算力的终场战事：在电网里打响

7月底，DeepSeek V4 Flash正式版发布——284B总参数、13B激活参数，它在多项基准测试中的得分，已经逼近目前最强的Claude Opus 4.8，API价格却只有其他头部厂商的几十分之一，甚至百分之一。 美国仍在用更大的闭源模型、先进制程芯片和更高的资本支出，不断推高智能天花板；中国则选择了一条更务实的路径：以开源模型降低门槛，用国产算力筑牢底座，靠集群工程与能源基础设施的深度协同，系统性压降整个智能生产体系的成本。 一边竞争单点技术的最高峰，一边寻找全系统的成本最优。两条路线最终都要回答同一个问题：谁能以更低的成本、更快的速度、更稳定的供给，持续生产出海量Token，从而在AI时代掌握主动权？ 它的真正杀伤力，不只是便宜，而是不断提高单位计算资源能够产出的有效智能。秘诀之一是MoE架构——模型每次处理任务，只"叫醒"一小部分参数，而不是全员出动，这对传统路径是降维打击。 V4 Flash总参数2840亿，每次推理只激活130亿，算力消耗锐减；V4系列把KV缓存占用压到V3的10%，长上下文场景成本骤降；在需要反复调用工具、多轮推理的Agent任务上，已跑出接近甚至超越1.6万亿参数旗舰模型的成绩。 与美国头部厂商以闭源模型、前沿芯片和大规模资本投入持续推高能力边界不同，DeepSeek代表的中国路线更强调：在有限计算资源下，提高单位算力的智能产出。 这并不意味着美国模型不重视效率，而是两者当前的约束条件和商业选择不同。美国更容易获得最先进芯片和巨额资本，因此可以优先探索能力上限；中国面临更强的算力约束，效率创新更早成为生存问题。 这个期待落空了。恰恰相反，Token越便宜，被AI处理的任务就越多，整体算力需求反而呈指数级上升。更长的思考链、更大的上下文、更多的工具调用与复核环节，使得单次任务的总成本不降反升。 19世纪，经济学家杰文斯发现：蒸汽机越省煤，英国的煤炭总消耗反而越大——效率的提升，反而刺激了需求的扩张。这就是"杰文斯悖论"，而它正在AI时代重演：Token单价越低，用量越大，对底层算力基础设施的压力就越重。我们由此进入了一个“良性循环”——或者也可以说是越省越要花的“梁性循环”。 （虎嗅注：网友曾打趣DeepSeek用量化赚的钱升级模型，再用更强的模型做量化赚钱，循环往复。此处借喻Token单价无论高低波动，用户花的总价却可能还在增加。） 于是，一个无法回避的问题浮出水面：当低价Token释放出更大的算力需求，谁能用更低成本、更短时间，把这些需求转化为真实可用的计算能力？ 在国产芯片先进制程受限的现实下，承接这股汹涌需求的答案，是将竞争从单卡性能的“加法”拉升到系统效率的“乘法”——让芯片集群释放出远超单卡线性叠加的算力价值。 道理并不复杂。在单块GPU的算力天花板短期内难以突破的背景下，自然要从“单卡跑分”转向“集群制霸”，用系统效率换取整体算力。这也是对现实约束的务实回应。 超节点并非简单的并行计算或分布式集群。它的核心逻辑在于，将大量AI芯片通过高速互联、统一内存和软硬件协同，整合为逻辑上“一台计算机”的超级算力池。 具备跨物理节点统一内存的编址能力，意味着万卡到十万卡，甚至百万卡可以共享同一个内存地址空间，数据在节点间直接流动，不再经过复杂的软件协议栈。 超节点的价值不止于算力本身，它还在拉动整条国产算力产业链的闭环成熟：从高速互联芯片、先进封装技术，到高端交换机、液冷散热方案，再到集群调度软件系统，都在集群规模化落地中快速迭代。 当数十万张芯片被组织成一台“超级计算机”，百兆瓦乃至吉瓦级的功率被塞进同一栋建筑，供电与散热就不再是配套工程，而是决定集群能否存活的命门。计算系统越集中，能源系统就越不能停留在“外部配套”的旧角色里。超节点走到最后，必然要与一种能承载极限功率密度的新型基础设施汇合。 在这个共生体内，AI电力系统不再是机房之外的管线，而是与芯片集群深度耦合的神经中枢——让每一度电都精准地转化为Token，让每一瓦热量都被高效地带走。 如同戈壁草原上拔地而起的超级算力枢纽，这座超级单体试图回答的正是超节点时代的基础设施命题：当芯片集群化成为确定趋势，谁来为这支“集团军”提供够大的部署基地、充足的电力粮草和畅通的能源补给线？ 正如远景科技集团AIDC总经理郑子浩所说，“中国芯片正在走一条集群化突围的道路，‘远景星河基地’正以超级单体承载国产算力集群的规模化部署，为中国算力的大爆发提供最强助攻。” 据IEA预测，到2030年，美国数据中心新增电力需求将占全美电力增长的一半；到本世纪末，其耗电量将超过铝、钢铁、水泥等所有传统高耗能行业的总和。 当一座AIDC的用电量对标一座小型城市，AI竞赛的底层逻辑已被改写。面对这场电力饥渴，中美日不同的企业给出了三种截然不同的解法。 马斯克的“星舰式”突围，靠的是硬核自救。 2024年，Colossus I超算集群仅用19天完成10万块英伟达H200部署，靠的就是自备临时燃气发电设备。但戏剧性的是，今年8月初，这69台燃气轮机因缺运营许可、排放超标、诉讼缠身，又不得不分批拆除。以企业的极限执行力对抗基础设施的慢性病，单点突破可以极致，规模化复制却如同星舰登陆火星，充满不确定性。 孙正义的“星际之门”，走的则是资本铺路的逻辑。 软银联合OpenAI宣称投入5000亿美元建设全球GW级算力中心，愿景不可谓不宏大。但纯市场逻辑在国家级能源基建前屡屡碰壁，完善的电网不是单纯靠资本就能买来的。 远景“乌兰察布星河基地”与前两者不同——远景选择了一条基于中国“算电协同”国家战略的路径，在风光资源丰富的戈壁滩建设全国最大的AI算力园区——乌兰察布星河基地，总规划容量超2GW。 先看规模。仅单体数据中心的建筑面积就超12万平方米——作为对比，“星际之门”的单体约5万平方米——基地总容量可扩展至GW级，支撑百万卡并行。但真正的难点不在面积，而在高功率密度下的供电、散热与动态功率调配。 再看电从哪来。基地自建风场、专线直供，全年80%以上的绿电直达机房，从源头降低碳排放，并提升长期能源成本的可控性。对GW级AIDC而言，真正稀缺的不是一时的低电价，而是能够长期、稳定、规模化获得的电力。 更关键的是，如何让波动的绿电跟上波动的算力负荷。以“远景天机”气象大模型预测风光出力，以“远景天枢”能源大模型优化发电、储能与算力负荷调度，再由EnOS连接和执行，形成“预测—决策—执行”的闭环。 而超节点带来的挑战，不只是电够不够。数十万乃至百万张芯片集中部署后，供电密度和热流密度都会被同时放大，任何转换损耗、功率波动或散热瓶颈，都会直接影响芯片持续满载运行。 远景AI算力中心的核心能力，是把墙外能源供给、墙内芯片供电和热管理放进同一套AI电力系统中协同设计：墙外通过风场、专线、储能和构网控制提供稳定绿电；墙内通过SST、800V直流和负荷侧储能缩短供电链路、响应动态负荷；同时结合液冷和自然冷源降低非算力能耗。 因此，远景解决的不是某一台设备或某一段供电链路，而是完整回答三个问题：电从哪里来，如何高效送到芯片，以及如何把热持续带走。 这不是某一项技术的领先，而是系统效率的整体创新。开源大模型，提高的是单位算力转化为智能的效率；超节点，提高的是芯片集群生产算力的效率；而AI基础设施——超级单体加AI电力系统——从根本上提高的是从电力到Token的生产效率。 开源模型、超节点和AI基础设施，看似分别优化软件、计算和能源，最终都在解决同一个问题：用更少资源、更短时间，生产更多有效Token。 成本不只是电价和设备价格，时间，也是一种需要考量的成本。并网等待、建设延期、芯片闲置和训练中断，同样会转化为Token成本。 而放眼全球，美国德州电网孤岛运行，欧盟电力市场一国一价，日本甚至连电网频率都分东西两套。而中国同时拥有三样东西：统一大电网的调度能力、新能源富集区的规模化开发能力，以及"东数西算""算电协同"的国家战略。三重叠加，构成了全球独一无二的系统优势。 开源大模型提高单位计算资源的智能产出；超节点提高芯片与集群的协同效率；超级单体与AI电力系统提高单位能源和基础设施能够承载的算力规模。 远景走的，恰好是一条最符合中国技术禀赋的路线。换言之，远景的AI算力超级单体，正是国家基础设施能力、产业战略与企业创新深度耦合下的技术产物。 下一阶段，竞争将延伸到一个更完整的生产体系：电力如何进入数据中心，芯片如何组成集群，算力如何生成Token，Token又如何转化为真实应用。 而随着AI进入十万卡、百万卡时代，能源正在成为影响系统效率的关键瓶颈之一。DeepSeek之后，中国AI开始做的，正是把对效率的追求从模型层，一路延伸到芯片、集群、能源与基础设施。 正如远景科技集团董事长张雷所说，"电力系统不是人工智能的配套系统，而是人工智能的主体工程"。AI的下一场效率战争，不只发生在模型里，也发生在每一度电抵达芯片之前。