当你在深夜点开聊天机器人ChatGPT，敲下指令让它为你规划一趟向往已久的异国旅程，只需短短几秒，详尽的路线与酒店推荐便跃然屏上。这样一次典型的文字查询，约消耗0.3瓦时电力，相当于家用烤箱开半秒所用的电。
单看一次使用，耗电量似乎微不足道，但当数以亿计的指令不断涌入，屏幕后方的服务器和冷却系统便会承受沉重的能源负担。
国际能源署的数据显示，全球数据中心用电量在2025年增长17％，远高于全球整体电力需求约3％的增幅。国际能源署预测，全球数据中心用电量将从2024年的约415太瓦时，增至2030年的约945太瓦时，增加一倍以上。
若以新加坡2024年约58太瓦时的全年用电量来计算，到2030年，全球数据中心的预计年耗电量，相当于全国约16年的用电需求。
过去30年来，全球电气化持续推进，到2023年已有近92％的人口用上电。稳定供电已成为现代社会的日常：只要按下开关，电就理所当然地来了。
如今，人工智能（AI）热潮重新把电力推回大国竞争与科技博弈的最前线。自2022年底生成式AI爆发以来，市场注意力一度集中在晶片；但近两年，随着数据中心加速扩建，变电站和输电线路的承载力，以及项目能不能接上电，成为AI基础设施竞争的新焦点。
南洋理工大学计算与数据科学学院校长讲席教授文勇刚接受《联合早报》访问时指出，电力如今已成为数据中心项目能否落地的第一道门槛。
文勇刚说，10年前，企业挑选数据中心地点时，通常会先看土地、光纤网络、传输延迟和税务优惠等条件，电力供应多半被视为理所当然。但现在情况反过来了，发展商首先要确认，能否在合理时间内拿到数百兆瓦、稳定且价格可承受的电力，之后才会考虑其他条件。
“晶片决定你能算得多快，电力决定你到底能不能算……如果数据中心因为接不上电而无法启用，再多税务优惠也无济于事。”
数据中心对电力的争夺，还会随着现有设施升级而进一步加剧。
AI用电有条件：稳定低碳可负担
亚太能源咨询公司The Lantau Group合伙人布罗德斯托克博士（David Broadstock）受访时指出，数据中心在使用期内会不断更新计算设备，即使建筑规模不变，用电量也可能大幅增加，使电力需求增长更快，也更难预测。
“更准确地说，眼下能够立即供应的电力，还不足以满足数据中心未来的电力需求。电力基础设施可以逐步扩建，但关键在于，扩建速度能不能追上数据中心的用电增长。”
不过，文勇刚指出，这并不意味着全球已陷入电不够用的状态，而是电力供需在时间、地点和供应条件上出现错配。
“时间上，数据中心和算力设施扩张迅速，电力基础设施却难以用同样速度跟上；地点上，数据中心往往希望靠近用户和光纤网络，但便宜、充足的清洁能源通常位于较远地区。此外，AI需要的并不是任何形式的电力，而是能够稳定供应、价格可负担，并且低碳的电力。”
电力投资和供应持续增加 问题出在电网建设没跟上
造成电力供需错配的一大原因，是全球发电投资虽持续增长，电网建设却没有跟上。
国际能源署指出，2015年以来，全球每年约有1万亿美元投入发电设施，但电网投资却只增至约4000亿美元，增速不到发电投资的一半。
结果是，发电能力虽然增加了，电力却不一定能及时送到需求最旺盛的地点。根据国际能源署《2026年电力报告》，全球目前仍有超过2500吉瓦的可再生能源、储能和大型用电项目在等待接入电网，其中也包括数据中心。
国际能源署可持续发展、技术与展望主任科齐（Laura Cozzi）接受《联合早报》访问时说，数据中心目前虽然只占全球用电量约1.5％，但最新一批项目规模庞大，已经开始给地方电网带来压力。在不少电力市场，电网本来就已经拥堵，新项目要接上电需要时间，而新建输电线路更可能历时多年。
科齐说：“数据中心通常只需18至24个月建成，电网建设却可能耗时长达15年。”
亚洲人工智能协会媒体与出版主管谢伟铿受访时说，供电缺口在美国、加拿大等电网建设较早的国家尤其明显。当地许多电力设施已经使用多年，城市可用土地有限，如果要扩建，还得经过漫长的规划、审批和协调，短期内很难快速提高供电能力。
谢伟铿也说，一些发展较晚的地区，如果一开始就能按照数据中心等大型用电项目的需求来规划电网，反而可能少一些改造旧电网的麻烦。不过，实际情况还要看当地是否有足够的土地、资金和相关配套，不能一概而论。
国际能源署警告，如果电网瓶颈无法缓解，到2030年，全球计划建设的数据中心容量中，约有五分之一可能因无法及时接入电网而延误。
能否让AI少用电多做事？
既然扩建发电设施和电网耗时多年，太空算力、大规模长时间储能等路径也尚未成熟，眼下更现实的解决方案之一，是从需求端着手，让AI在训练和使用过程中，用更少的电完成同样的任务。
文勇刚认为，电力供需压力不会阻止AI发展，反而会倒逼整个系统提高效率。企业不仅会改进模型和晶片，也会采用更高效的冷却技术与数据中心设计，并根据清洁电力供应情况，把部分训练任务安排在更合适的时段和地区。
在模型选择上，并不是所有应用都须要调用最大规模的语言模型。
谢伟铿指出，对于范围明确、难度较低的任务，企业可以使用规模较小、用途更专一的模型；大型模型也可根据任务，只调用最相关的部分。这就好比把工作交给最合适的专门团队，而不是让整个组织一起出动，从而减少不必要的运算和电耗。
除了选对模型，也要避免让AI反复做同一件事。
新加坡优势研究咨询公司联合创始人张帆受访时说，一些AI智能体会反复调用模型，消耗大量不必要的令牌（token）和算力。因此，要让AI少用电，不仅要选择合适的模型，也要优化工作流程，减少无效调用。包括中国的豆包、通义千问和腾讯混元等中国大模型，也已经在进行相关优化。
不过，布罗德斯托克提醒，虽然更充分的训练或在前期消耗更多电力，却也可能让模型在后续使用时运行得更快。因此，评估AI能效不能只看训练阶段，还须兼顾日后的使用；同时，也不能因为电力限制而从根本上压低AI性能、阻碍创新。
另一方面，AI除了能降低自身电耗，也可以反过来帮能源系统省电、提高效率。
国际能源署指出，能源企业已开始利用AI预测和整合太阳能和风能的发电量，并把这些电力更好地接入电网；AI也能协助电力调度，提前发现设备故障和维修需求，让现有能源设施运作得更稳定、更高效。
例如，AI可更快识别和定位电网故障，把停电时间缩短约30％至50％；如果再结合远程传感器和智能管理系统，还可能在不新建输电线路的情况下，从现有电网释放最多175吉瓦的输电能力。
国际能源署估计，如果AI广泛用于发电厂运行和维护，到2035年，每年最多可节省1100亿美元。
数据中心用电暴增 最后由谁来买单？
数据中心须要扩建发电设施、变电站和输电线，这笔新增成本最终由科技企业、电力公司，还是普通消费者承担，也是公众最关心的问题之一。
美国部分地区已经出现数据中心扩张推高传统企业电费的情况。
覆盖13个州的PJM是美国最大区域电网运营商。为了确保用电高峰时仍有足够电力供应，PJM会提前付钱给发电商，让他们预留一部分可随时启用的发电能力。这种为“需要时有电可发”而支付的费用，称为容量价格。
近几年，PJM区域内的数据中心迅速增加，用电需求增长快过发电能力。为确保未来供电充足，PJM必须以更高价格向发电商购买备用发电能力，容量价格因此从2024年的每兆瓦日28.92美元，上涨至329.17美元，涨幅超过10倍。
问题在于，这笔新增成本并不是只向数据中心收取，而是按照PJM的收费机制，由同一个电力市场内的用户共同分担，并反映在各自缴付的容量费中。因此，原本就在当地经营的企业厂家，同样要承担更高费用。
俄亥俄州老牌砖厂Belden Brick便是其中一例。它虽然与AI产业无关，但每月要缴交的容量费却从1600美元增至1万2000美元，整体电费在一年内上涨约九成。
这个案例显示，数据中心扩张推高的区域供电成本，可能会通过电力市场的收费机制，转嫁给其他企业；若企业难以长期自行消化，成本还可能进一步传导至消费者，推高产品和服务价格。
数据中心扩张会推高新加坡电价吗？
新加坡的电力市场和美国不同，但类似的成本问题同样现实。
新加坡拥有稳定的基础设施、国际连接、法律制度、云服务生态，以及大量金融和企业用户，是区域数据中心枢纽。不过，土地有限、能源成本高和热带冷却条件，也提高了继续扩张的门槛。
建筑咨询公司特纳唐逊（Turner & Townsend）的数据显示，新加坡数据中心建设成本从2023年的每瓦11.40美元，升至2025年的14.50美元，两年累计上涨约27％，在全球主要市场中仅次于东京。
此外，新加坡现有电力系统虽然整体可靠，但约95％的电力由进口天然气生产，国际燃料价格波动和供应中断可能影响本地电价和能源安全。
张帆指出，数据中心用电需求增加后，额外电力成本最终会否转嫁到居民电费和日常物价上，关键要看当地如何区分和定价工业用电与居民用电。
“美国部分市场的电价比较市场化，若工业用电和居民用电没有明确分开，或两者价格存在联动，企业电费上涨就可能较快转嫁到居民电费单上。亚洲多数市场则会把工业用电和居民用电分开定价。因此，数据中心带来的额外电力成本通常会先由企业承担，不一定会直接反映在家庭电费上。”
AI专家谢伟铿认为，新增成本最终很可能部分转嫁给消费者，这也是许多产业成本通常的传导方式。不过，数据中心也会推动经济活动并提高经济潜力，因此在评估成本上升的影响时，也须同时衡量它能否带来相应的投资、生产力和经济增长。
国际能源署能源专家科齐则强调，数据中心负荷增长与电价之间，并不存在严格的线性关系。“如果政策能够以智能、高效、灵活的方式将数据中心融入电力网络，就没有理由认为它们一定会推高电价。”
电价会否上涨、成本最终由谁承担，只是AI电力挑战的一面。更关键的是，各国能否把稳定、价格可负担的电力，及时送到不断扩张的算力设施。
此外，AI竞争从来不是单一要素的比拼。电力虽是项目能否落地的入场券，但先进晶片、算力架构和模型效率，依然决定AI能跑多快、多远。
不同国家的资源条件和发展瓶颈也各不相同：有的缺电，有的受制于先进晶片，也有的卡在人才、资本或基础设施。未来更有竞争力的，将是那些能把晶片、算力、算法和能源统筹起来，并以更低成本、更高效率把技术转化为实际应用的国家和企业。
