企业评估 AI 项目时，通常会计算模型价格、算力折扣、调用量和人员效率，却很少把一个更基础的问题放进商业方案：当 AI 负载持续增长，支撑它的新增电力从哪里来，何时能够接入，系统高峰时能否调整，相关基础设施成本最终由谁承担？
这个问题过去容易被视为云厂商和数据中心的责任。现在，它正越来越直接地影响 AI 服务的价格、可用区域、扩容周期和社会接受度。
10 月 6 日，Google 与 Constellation Energy 宣布一项长期合作：双方计划通过对 6 座现有核电站的设备与技术升级，在 2032 年前为美国 PJM 电网增加 890 MW 稳定容量。Constellation 披露，协议包括一份 20 年购电协议、一份涉及现有机组的 15 年能源供应协议，以及一项为期 5 年的技术合作；Google Cloud 与 Gemini Enterprise 将用于增容规划、建设和电站运营。公告称相关投资超过 43 亿美元。
这首先是一项由合作双方发布的商业计划，并非已经兑现的发电结果。公开材料没有提供完整价格、风险分担、监管审批、建设里程碑、AI 应用效果或最终电价影响，890 MW 也要到未来多年内逐步形成。因此，它不能证明核电一定是所有 AI 负载的最佳方案，也不能证明 AI 已经降低了能源成本。
但这项交易揭示了一个值得企业客户认真研究的变化：领先的 AI 使用者正在从“购买现有电力”走向“为新增供给、长期容量和运营改进共同承担责任”。AI 的能源问题，也正在从一张电费账单，变成产品扩张能力的一部分。
买到算力，不等于获得了可持续扩张的能力
云服务让企业可以在几分钟内增加计算资源，但电力系统并不以同样速度扩张。
国际能源署 2026 年报告预计，2026—2030 年全球电力需求年均增长 3.6%，较过去十年的年均新增需求高约 50%；数据中心是推动先进经济体需求重新增长的重要因素之一。同期，全球超过 2,500 GW 的发电、储能及大型负载项目仍滞留在电网接入队列中。IEA 同时指出，数据中心可以在两三年内投运，而电源和电网基础设施通常需要更长规划和建设周期。
这意味着企业看到的“算力现货价格”，并没有完整反映未来规模所需的容量条件。短期调用顺利，也不代表业务在新的地区、峰值时段和更大负载下仍能按相同成本扩张。
当 AI 成为客服、研发、风控、生产调度或客户产品的日常组成部分，能源约束会沿着供应链传回企业：
因此，企业不能只问供应商“每百万 Token 多少钱”，还要问：这个价格建立在怎样的长期容量、区域风险和负载假设上？
- 可用区域受限，数据驻留与低延迟要求更难同时满足；
- 扩容等待时间拉长，产品增长计划受到基础设施交付约束；
- 峰值电价、容量费用和备用资源进入服务成本；
- 电网拥塞或供给不足时，低优先级任务可能被延迟或降级；
- 若新增负载的成本被转移给其他用户，项目会面临更强的监管、客户和社区质疑。
能源责任不是买一张证书，而是让新增需求与新增能力对应
许多企业已经采购可再生能源证书或披露年度用电匹配。这些工具有其用途，但对于持续扩张的 AI 业务，仅有年度总量上的抵消或匹配，仍然回答不了三个经营问题：新增负载是否带来了新增供给？需要电力的地点和时段能否获得供给？新增成本有没有不合理地转移给其他客户？
Google 与 Constellation 的新协议值得关注，正在于它把长期需求承诺与现有机组增容联系起来。它不是简单宣称已经购买某种能源属性，而是试图用长期合同支持真实设备投资，并把电站运营改进纳入合作范围。
美国联邦能源监管委员会 2026 年要求六个区域电网运营机构解释或改革大型负载接入规则，明确把更快接入与保护可靠性、可负担性同时列为目标。FERC 此前要求 PJM 为大型负载与电源共址、灵活用电建立透明规则，并强调大型用户应承担公平份额。监管信号已经很清楚：新增 AI 需求不能只争取“更快拿电”，还必须说明如何减少对系统和其他用户的负担。
这对普通企业同样适用。多数企业不会直接签署数十亿美元的发电协议，但它们可以通过采购条款和产品设计，把需求传递给云厂商、托管服务商和 AI 供应商。市场只有看见长期、可预测并愿意为责任付费的客户需求，才更可能投资与之匹配的基础设施。
给 AI 业务建立一份“能源扩张契约”
能源不应只出现在 ESG 报告中，也不应只由基础设施团队在项目上线后处理。对于预计持续增长的 AI 产品，企业可以把能源条件写进产品立项、架构选择和供应商合同，形成一份可更新的“能源扩张契约”。
它至少应包含六类信息：
这份契约的价值，不是准确预测未来每一度电，而是提前暴露商业计划与物理条件之间的矛盾。
例如，一个面向客户的实时风控服务可能不能随意中断，但模型训练、离线评测、知识库重建和非紧急内容生成通常存在时间弹性。企业应先按业务后果对负载分类，再决定哪些任务值得占用稀缺的即时容量，而不是让所有 AI 请求都默认成为同等级、不可延迟的需求。
- 要素：需要回答的问题
- 业务负载：哪些任务必须实时完成，哪些可以排队、批处理或减少重复计算？
- 时间曲线：平均与峰值需求如何变化，增长预测基于哪些客户和功能假设？
- 地点约束：数据驻留、延迟、模型可用性与电网容量之间有哪些冲突？
- 供给增量：供应商如何支持新增发电、储能、电网升级或可核验的长期容量？
- 灵活能力：哪些工作可在不损害客户结果的前提下移时、降级、迁移或暂停？
- 成本与责任：接入、备用、扩网、拥塞和退出成本由谁承担，如何避免转嫁？
“灵活用电”必须服从客户结果，不能成为隐蔽降级
IEA 将更灵活的负载、供给和储能视为安全且经济地接纳数据中心等集中需求的重要条件，并估计更灵活的非固定接入协议可能释放 750—900 GW 的项目机会。这里的关键不是简单削减计算，而是让用电时间与业务时限更好地匹配。
企业可以为不同任务预先定义能源响应策略：
但“灵活”不能由基础设施层单方面决定。若延迟导致客服答复失去时效、供应链建议错过行动窗口，或模型自动切换造成质量下降，节省的能源可能只是把成本转移给客户。
因此，每种调度策略都应连接业务服务等级：最迟完成时间、允许的模型降级、必须通知的用户、恢复顺序，以及客户结果受到影响时的补偿与复盘。能源优化只有没有破坏原本承诺的业务结果，才是真正的效率。
- 即时保障：交易、生产安全、临床支持等高后果任务保留明确容量与故障降级方案。
- 限时完成：分析、批量文档处理和内部运营任务允许在约定窗口内调度。
- 机会执行：训练、合成数据、低优先级评测等任务在容量和价格条件合适时运行。
- 主动取消：重复生成、无人使用的报告和低价值 Agent 循环直接停止，而不是只换到更便宜时段。
把单位经济性从“每次调用”扩展到“每个可靠结果”
企业最终需要的不是更低的瞬时算力价格，而是在可接受的能源、容量和风险条件下，持续交付有效结果。
因此，AI 项目的单位经济性至少应同时看到：
这会改变企业的优化顺序。最先做的不是为所有调用寻找最低单价，而是删除没有业务结果的消耗；随后才是选择合适模型、减少重试和提高基础设施利用率；再往后，才是通过时间、地点和供给组合优化剩余的真实需求。
对 AI 服务商而言，这也会形成新的竞争维度。未来客户比较的可能不只是模型质量和 Token 价格，还包括扩容确定性、负载可调度能力、能源来源的可核验程度、成本分担透明度，以及在供给受限时能否保持关键服务。
- 完成一个被业务接受的结果消耗多少计算与电力；
- 为峰值、备用、跨区域与失败重试预留了多少容量；
- 有多少请求可以通过缓存、小模型、确定性程序或取消无效工作来避免；
- 灵活调度实际减少了多少高峰需求，是否影响完成率和客户体验；
- 新增负载是否对应可核验的新增供给或系统能力，完整成本由谁承担。
从下一份 AI 扩容预算开始
并非每家企业都需要直接参与建设电源，也不应因为能源问题停止有价值的 AI 应用。更现实的起点，是选择一个未来 12—24 个月预计增长最快的 AI 产品，重新审视其扩容预算。
除了调用量和云资源，管理层可以要求项目团队补充四项内容：真实业务负载曲线、不可延迟与可灵活任务的边界、供应商对长期容量和新增供给的说明，以及能源受限时保护客户结果的方案。若这些问题只能用年度平均耗电或一张环境证书回答，说明项目仍没有准备好面对规模化。
Google 与 Constellation 的合作最终能否按期、按成本交付，仍需未来的建设与运营数据验证。但它已经提供了一个清晰信号：当 AI 需求进入基础设施规模，领先企业不会只在市场上争夺已有电力，而会用长期承诺支持新增能力，并尝试让数字技术反过来改善能源系统。
企业级 AI 的成熟，不只体现在模型能完成多少工作，也体现在企业能否为这些工作所需的物理资源负责。真正可持续的扩张，是新增需求、新增供给、负载弹性和客户利益能够被放在同一份商业方案里。
