最初的估计已经陷入了与过去早期研究相同的陷阱 关于数字技术的能源使用 ， 并产生了误导 估计。这些研究通常考虑 AI 所需的能量 系统在其生命周期中分为两个阶段 ： 1) 训练 AI 模型 ； 以及 2) 使用 AI 模型来响应特定的查询 - 这个过程称为 “推理 ” 。 训练 AI 模型 马萨诸塞州阿默斯特大学的研究人员估计 2019 年几个 AI 模型的碳排放 ， 第一个主要模型之一 同类研究。10 研究发现 BERT 磅二氧化碳 (CO2) 在 79 小时的 使用 64 个高级图形处理单元 (GPU) 、芯片进行培训 通常用于训练 AI 模型 ， 因为它们具有优越的并行性 处理能力。从这个角度来看 ， 往返航班从 纽约到旧金山可产生约 2, 000 磅的 CO2 每位乘客的排放量。研究人员还估算了碳 用于训练用于神经架构搜索 (NAS) 的 AI 模型的发射 自动寻找一个或多个神经网络的技术 给定任务的体系结构 - 翻译模型。11 研究人员估计 ， 训练模型 问题产生了 626, 155 磅的 CO2排放量 (大致相当于 从东海岸到西海岸的 300 个往返航班) 。12 毫不奇怪 ， 鉴于新闻业倾向于负面 科技报道 ， 几乎所有流行媒体的头条新闻都集中在 尽管它的用例狭窄 ， 但在后一种估计上。13 即使受到尊重 科学新闻媒体 ， 如麻省理工学院技术评论这样的头条新闻 作为 “训练一个单一的人工智能模型可以排放与五辆汽车一样多的碳

W） 资料来源：Rittal，国信证券经济研究所整理 算力强度通缩释放应用空间，电力设备有望受益 Ø 大模型算法持续优化，训练和推理成本有望持续下降，以Deepseek V1为代表的低成本开源大模型有望持续迭代，通过数据蒸馏、降低精度、参数部分调用等方式大幅降低训练和推理成本，加速大模型和人工 智能的普及，推理和应用需求有望迎来爆发式增长。虽然Deepseek的横空出世给短期算力投入带来了 外电耗。根据谷歌报告，2019-2021年与AI相关的能源消耗中大约60%来自模型推理阶段；根据Semi Analysis分析，GPT-3推理阶段单日耗电量可达564MWh，运行3天 即可超过整个训练阶段耗电量。根据施耐德电气预测，推理阶段占AI电力消耗占比将从2023年的80%提升至2028年的85%。 Ø Deepseek的出现大幅降低了高性能大模型的部署难度和门槛，部分数据中心需求将从集 1.10 2024/12 DeepSeek-V3 (Discount Price) 0.14 0.28 2024/12 请务必阅读正文之后的免责声明及其项下所有内容 图7：2030年全球AI训练规模制约因素分析（单位：flops） 资料来源：Epoch AI，国信证券经济研究所整理 图6：22-26年美国、欧洲、中国数据中心用电量与占比预测（单位：TWh， %） 资料来源：IEA，国信证券经济研究所整理

理广泛的计算任务，如业务处理、数据分析等；超算算力凭借 其浮点运算能力，专注于解决大规模数值计算、复杂物理模拟 等科学计算问题；智算算力则聚焦于人工智能和机器学习领域， 通过定制化的深度学习框架、高效的模型训练与推理引擎，加 速人工智能应用的开发与部署。 网络资源包含局域网、广域网及数据中心网络。局域网包 括办公网及生产网，两者通过科学机制进行互相隔离，确保生 产安全。广域网包括企业内部应用的内网，专供海外业务应用 。 AI 中台是工业互联网平台应用智能化的支撑，实现对大模 型和传统人工智能模型的统一模型管理、迭代更新和服务发布。 通过 AI 中台提供大模型应用开发框架，支撑“语料从收集到处 理，模型从训练到推理，应用从推理到发布”的流水线开发， 面向业务用户提供通用模型服务，面向开发用户提供应用服务 调用 API 接口，助力大模型应用生态构建和运营。 （四）应用层提供场景化解决方案服务能力 通过时间序列分析挖掘历史销售、舆情及宏观经济数据中的潜 在规律，融合包含社交媒体趋势、供应链波动等在内的多源异 构数据，生成高置信度的市场需求预测报告，动态优化定价策 略与库存分配。同时，部署预训练语言模型、驱动的智能客服 系统，结合知识图谱生成准确、有针对性的回复，提供个性化 的客户支持。沙特阿美发布 2500 亿参数 Aramco Metabrain 大 模型，通过分析历史数据、市场动态和地缘政治因素，实现精

数据的利用率、增强跨域过程中兼顾记忆力和泛化性的能力、网络结构轻量化和提高时域信息关联能力已 成为当前基于深度图像的场景解析领域的研究热点。相关研究主要分为以下三个方面： 一是数据方面，通过利用更容易获取的弱标注数据实现训练数据的极大扩容。基于视觉大模型的预分 割技术、基于显著性检测的图像预处理技术等为该方面的发展趋势。 21 第二章 机械与运载工程前沿 全球工程前沿 Engineering Fronts 二是神经网络结构方面，通过 研究适合基于深度图像的场景解析技术的 轻量化网络结构 提高基于深度图像的场景解析技术对 复杂环境的鲁棒性 促进场景解析技术由单张图像解析向 视频解析发展 提高跨域场景的泛化性，以降低长尾场景的感知偏差，从而降低训练集外场景的交通 事故发生率，保障道路交通安全 基于视觉大模型的 预分割技术 基于显著性检测的 图像预处理技术 基于生成对抗网络结构的 语义分割技术 大型弱监督RGB-D 场景解析数据集 基于跨模态互补信息的 基于星链通信的跨域 多节点的协同通信 方法 任务导向的混合式立 体协同任务规划方法 基于扰动度量的海上 作业资源调度方法 融合风浪流环境扰动 的跨域协同组合优化 模型 融合集群智能体模拟 训练的异构无人集群 自主控制方法 面向跨域协同任务的 异构无人系统协同控制 模型 基于可解释深度学习 的高鲁棒性协同控制 技术 西安电子科技大学 南京航空航天大学 国防科技大学 北京航空航天大学

采集数据源：机组转速、轴向振动、径向振 动、温度、流量、压力等。 用户数据 数据预处理 特征探索 机器学习建模 模型评估 批量/实时诊断 数据预处理 历史数据 实时数据 特征提取 大数据分析 样本库构建 模型训练 分类/预测 离线 在线 振动信号 转速信号 温度信号 载荷信号 石化装备AI管理—主要功能组件 配置接口 拖拽算法模型 自定义诊断规则 灵活数据展示 定制化业务 丰富数据接口 海量数据算法

多的 碳排放。人工智能产业呈现出应用场景多元化拓展、数据体量爆发式增长、模型 参数指数级增加的发展态势，对能源的高需求已经成为一个亟待解决的问题，尤 其是在数据中心和大模型训练中。例如，ChatGPT-3 单次训练需要消耗约 1287MWh 电力，相当于 43800 个家庭一天的用电量 1，在此过程中约产生 550 吨的碳排放， 约等于 8 辆普通汽油乘用车 20 年的碳排放量。据预测到 业界正从算法革新、硬件升级、算力协同三向发力破解智算能耗难题。以算 法与架构优化为先导，通过混合精度训练框架、内存优化、负载均衡策略及硬件 利用率提升等综合手段降低算力需求，如深度求索（DeepSeek）2024 年数据显 示，其大模型在性能对标行业标杆的同时，训练耗时压缩至 10%以内、算力资源 消耗减少 90%，综合训练成本仅为传统模式的 1%，印证算法级优化的巨大节能 潜力；细分领域则倾向采用特定任 业、高效、安全、智能化方向迈进。AI 赋能 ESG 成为企业破局共识。2024 年 10 月，中国企业改革与发展研究会、责任云、浩鲸科技联合发布“中国首个 ESG 大 模型——鲸牛 ESG”，结合专业知识引擎和海量领域深度训练，开启 web 端、移 动端、私域一体机、数字化平台等全渠道落地实践，助力企业 ESG 知识解答、数 据治理、管理提升和信息披露。 ESG 从“成本负担”逐步转向“价值引擎”。ESG 理念指引，头部企业通过

现了电力系统的全方位状态感知和动态优化管理，提升了系统 的稳定性和可控性。 2.2.1 关键数智技术 电力AI大模型 电力AI大模型即在通用大模型的基础之上，使用海量电力行业 信息加以训练，打造出具备适配于电力调度、巡检、交易等行 业特色场景的思维链能力的专业大模型。电力AI大模型在语言 模型、深度学习等算法加持下，可成为具备理解和推理能力的 中枢平台，并集成其他各类可用工具，全面赋能预测、预警、 1km/15分钟粒度预报，提 供精准天气预报信息 远景EnOSTM物联网平台接 入全球智能电表达十万量 级，积累海量负荷大数据 基础 基于多场景大数据训练， 构建更准确的时域特征、 频域特征、交叉特征、深 度网络负荷特征 采用先进AI机器学习与深 度学习算法及自研专利算 法结合，自训练与学习， 精度不断提升 微网协同调度技术 在源网荷储一体化的趋势下，微电网通过区域内供能、储能和 柔性负荷的能量互济，在充分挖掘集中式和分布式设备的潜在 ，算法架构 覆盖全时间维度优化，实现优化算法与控制功能的结合与云边 一体化。通过算法优化与实时调度，保障园区稳定高效运行， 提高零碳园区产能，降低弃风弃光率。 3. 关键参数的预测能力，不断训练和学习，精度逐渐逼真 利用大数据模型和全球领先的气象大数据平台，使得系统具有 精准的参数统计和预测能力，实现天气、发电功率、负荷能力 的精准预测。利用机器学习、深度学习等先进AI算法，构建更

现了电力系统的全方位状态感知和动态优化管理，提升了系统 的稳定性和可控性。 2.2.1 关键数智技术 电力AI大模型 电力AI大模型即在通用大模型的基础之上，使用海量电力行业 信息加以训练，打造出具备适配于电力调度、巡检、交易等行 业特色场景的思维链能力的专业大模型。电力AI大模型在语言 模型、深度学习等算法加持下，可成为具备理解和推理能力的 中枢平台，并集成其他各类可用工具，全面赋能预测、预警、 1km/15分钟粒度预报，提 供精准天气预报信息 远景EnOSTM物联网平台接 入全球智能电表达十万量 级，积累海量负荷大数据 基础 基于多场景大数据训练， 构建更准确的时域特征、 频域特征、交叉特征、深 度网络负荷特征 采用先进AI机器学习与深 度学习算法及自研专利算 法结合，自训练与学习， 精度不断提升 微网协同调度技术 在源网荷储一体化的趋势下，微电网通过区域内供能、储能和 柔性负荷的能量互济，在充分挖掘集中式和分布式设备的潜在 ，算法架构 覆盖全时间维度优化，实现优化算法与控制功能的结合与云边 一体化。通过算法优化与实时调度，保障园区稳定高效运行， 提高零碳园区产能，降低弃风弃光率。 3. 关键参数的预测能力，不断训练和学习，精度逐渐逼真 利用大数据模型和全球领先的气象大数据平台，使得系统具有 精准的参数统计和预测能力，实现天气、发电功率、负荷能力 的精准预测。利用机器学习、深度学习等先进AI算法，构建更

制化演进。主要应用于大型云计算数据中心和初期智算中心。 阶段 3：高密智能化阶段（2018-2025 年），该阶段推进高压直流（HVDC）规模化部署，全链路智能化（AI 调优 + 数字孪 生）。主要应用于超大规模智算中心（如 AI 训练集群）。 阶段 4：绿色全直流阶段（2025 年后）, 该阶段全直流微电网成为趋势，深度融合可再生能源（光伏 / 储能）。主要应用 于下一代零碳智算中心和边缘计算节点。 中国智算中心供配电系统应用市场研究报告（2025） 化转型提供底层支撑。 展望未来，至 2027 年，中国智算中心供配电系统整体市场规模预计将攀升至 610.4 亿元。随着 AI 大模型应用场景不断 丰富，商用进程加快，智算中心市场增长动力逐渐由训练切换至推理。并且，智算中心供配电系统正朝着高压化、直流 化、模块化和绿电化方向发展，这不仅顺应了技术升级的趋势，也契合了绿色发展的理念。在这一过程中，相关产业链企 业将迎来广阔的发展空间 。 在

超 200 亿元，研发深部煤炭安全高效数智化开采成套技术装备获国家 科技进步二等奖，研发应用国产采煤机惯导系统，实现综采工作面自 动找直技术常态化运行；与华为公司共建联合创新中心，基于人工智 能训练中心开发 86 个人工智能技术应用场景，在内外部 62 座矿井推 广应用，覆盖采掘机运通及安全管理等 9 个专业。煤炭科学研究总院 开发了太阳石矿山大模型、山东能源集团与华为合作研发了盘古矿山 监管 模块 5 个二级平台、22 个 AI 应用场景，各一线科室或区队根据各自 权限使用二级平台相关功能，所有数据汇总至矿端 AI 应用平台集中 展示和管理；华电煤业龙德煤矿应用大模型知识增强训练技术与知识 图谱技术构建设备运维知识库，结合全文检索、大模型知识生成技术 和知识混合检索的方式，指导机电设备运维人员高效制定管理策略， 精准开展运行调整、维护保养、设备维修等工作。 2.“ 模态智能监控预警示范工程，显著提高煤矿灾害精准感知、风险演化 的动态预测、自动识别与应急响应能力。 （十）煤矿大模型向通专融合的高价值场景驱动发展 1.提升面向大模型应用的数据标注能力。研究行业多模态数据的 小模型训练数据、大模型微调数据和场景化知识数据的合成算法，建 立数据脱敏、数据加密与数据流通体系，研发多模态数据标注工具链， 形成行业数据、大模型基座、场景化应用闭环，夯实行业人工智能应 用的数据基座。