一、
一度电只差几美分，一年能差出 1600 万美元
过去两年，大模型竞争最受关注的是训练：谁拿到更多芯片，谁投入更多资本开支，谁就更有机会训练出更强的模型。
随着模型能力逐步接近、调用量迅速增长，商业竞争的重心正在从训练转向推理。
训练更像一次性投入，模型练完之后，这部分成本基本沉没。
推理不同，每一次对话、代码补全和 API 调用，都会实时消耗算力、占用机房、吃掉电力。调用量越大，持续性的运营支出就越重要。
IEA 及多家研究机构测算，全球数据中心用电将从 2024 年的约 415 TWh 增长到 2030 年的 945 TWh。五年时间，几乎翻倍，达到相当于日本当前全部电力消费的水平。
（图：全球数据中心电力消耗预测；数据来源：IEA；制图：Claude）
美国的数据同样醒目。2024 年，美国数据中心用电约 183 TWh。到 2030 年，这个数字预计会升到 426 TWh。
增长最快的不是普通服务器，而是 AI 服务器。IEA 提到，AI 目前约占数据中心电力消耗的 5% 到 15%，到 2030 年可能升至 35% 到 50%。Gartner 的预测更直接：AI 优化服务器的耗电将从 2025 年的 93 TWh 增至 2030 年的 432 TWh，占数据中心总耗电的比重从 21% 升到 44%。
这组数字说明，电不再只是数据中心的背景条件，而正在进入 AI 服务的成本表。
训练决定模型上限，推理决定模型能不能卖出去、卖得起量、卖得持久；而电力，正成为推理业务里最容易被规模放大的差异项。
