中美 AI 竞争的终局，可能不是拼 " 算力 "，而是拼 " 电力 "。因为 AI 越猛，越吃电。谁能把这笔电费扛住，谁就能撑到最后。

最近的一些消息，让我越来越相信这个观点。比如前段时间，英国《金融时报》的一则报道就说，中国启动了针对 AI 的电费补贴。在某些数据中心密集的省份，只要你在数据中心全面使用国产芯片，就可以减免你的电费，最高 50%。

有人说，这么多啊，这可省钱了。也有人说，短期是省钱了，可是，能一直这样下去吗？到时候补贴一停，估计又要回到解放前了。

怎么说呢？在我看来，这个补贴，与其说是短期的产业扶持，不如说是我们在 AI 竞争中，发起了一次 " 非对称 " 回击，用廉价充裕的电力优势，弥补芯片性能劣势。

一个电费补贴，怎么就成 " 回击 " 了？它到底打到哪了？

要回答这个问题，我们得先去看看我们的对手，正在经历的一场能源危机。

一、美国 AI 产业的瓶颈，已经从芯片转向了电力

你知道吗？最近美国的科技巨头们，找电都快找疯了。

这话不是我说的。是微软的 CEO 纳德拉说的：现在的最大问题不是计算（芯片）过剩，而是电。如果电力跟不上，即便仓库里堆满芯片也没用。品品这话。世界顶尖的科技巨头，手握最先进的算力芯片，最大的烦恼，居然是找不到足够的插座。

为什么会这样？因为搞人工智能，真是太耗电了。

当 ChatGPT 每日响应约 2 亿个请求时，耗电就足以支持 1.7 万个美国家庭的用电。这还只是一个 AI 应用的电量。预计到 2035 年，美国 AI 算力产生的电力需求，还会翻一番以上。但是，美国的电网又特别不给力。他们的电网系统，大部分建造于几十年前，甚至更早。北美电网运营商就曾发出警告：未来几年，辖区内很有可能会间歇式停电。摩根士丹利也说，2030 年左右，美国某些区域的电力缺口可能高达 20%，AI 就是其中很重要的原因。

当需求爆炸，供给却动不了、修不快时，麻烦就来了。

弗吉尼亚州北部的劳登，一度是全球最大的数据中心市场之一。2025 年，政府宣布收紧数据中心项目的审批。原因之一，就是电网的输电能力已经跟不上需求。同样的情况发生在亚利桑那州的图森。他们拒绝了亚马逊的大型新数据中心项目，因为项目消耗了太多电和水。

那怎么办呢？AI 巨头们只好砸钱。

为了给云计算和人工智能项目供电，微软签署购电协议，重启三哩岛核电站 1 号机组，并买下未来 20 年该电站的所有电力。亚马逊觉得电网效率太低，于是，干脆花了 6.5 亿美金，在电站旁边买下了数据中心园区，直接接入了发电厂。

电力，客观上已经成为了美国 AI 产业的瓶颈之一。

二、我们正在用能源优势，弥补产品性能劣势

聊完美国，再回来看中国。你会发现，我们正在用自己的能源优势，补产品劣势。

什么能源优势？

早在 2022 年，AI 大爆发之前，我们就已经启动了一项超级工程：东数西算。

在中国，有一个天然的 " 错位 "。风电、光电资源最丰富的地方，比如内蒙古、贵州等地的电力用不完。而最需要电的企业，比如有大量数据要处理的互联网企业，却都挤在东部的北上广深，这里寸土寸金，电价也贵。

怎么办？

那就把东边的数据，搬到西部计算。让中国西部那些可能被闲置的，清洁廉价的电力，被东部需要算力的企业更大规模地用起来。这就是东数西算。

这个伏笔，在很多年前就种下了。于是，在 AI 这个用电大户横空出世的今天，它让我们拥有了充足的能源优势。

但这还不够。因为，真正的挑战在于：我们要推动国产芯片替代。因为在 AI 竞赛里，大模型是标，芯片是本。治标，不如治本。

而阻碍一家企业从英伟达换成国产芯片，除了产品性能的差距之外，还有两个难关。

第一个难关，是电费成本。

有评估认为，产生同样多的算力，我们的芯片要多花 30% 到 50% 的电。也就是说，本来 100 万的电费，换了之后，要多花 30 万～50 万。

第二个难关，是生态迁移成本。

CUDA 是一套让程序员可以更好地使用英伟达 GPU 的编程工具。如果说，英伟达的 GPU 是 AI 时代的 " 电脑主机 "。那么，CUDA 就是 AI 时代的 "Windows 系统 "。换芯片，就意味着软件工程师要花大约 6 到 18 个月的时间，把过去十几年在 CUDA 上积累的所有代码、模型、工具链，推倒重来，适配新生态。比如华为的 CANN。

这两个难关，怎么跨过去？答案之一就是：电费补贴。补贴的真正威力，在于它从根本上改变了一家企业看待国产芯片的 " 成本视角 "。

当一家公司在评估一项新技术时，它的成本公式是这样的：

总成本 = 采购成本 + 运营成本（电费占大头） + 迁移成本

在这个公式下，国产芯片很难占优，企业自然没有动力去选择。但现在，这个公式里已经出现了两个我们独有的减项。

第一个减项，叫 " 能源调度红利 "。

东数西算，让你的基础电费从一开始就比别人低了一大截。

第二个减项，叫 " 财政补贴 "。

这就是这次的电费补贴。它在你已经很低的电费基础上再砍一刀。

于是，一个全新的、只属于中国的 "AI 算力成本公式 " 诞生了：

总成本 = [ 采购成本 + 运营成本 + 迁移成本 ] - 能源红利 - 财政补贴

我们没有在公式的前半部分跟对手硬拼。而是用我们独有的 " 系统能力 "，改变了最终的计算结果。这就是：用能源优势，补产品劣势。

电力补贴的本质是用运营成本优惠，覆盖生态迁移成本，从而为国产芯片产业争取到建设生态和迭代技术，最宝贵的时间。

三、弹药、扳机、目标：一个完整的反制系统

拆到这里，事情就清楚了。三件看似独立的事，背后其实是一个闭环。

东数西算，是弹药。

它解决的是能源供给和单位算力成本的问题，让我们在 " 谁有电、谁便宜 " 这条赛道上占据先手。

电费补贴，是扳机。

它规定了这批弹药该怎么用，只有换上国产芯片，你才能用上这笔便宜电。

国产芯片，和以 CANN 为代表的国产生态建设，则是我们要精准到达的那个目标。

弹药决定能打多久，扳机决定能不能打，目标决定打向哪。这三者一起，构成了一个从资源到成本、再到生态的闭环。而这个闭环的目的，从一开始就不止是防守，而是进攻。进攻的方向，至少有两个。

第一，英伟达的生态霸权。

英伟达的 CUDA 生态，就像 AI 领域的 Windows 操作系统。它用极其高昂的迁移成本，锁住了所有用户。我们现在要做的，是用自己巨大的内需市场，催熟 CANN 的国产替代。一旦它在市场里被验证、完善，英伟达一家独大的局面就有被撕开口子的可能。

第二，AI 的成本基础。

因为能源危机，未来搞 AI，成本会越来越高。而我们这里，因为东数西算和电费补贴，成本相对可控。当未来的 AI 竞赛从百米冲刺变成一场消耗战的时候，谁的成本更低，训练出更好的模型，谁或许就能笑到最后。

当正面战场胜算不大的时候，唯一的出路，或许是重新定义战场。

最后的话

英伟达用 CUDA 生态统治了 AI 的上半场。那是一个拼芯片性能、拼算法优化的时代。在那个游戏里，我们确实起步晚了。

但现在，游戏规则正在悄悄改变。

当 AI 从实验室走向大规模商业应用，当模型越来越大、训练越来越频繁，这场竞争就不再只是技术的竞争，而是资源的竞争。不再只是拼谁的芯片更快，而是拼谁能承受得起这场持久战的成本。

丰富的清洁能源，完善的电网基础设施。这些，都是我们在上一个时代积累的 " 隐藏资产 "。现在，它们开始发挥作用了。

所以，才有这么一句话：美国最怕的，不是华为的芯片，而是中国的电网。

当然，这不意味着我们可以躺平。芯片性能的差距，仍然需要时间来弥补。软件生态的建设，更是一场需要耐心的马拉松。但至少，我们找到了一条可能的路径：用能源换时间，用时间换技术，用技术换生态。

技术拼到最后，往往成了拼资源。而我们，最不怕的就是这个。