绿色算力产业链与发展原因分析

绿色算力是“双碳”政策落地的关键一环，也是技术进步、智 慧赋能、产业转型的契机所在。

1.绿色算力产业链：能源侧、算力侧（算法选择+数据中心）、能源侧

算力产业链的上游基础软硬件，是计算力、存储力、运载力的最基本单元，也是决定算 力质量的根本环节，包括基础硬件、基础软件及各类计算设备和网络设备。中游为算力网络 及平台，是为下游应用提供算力服务的核心环节，主要是各类算力基础设施，以及基于基础 设施开展的各类算力服务和安全服务。下游为各类应用场景，包括人工智能等算力应用，以 及政府、电信、金融、工业、教育、交通、能源等行业应用。 从算力到绿色算力，算力设备高效（Efficient）、算力载体节能（Conservation）、算能 协同清洁（Clean）、算用协同普惠（Inclusive）发展的绿色算力 ECCI 框架。上游的算力设 备包括芯片、服务器、存储等生产供给算力的核心 IT 设备，提升高效性是其绿色化的关键 本质；上游的算能协同聚焦算力侧与能源侧的协同布局，提升清洁能源使用率是其绿色化的 核心所在。中游的算力载体是承载算力设备的计算/数据中心载体设施，持续节能降碳是其 绿色化的主要目标。下游的算用协同聚焦算力侧与应用侧的协同赋能，推进算力行业赋能的 低成本集约发展是其绿色化的根本要义。

NTT GDC 定义了一个全面的数据中心脱碳径路的框架，以帮助减少排放并改善环境足 迹：减少消耗（通过优化现有流程减少能源、水和废物等资源的使用），做得更好（涉及到 转向可再生能源、清洁燃料、碳密集度较低的商品等替代资源以及加强废物回收工作）、做 不同的事（包括长期创新，如新的数据中心设计、废热的外部使用、非制冷剂冷却和替代备 份解决方案）。

基于 1.3.1 的内容，除了上游能源侧、下游应用侧以及中游数据中心的设备和载体（设 备也可以按照上文方式理解为上游），我们在研究同时加入算法软件层面的绿色优化。能源 侧分聚焦发电、储能、供配电和调度平台，为算力提供电力支持；算力侧（这里更多聚焦 AI 算力，所以专门加入绿色算法的维度）由数据中心承载，通过算法训练和推理对算力进行高 效利用、完成核心生产，数据中心硬件涉及芯片、服务器、存储、网络等设备与液冷、回收、 运维、建筑等载体；应用侧通过优化生成的 AI 模型与大数据的算力支持来满足边缘计算、 产业转型、智慧城市、社会环境绿色发展等多维度需求。

2.发展原因：低碳化与数字化双引擎

低碳化和数字化是推进绿色算力发展的双引擎。当前，数字经济正在成为推动全球经济 发展的关键引擎，其背后是千行百业数字化转型的汹涌大潮。然而随着全球气候变化问题的 日益严重，经济的发展和社会的进步，还必须以不破坏自然环境为前提，可持续的绿色发展 的背后是千行百业低碳化转型的迫切需求。因此，进入全社会绿色发展新时代，一方面要通 过数字化谋发展，另一方面则需要通过低碳化确保发展的可持续性。

 自上而下的减排政策

国际层面，全球气候治理体系自《京都议定书》（1997 年）确立以来不断演进，逐步从 约束型机制向自主承诺机制过渡，并以《巴黎协定》（2015 年）为核心，确立“全球升温控 制在 2℃以内、力争 1.5℃”的共同目标。此后，各国通过气候大会（COP）持续更新国家自 主贡献（NDCs），推动政策节奏常态化。整体来看，全球气候治理呈现出以协定目标为引导、 政策体系为基础、机制工具为补充的系统化路径，体现出长期稳定的自上而下驱动逻辑。 国内层面，自 2020 年明确提出“2030 年前碳达峰、2060 年前碳中和”目标以来，碳减 排已成为国家战略的重要组成部分。顶层设计逐步形成“1+N”政策体系，以控制碳排放总 量、优化能源结构、推动产业转型为核心主线，带动政策由宣示性转向执行性。当前政策导 向更加注重目标牵引与制度保障并重，推动能耗“双控”逐步向碳排“双控”过渡，强化碳 排核算、统计、考核等基础能力建设。在执行路径上，形成了“中央定目标—部委建机制— 地方抓落实”的分级推进模式，指导地方因地制宜制定达峰路径和减排节奏。整体趋势显示， 减排政策正由系统规划阶段进入任务压实阶段，覆盖范围不断外延，目标约束逐步增强。提 出“双碳”目标后，一系列支持绿色算力发展的政策不断涌现，从数据中心的绿色布局，到 全产业链的节能减排要求，都为绿色算力技术的发展指明了方向。

行业层面，能源、电力、制造业、数据中心等重点领域作为高碳排放主体，正成为政策 落地的关键承接单元。在国家政策引导下，相关行业普遍围绕能效提升、绿色用能与结构调整三大方向推进碳减排。一方面，传统高耗能行业通过生产端能效改造、淘汰落后产能等手 段压降排放总量；另一方面，新兴高载能领域如数据中心、算力基础设施等则重点推进绿色 电力应用、运行效率提升与资源梯级利用。企业也深刻认识到绿色算力的重要性，积极投入 研发和应用，推动绿色算力技术的创新与进步。整体来看，行业响应已从试点示范阶段进入 体系建设阶段，在统一目标牵引下形成横向覆盖、纵向传导的执行格局，体现出政策驱动与 主体协同并进的特征。

自下而上的需求激增

从 AI 服务器市场规模、AI 设备负载、计算能力需求、人工智能采用率等各维度衡量指 标都能看到，随着人工智能应用需求爆发，全球对算力需求也呈现指数级增长。从 2016-2025 年的整体趋势及预测来看，在算力增长的推动下，各主要经济体的数字经济占 GDP 的比重 持续提升，预计 2025 年占比将达到 41.5%。Synergy Research Group 的调查数据显示，截至 2024 年底，全球运营中的超大规模数据中心数量已达 1,136 个，是五年前的两倍，且至少还 有 504 个数据中心在建项目。IDC 数据显示，2024 年全球人工智能服务器市场规模预计为 1,251 亿美元，2025 年将增至 1,587 亿美元，2028 年有望达到 2,227 亿美元，其中生成式人 工智能服务器占比将从 2025 年的 29.6%提升至 2028 年的 37.7%。根据中国信通院的报告， 预计到 2030 年，全球数据中心的 IT 设备负载将从 2023 年的 33GW 增长到 100GW，年平 均增长率达到 17%，其中，AI 工作负载将以 43%的年平均增长率增长，在 IT 设备总负载占 比将从 2023 年的 13%增长到 2030 年的 50%以上。有学术论文研究 AI 模型发展趋势发现， 图像识别系统 AlexNet 在 2012 年推出后顶级模型的计算需求急剧增加，从 2012 年到 2018 年，每 3.4 个月就增加一倍。IEA 的研究分析指出，在经济合作与发展组织（OECD）国家 的大型企业中，人工智能的采用率从 2020 年的略高于 15%增至 2024 年的近 40%，且大型 企业和高收入国家企业具有更高的采用率。

人工智能大模型技术的研发和应用带来了更高的能耗需求。仅聚焦数据中心这一环节， 它是支撑数字化进程的关键基础设施，其运行离不开相应的电力基础设施。随着数字数据量 持续增长，数据中心必须扩张和升级，以处理和存储这些数据。IDC 数据显示，2024 年人工 智能数据中心 IT 能耗（含服务器、存储系统和网络）达到 55.1TWh，2025 年将增至 77.7TWh， 是 2023 年能耗量的两倍，2027 年将增长至 146.2TWh，2022-2027 年五年年复合增长率为 44.8%，五年间实现六倍增长。根据 IEA 估计，2022 年全球数据中心、AI 和加密货币共消 耗约 460TWh 的电力，占全球总电力需求的近 2%；预计到 2026 年，全球数据中心、加密货 币和人工智能的电力消耗将在 620–1050TWh 之间，基准情景下的需求略高于 800TWh，高 于 2022 年的 460TWh。目前，美国、欧洲和中国约占全球数据中心电力消费的 85%。在美 国，数据中心的电力消费在 2015 年至 2024 年间每年增长约 12%。在中国，数据中心行业自 2015 年起开始显著扩张，电力需求在 2015 年至 2024 年间每年增长 15%，是 2005 年至 2015 年期间增长率的两倍多；而同一时期各部门电力消费年均增长约为 7%。

各行各业 AI 渗透率都在持续提升，互联网、金融等领域表现更为明显。 金融行业通过对人工智能计算力的深化应用，显著提升了运营效率与风险控制能力，推 动了产品创新，并为金融服务的普惠化与精细化发展奠定基础。随着生成式 AI、大模型等 技术在金融领域加速落地，算力需求持续上升、渗透率显著提升，金融大模型场景渗透率已 突破 50%，根据 IDC 最新报告的测算，金融行业人工智能应用渗透率已升至 78%。目前， 算力在金融中的典型应用已覆盖智能风控、量化交易、投研自动化、智能投顾、客户服务、 信贷审批、合规审查、财务预测、保险理赔等多个关键场景。尤其是在高频交易、实时监测 和金融预测模型等场合，对大规模算力和低延迟计算提出更高要求，推动算力资源从集中式 部署向云边协同、弹性调度转变。随着金融机构对监管技术、AI 治理及可持续发展的重视， 算力正逐步成为金融机构提升合规效率与风险管理能力的核心基础。 AI 在 ESG 投资领域的应用参见团队此前发布的《ESG 体系下的 AI 研究（一）：多维 投资增效，防范伦理风险》。面对 ESG 投资生态中的监管追踪难、企业合规成本高、投资端 数据获取分析困难等痛点，AI 能在多个环节帮助不同参与者降本增效，通过智能、高效、创造性输出等特点，助力 ESG 投资打通生态链条。目前 AI 正面影响与负面争议作用于多个 行业，并与多方面的 ESG 议题相关，但对 AI 治理的直接评估并不直接体现在 ESG 框架中， 从全球实践情况来看，将负责任 AI 原则与 ESG 框架相融合，可以建立 AI 伦理风险分析体 系，为管控相关投资风险提供思路。

杰文斯悖论：轻量化模型的辩证分析

当前，以 DeepSeek 为代表的低算力消耗模型出现，在算法侧实现了单位能耗的显著压 缩，一定程度上缓解了 AI 普及初期对高成本硬件的依赖。然而，从系统视角来看，算法效 率的提升并未改变 AI 整体算力需求持续上行的趋势，反而因为使用门槛的下降与部署成本 的优化加速了模型下沉与任务泛化，在边缘终端与垂类行业的广泛落地中推升了总量需求。 简言之，算法降本并非限需手段，而更像是普及加速器，其释放的是长尾市场的规模潜力， 而非总量天花板的下调空间。轻量化模型使 AI 任务下沉至端侧设备，减少云端依赖，推动 工业一体机、自动驾驶等边缘算力市场。换言之，DeepSeek 式的优化路径固然有其技术意 义，但在算力总量持续扩张的大趋势下，绿色算力仍需在能源结构、底层硬件、调度机制等 非算法维度持续发力，单点式优化难以承担系统性转型的重任。

如果说效率提升构成了需求扩张的触发条件，那么 DeepSeek 推动的结构性扩散路径， 则是需求爆发的直接引信。相较传统模型主要服务于高端研发和平台企业，DeepSeek 通过 开源策略、轻量化设计与多任务适配能力，将 AI 技术扩展至更多主体与场景，真正推动了 AI 技术的“普惠化”。一方面，其算法框架与工具链的开放显著降低了模型训练与部署门槛， 使中小企业与个人开发者也能参与大模型生态建设；另一方面，其在医疗、金融、制造等行 业的垂直落地，显著提升了生产效率与服务密度，反过来对算力形成持续拉动。同时，在智 能终端与边缘设备的推理部署中，DeepSeek 所代表的轻量化技术也极大拓展了应用边界， 形成 C 端与 B 端的双向放量，推动底层算力结构从集中化走向泛在化。由此带来的，是从 中心到边缘、从平台到个体的系统性算力重构。 与此同时，也需对这类轻量化模型的局限性保持审慎认知。DeepSeek 等路径往往基于 性能可接受的前提下做出能效与精度之间的权衡，在部分复杂任务或跨域推理中存在一定程 度的信息损耗与误差积累。更重要的是，轻量化模型在脱离设定场景后往往面临泛化能力不 足的问题，需依托额外系统或大模型兜底，反而形成新的协同成本。此外，部分算法优化手 段对算力芯片与运行环境提出特定要求，存在部署适配障碍。也因此，算法侧的低能耗更多 是一种局部意义上的优化，并不构成对绿色算力其他方向（如绿色电力供给、液冷设施、调 度算法）重要性的替代。对产业而言，理解这一有益但不充分的边界，是推动绿色算力体系 建设、避免策略误判的前提。