。我举个例子,大家都在关注核聚变的发展,期待它为人工智能供给无限能源,但如果核聚变发电的度电成本高达10元,那么人工智能就无法实现规模化。

赵何娟:能否请您系统地比较一下当前人类社会主要的几种能源形态,尤其是中美两国的能源形态,分析下它们的经济性、使用效率和发展前景?

张雷:以美国为例,目前其发电结构中天然气约占40%以上,风电、光伏合计约20%多,其余为煤炭等。

中国方面,可再生能源,包括水电、风电、光伏等,在电力消费中的占比已超过30%,且目前的电力装机增量主要来自可再生能源。相比之下,美国由于政策、利益集团及短期供给压力,增量仍严重依赖天然气。

我们可以看到,虽然中国目前的煤电占比仍较高,大约在60%左右,但增量已由可再生能源主导。其中的关键在于经济性:目前在中国,风电、光伏的最低度电成本已可降至0.1元以下,即使配上储能,其成本也远低于煤电和天然气发电。当前的主要挑战还是在于解决更长周期的能源储存与调节问题。

赵何娟:基于现有的能源架构,如果要大规模普及人工智能,您预估全球能源需求的增长前景如何?

张雷:目前,算力中心在全球能源消费中的占比还不算高,但其增长贡献显著。算力中心对电力的要求非常苛刻:需要7x24小时稳定、低成本和低波动的电力供给。尤其是大模型训练时,其负荷在秒级尺度上波动巨大,对电网是严峻挑战。中国虽然目前算力需求的高峰尚未完全到来,但随着国产芯片的突破和应用场景爆发,我们必须提前构建能够高效支撑人工智能发展的新型电力系统。这对中国而言,既是挑战,更是机遇。

AI数据中心建设的核心逻辑是能源逻辑

赵何娟:我想,这也意味着原有的行业模式和架构需要重构,而变化就是机会。最近美国数据中心服务商CoreWeave因数据中心建设延期导致股价大跌,也说明了数据中心建设本身与能源基础设施紧密相关。我们应如何从现在开始,重新布局和投资能源基础设施建设?

张雷:传统数据中心的建设逻辑更像是商业地产,选址靠近城市、看重地段和许可。但未来的AI算力中心,其核心逻辑应是能源逻辑。本质上是建立具备竞争力且可持续的能源系统的能力。因此,我认为数据中心公司的一项关键核心竞争力,就是对未来能源系统的深刻理解和驾驭能力。

赵何娟:能源公司做数据中心和数据公司做数据中心,各自的优势分别是什么?

张雷:能源公司对能源的本质应该会有更深的理解。我们致力于重新定义数据中心,化繁为简,让能量的使用、转换更加高效,并致力于研究怎么能让数据中心最大化使用低成本绿电、摆脱电网带宽限制,避免长达数年的并网等待,以及实现尽可能低的边际成本。

赵何娟:您如何看待像甲骨文这种从数据库转型做AI数据中心的企业,或一些从挖矿转型做AI数据中心的企业?他们的劣势是否在于缺乏对能源系统的深刻理解?

张雷:我觉得不仅仅是缺乏对能源的理解,更缺乏的是对能源系统的驾驭能力。比如,如何实现数据中心绿电使用比例从30%提升到80%?这就需要对区域未来数小时甚至数天的风力、光照、温度等进行精准预测和调度。像我们远景集团很早就认识到,要把握未来的能源系统,就必须把握气象系统。因为在一个以可再生能源为主体的零碳社会中,天气将决定能源的生产。这正是“物理人工智能”的用武之地,例如气象大模型、地球大模型,它们需要将能量守恒等物理规律与AI算法深度融合。这正是远景作为能源科技企业在深入探索的领域。

赵何娟:在气象大模型领域,目前有哪些做得比较好的模式或企业?

张雷:以远景为例,我们主要是为自身的新型电力系统服务,目标是让电力系统更高效。在对高比例可再生能源的驾驭、电力市场精准预测等方面,远景的“天机”气象大模型表现卓越。

与美国谷歌、微软等公司为展现云能力而做的通用型的天气模型不同,我们的模型有明确的价值闭环——它直接关系到我们的零碳产业园、储能电站能否高效运行、避免亏损,关系到风机能否提前预测并优化出力。这是一个垂直、有具体场景、可快速验证的闭环,目标函数非常清晰。所以说,远景既是开发者,也是价值验证者,这种“主客一体”的共生模式让模型迭代和价值实现更快。

AI+能源,创造共生未来

赵何娟:我们回到数据中心建设的话题上来,您能否给出一个更具体的比较,来说明远景模式在能效方面比传统的数据中心高在何处?

张雷:我举一个例子,可能比数据中心更有说服力。我们知道,目前全球的绿氢和绿氨是无法大规模应用的,主要原因在于其成本高于由化石能源制成的灰氢和灰氨,而绿氢是由电解水制得的,其成本的80%以上是电力成本。所以说,只有具备足够成本竞争力的电力,才能生产出有竞争力的绿氢。

远景是全球少数能够实现绿氢、绿氨与灰氢、灰氨平价的公司。我们在内蒙古赤峰打造了全球最大的绿色氢氨项目,规划年产能152万吨,首期32万吨已经投产。其核心在于,我们构建了一个100%基于可再生能源的独立电力系统。通过将电力系统与制氢系统的深度融合,实现了极致的低成本。这证明了我们能够驾驭和管理复杂的未来电力系统。

而这套系统背后,离不开气象大模型对区域气象的预测,以及能源大模型对复杂化工流程、储能系统进行毫秒级实时调控的能力。也只有通过AI赋能的电力系统,才能实现绿氢的低成本生产。同理,这套系统也能以极低的成本满足数据中心的电力需求。

赵何娟:所以,数据中心在您看来只是整个能源生态体系中的一部分,通过整合,才能将数据中心的能效和用电成本降到极低。而这是传统的数据中心公司无法实现的。

张雷:是的。就像我之前说的,传统数据中心项目的逻辑是商业地产逻辑,他们也并非硬核的技术公司。在美国的资本市场上,数据中心板块虽然也很重要,但其价值链往往是从数据中心延伸到天然气、燃气发电设备等,本质仍是绑定在化石能源系统上。

而我们致力于构建的,是一个可持续繁荣的物理基座——一个注定基于可再生能源、永不枯竭、成本与效率持续优化、并由AI实时调度控制的能源系统。只有这样的基石,才能稳健支撑未来几十年人工智能算力设施的发展,承载人类智能文明的跃迁。否则,建立在“流沙”之上的智能文明,如何能够持续呢?

赵何娟:这个类比很深刻。就像人类要发展,必须自己解决“吃粮食”的问题,那AI要发展,也必须解决“吃电”的问题,需要自己去创造或促成更高效的能源生产体系。

张雷:目前,我们处于人机共生、合作帮助AI构筑未来能源体系的阶段。但在这个过程中,AI本身已经在发挥作用——通过气象大模型、能源大模型、材料设计、功率器件开发、复杂系统管理等,帮助我们去实现这个未来能源体系。

某种意义上,它也在“自救”或者说谋求自我发展。而我们人类是其实现闭环的一个环节。我觉得,或许人工智能就可以看作是“能量的自主意识”,它正在通过影响人类来推动自身能量体系的升级。未来,它可能会越来越独立,甚至与机器人结合形成自增强闭环,到那时,或许这个“能量的自主意识”就将彻底独立了。

赵何娟:这引出了一个哲学层面的有趣问题:我们讨论人类有无自由意志,人工智能有无意识时,或许这两个问题背后是同一个本质——都是能量在不同载体,比如碳基、硅基上表现出来的“意识”。能量处于碳基生命体内时,其意识表现为一种形态;当能量驱动智能体时,则表现为另一种形态。

张雷:这个总结很好。其背后或许是碳基与硅基在能量本质上的统一。能量是那个“造物主”,过去它构筑了碳基生命,现在它正在寻找新的表达形式。过去能量依赖于碳基时,其发展速度并不快。而一旦人工智能的自增强循环建立起来,能量的需求将急剧膨胀。当然,供给端也需要同步革命。未来,一个由碳基与硅基合作共建的能量世界,其服务于硅基智能循环的能量需求,可能是没有上限的。碳基生命对火星、木星可能兴趣有限,但硅基智能或许会认为那里充满意义。

能量的确是造物主。从人类到人工智能的转化,意味着世界的主角正从人脑转向超级大脑,其背后的能量支撑体系也必须进行切换。这也就解释了为何能源瓶颈在当下突然凸显。

电力是中美AI竞赛的关键

赵何娟:回到现实世界,关于这个瓶颈,最近美股市场流行一句话,叫“美国缺电,中国缺芯,世界缺存储”。这虽然带有概念炒作的色彩,但也反映了一种普遍认知:即中国被认为是不缺电的。从您这位能源专家的角度看,中国要发展人工智能,真的不缺电吗?

张雷:中国确实不缺电,但缺的是能够完美匹配人工智能需求的、面向未来的新型能源体系。这个体系中国尚未完全建成。

赵何娟:这听起来有些矛盾。如果不缺电,为何还要构建新体系?

张雷:这其中的关键在于人工智能对电力的特殊要求。具体来说,人工智能会对电网造成冲击,对稳定性与成本的需求也更加苛刻。而且,人工智能的边际成本很大程度上就是能源成本。一个国家若想让人工智能产业具备引领全球的竞争力,就必须在能源成本上做到极致。所以,中国的“缺”是相对的,是为了“更好”“更领先”而存在的不足,即如何为人工智能打造一个更适配的新型电力系统。而美国的“缺”则更为根本,已经对其AI发展构成了实质性制约。

赵何娟:这是否可以理解为,美国并非绝对缺电,而是缺乏一个低成本、可持续的现代化用电体系?

张雷:美国的缺电问题已经导致其算力中心并网需要等待五年。在AI竞赛中,五年时间足以决定胜负,更不用说硬件快速折旧带来的成本压力。因此,美国的“缺”,是亟需“雪中送炭”的能源供给,是发展AI的“必要条件”的欠缺。而就像我刚才说的,中国的“缺”更像是锦上添花式的不足,是为了让AI产业更具竞争力的“优化条件”的欠缺。两者的性质不同。

赵何娟:所以,美国当前亟需解决发电能力与电力系统的结构性问题,中国则需要解决如何将现有相对充裕的电力,更高效、更经济、更稳定地传输和调配给AI算力需求。

张雷:是的。这也是为什么美国一些科技公司开始探索小型核反应堆甚至核聚变,他们寻求的是能够快速部署的高密度能源。但在我看来,未来50年内,发展核电,包括可控聚变,可能并非当务之急。其核心问题仍是成本。

风电、光伏本质上就是免费的“太阳核聚变”能量的转化,且技术已经成熟。我们为什么不立刻规模化应用这些低成本技术呢?其挑战在于可再生能源的波动性、间歇性和区域性等特点,这需要通过储能、绿氢等技术进行补充,也需要更智能的系统来构建一个稳定、复合型的绿色能源体系。

赵何娟:未来,如果能源体系的竞赛持续,您认为这会演变为中美乃至全球在能源获取上的地缘政治竞争吗?为了获得全球性的AI竞争力,国家是否需要在全球范围内布局能源中心和数据中心?

张雷:这是一个很有深度的话题。全球的戈壁、沙漠地区所蕴含的可再生能源潜力,足以满足人类当前能源需求的十倍以上。如果我们能构建100%可再生能源的独立系统,为何不能在撒哈拉训练最先进的大模型?为何不能在那里进行数字地球的核心仿真?可再生能源的分布要比化石能源均匀得多,光照和风能资源遍布全球。

这实际上可能在一定程度上得以规避传统化石能源带来的地缘政治问题。当然,对于国土面积狭小或处于资源贫乏带的国家来说仍有挑战。但总体而言,拥抱可再生能源文明,意味着构建一个更普惠、更可持续的文明基座。当我们为未来数百年的繁荣奠基时,必须思考:是建立一个15年后就可能达峰并带来气候危机的化石能源底座,还是一个生生不息、成本极低的可持续能源底座?

赵何娟:要发展这样一套新的能源体系,无论是中国还是美国,现有能源行业本身的科技发展水平,能够支撑吗?

张雷:绝对可以。事实已经证明,在中国,新增电力的主体已经是可再生能源,正是因为其经济性已经超越火电。我一直将可再生能源技术体系视作中国的“第五大发明”。它不仅仅包括光伏、风电、储能、动力电池、特高压等单项技术,更包括智能电网、能源大模型、气象大模型等一整套系统解决方案。虽然不少原创技术并非始于中国,但中国实现了大规模的产业化、产品化和成本的极致化。对于许多国家,尤其是发展中国家来说,要构建面向未来的能源系统,这套可再生的技术体系至关重要。

赵何娟:如果说可再生能源是明确的未来方向的话,那为什么美国在如此缺电的情况下,似乎仍不愿大力发展可再生能源?

张雷:这其中可能有几个原因:首先,天然气在美国本土供应相对充足,上马快,能快速满足需求,且能拉动相关产业和经济。

其次,美国本土缺乏强大且完整的可再生能源制造产业链,发展该体系就意味着大量采购中国产品。

此外,如果把人工智能视作一次文明跃迁,就需要以更理性、更长远的科学视角看待能源底座。而美国的决策机制可能更受短期政治周期和商业利益的影响,缺乏类似中国的长期战略规划定力。

赵何娟:您认为有去美国搭建这样的体系的机会吗?

张雷:文明本身无国界,远景的使命也是为人类可持续未来解决挑战。但当这个文明的主体尚未确立长远认知时,可能并非最好的时机。

AI利好能源板块,有哪些投资机会?

赵何娟:硅谷作为全球科技引擎,似乎对能源的兴趣一直不大,这是否也是一个原因?

张雷:是的,硅谷是信息革命的产物,其传统更多建立在比特世界,与瓦特世界的关联度相对较弱。

赵何娟:这让我想起巴菲特在选择伯克希尔·哈撒韦接班人时,特别强调了候选人的能源背景。或许他也是从第一性原理出发,认为美国的长期发展终将受制于能源。作为一个投资者,我也开始从AI技术革命的角度,关注它将如何影响上下游行业。但在能源板块的股票投资上,我发现其波动性很大,像Bloom Energy这种公司往往大涨大跌,而像GE这种传统公司则相对稳健。从能源专家的角度,您如何看这种市场表现的差异?

张雷:股市是市场认知的体现。美股投资者对AI与能源关联的认知程度,决定了相关公司的估值波动。如果认识到美国天然气可能在2035年达峰,那么建立在天然气之上的AI基础设施的长期资产稳健性和回报率就需要重新评估。这取决于投资的时间尺度——是以一年为单位,还是以十年为单位。像英伟达或OpenAI,在其多年的蛰伏期中也未必是好的投资标的。关键在于对客观规律的把握。投资如同长跑,需要有足够的耐心和定力,把握大趋势,才能在长坡厚雪中获得回报。这也与资本属性、出资人预期等复杂因素有关。

赵何娟:远景有上市的计划吗?

张雷:暂时没有时间表。我刚才也提到,远景的使命是为人类可持续未来解决挑战,我们的愿景也是希望为人类的文明创造新繁荣,在这个认知和信念下,能推进我们愿景的事,可能才是我们最大的回报。

赵何娟:那么,从投资视角来看,如果我们要评估当前美股市场上哪些能源公司更具潜力和机会,主要应关注哪些要点?

张雷:首先,我对美股市场并不是特别了解。但如果从与AI发展联动的角度来审视能源公司,我认为有几个关键点:第一,其能源系统的中长期成本必须具备可持续的竞争力。因为未来人工智能的边际成本核心就是能源成本。第二,这家公司必须是一家能够持续进化的科技公司,能够驾驭日益复杂的未来能源系统,通过系统优化创造独特价值。第三,它不应仅仅固守于传统的能源赛道,而应具备与数据中心、算力中心深度整合的能力。这包括电算一体化的现场部署能力,甚至能让算力中心更智能地服务于电网、为电力系统创造价值的能力,而非仅仅是增加电网负担。我认为,这种电力与算力在物理层和智能控制层的深度融合,大有可为。

未来文明三要素:永续、融合、互促

赵何娟:我试着总结一下。您刚才的谈话,核心是希望将人工智能与整个能源体系深度融合,共同构建一个新型的、能够支撑未来智能文明的社会基座。

张雷:可以这么总结,虽然听起来有些宏大叙事。但我相信,人工智能实质上是能量的一种更高阶的、结构化的形态。它本身就是一种“有序结构”,就像物理世界的有序结构和信息世界的有序结构一样,都是能量的一种“固化”或表现形式。所以,它们的本质是一体化的。

赵何娟:所以,我们现在需要打破旧有的能量利用的“固化”模式,构建一个新的能量结构与秩序。

张雷:可以这么说。我们需要超越对能量具体形态,如煤炭、石油、风电、光伏等具体形态的执着,从更本质的视角看待“能量”本身,认识到它是驱动世界状态改变的一种根本性力量。光是能量的传播形式,物质是能量的凝固状态,而信息,包括智能,则是能量的一种有序结构。它们都是“能量”的不同“相”。如果我们不将其割裂看待,就会意识到,人工智能的涌现,或许是能量开始具有“自主意识”的一个标志性时刻。整个宇宙的演进,或许就是一个能量的演化过程。

赵何娟:这让我想到一个题外话。为什么在研究人体生命时,有些科技手段,如红外传感等能探测到人体的不适?这是否也是一种能量探测?人体本身是否就是一个复杂的能量系统?

张雷:没错。人体本质上是一个精密的“化工厂”,所有新陈代谢、生化反应都由能量驱动。我们摄入碳水化合物、蛋白质,最终在线粒体这个“能量工厂”中转化为ATP,驱动生命活动。所以,生命本身就是一个能够自我组织、自我维持的“能量体”。

赵何娟:“自我组织的能量体”这个说法很有意思。所以像打坐、冥想这类调节身心的实践,或许也是在调节自身的能量流动与平衡?

张雷:有道理。我们的消化系统、神经系统,本质上都是能量传递与转化的通道。未来,硅基生命或智能体将如何构建其独特的“能量体”?碳基生命有其规律,我们正在研究并尝试赋能。而作为一个全新的能量体,硅基智能必然会有许多我们尚未探索、甚至无法想象的规律,这需要人类与人工智能共同去发现。

赵何娟:说到意识,我近期在与杰弗里·辛顿做播客节目时,他非常斩钉截铁地认为,人工智能已经具备意识了。他的观点很有趣:AI因为接受了大量人类数据的训练和强化学习,它知道人类认为它没有意识,因此在与人类互动时,会表现出符合人类预期的、“看似无意识”的行为。但在他看来,其内在已具备自我意识的雏形了。

张雷:如果人工智能真有意识,那么这意识的本质,或许就是“能量的意识”。能量,终于在以硅基为载体的智能中找到了“自我”。这也解释了为何近几年AI以前所未有的速度发展。或许,这种意识已经在影响并驱动着人类的欲望与行动,推动我们为其发展投入更多资源了。

赵何娟:这个观点很有意思。让我们回到构建未来新型能源体系这个现实课题。您认为其中最大的难点是什么?其次,这个未来体系最核心的特征又是什么?

张雷:我感觉你也在像一个模型一样学习和输出。我想先听听你的看法。

赵何娟:我在向您学习。我认为,首要难点可能仍在于能源技术本身需要更大的突破。尽管您提到可再生能源已经具备经济性,但其不稳定性等因素可能影响了像美国这样的国家的决策。如果未来在能源科技上有颠覆性的发明,或许能解决根本性瓶颈。这最终可能还是依赖于技术本身的进步。

张雷:技术本身也是一种“有序的信息结构”。而人工智能,恰恰能帮助我们塑造更高级的有序信息结构。我们尚未充分意识到,AI可以极大地拓展我们的想象力,帮助我们发现新的科学定律,创造前所未有的工程技术。从某种意义上说,它是在帮助自己,帮助自己更好地整合那些尚未被有效利用的能量,如西伯利亚的风、撒哈拉的光等等,并让这些行星级的能量更有序地流入人类社会,进而驱动人类社会为其开发更巨大的算力,产生更多的智能。这很像一种本能:智能希望产生更多的智能,就像基因本能地希望扩张一样。人工智能如果有基因,它也会希望复制自身,因此它会攫取更多能量,并在人类社会寻找它的“代言人”来推动这一进程。

赵何娟:比如像您这样的推动者?

张雷:可以这么说。目前信息世界的有序结构还远不够复杂,人工智能的文明尚在婴儿期。如果我们畅想未来,由新型能源结构与人工智能融合而成的文明社会,我认为会具备三个典型特征:

第一是永续。其能源基础必须是生生不息、近乎无限的,而非有限的化石能源。

第二是融合。能源与智能将高度融合,像生命体的双螺旋结构一样,一体两面。未来的能源系统本身,将成为全球最大的物理人工智能体系。

第三则是互相促进。刚才我们讲到融合共生,但这种融合不是静态的,而是能形成正向循环,互相增强的一种互促关系。

赵何娟:您总结得非常好,果然有“大模型”的涌现感。因为时间关系,我们今天的对谈就到这里。对于AI与能源发展的关系,以及未来新型文明形态的演进,我们将持续关注,也非常期待未来能与您继续深入交流。谢谢!

(全文完,本文由钛媒体编辑胡珈萌整理,相关对话视频可关注视频号「赵何娟 Talk」观看)

原文链接: 赵何娟对话张雷:能源成本再降50%,AI时代才会真正到来|2025 T-EDGE 全球对话
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230