中国AI绘制全可再生能源电网，全球需关注

当前，全球主要经济体都面临一个共同挑战：人工智能的电力消耗速度远超电网设计时的预期。在美国，最大电网运营商PJM的容量市场价格两年内上涨了十倍以上，数据中心增长是主要推手。在欧洲，公用事业公司正争分夺秒升级输电基础设施，以满足超大规模计算企业的需求。国际能源署（IEA）预测，到本十年末，全球数据中心电力消耗可能接近1万亿千瓦时。可再生能源本身已不成问题，但如何通过国家层面的AI电网映射来协调这些资源，仍是大多数国家欠缺的能力——而中国刚刚完成了这一任务。

本周《自然》杂志发表了一项由北京大学和阿里巴巴达摩院合作的研究，他们构建了一个前所未有的成果：一套完整、高分辨率、由AI生成的全国风能和太阳能基础设施清单，以及将其作为统一系统进行协调的分析框架。研究团队利用基于亚米级卫星图像训练的深度学习模型，识别出中国31.9万个光伏设施和9.1万个风力涡轮机，处理了7.56TB的图像数据。

此前关于太阳能-风能互补性的研究多基于假设或模拟的部署场景，而实际基础设施下的互补性表现及其对系统集成的影响一直不明确。这项研究显示，太阳能-风能互补性显著降低了发电波动，且随着配对地理范围的扩大，效果更加可靠。例如，覆盖甘肃太阳能发电场的云层并不会遮蔽内蒙古的风力走廊。研究的发现揭示了中国当前电网管理的一个结构性低效：协调发生在省级而非国家级。

研究人员认为，转向国家级统一协调将更容易配对互补能源，稳定电网，并避免弃电——弃电长期以来是中国清洁能源领域代价最高的问题之一。北京大学地球与空间科学学院教授刘宇将这套清单描述为让中国从“上帝视角”看到自己的新能源格局。电网运营商无法优化他们不了解的东西——而现在他们有了工具。

中国正处于AI驱动的电力需求激增中，电网压力巨大。据中国电力企业联合会数据，2026年第一季度，数据中心和云计算设施的用电量同比增长44%，达到229亿千瓦时。对于本已巨大的需求基数而言，这是惊人的增长率。这加速了中国北方和西部省份的数据中心扩张，这些地区土地更便宜、风能和太阳能资源更丰富，电价也相应更低。而受青睐的数据中心新址，恰好与太阳能-风能互补性最高的区域重合。

这项研究的技术成就本身也值得关注。达摩院的深度学习模型经过训练，能从亚米级卫星图像中识别光伏设施和风力涡轮机，任务复杂性在于安装类型、地形条件和图像质量的多样性。最终数据集覆盖了中国1915个县，从沿海城市的屋顶光伏板到蒙古高原的公用事业级风电场。处理7.56TB图像以生成全国一致的县级清单，展示了大规模地理空间AI在基础设施问题上的能力，也为其他国家提供了可复制的模板。

据芬兰能源与清洁空气研究中心数据，中国清洁能源行业去年创造了约15.4万亿元（2.26万亿美元）的经济产出，相当于巴西的GDP总量。管理如此规模的基础设施，若无国家级可视化工具，始终是瓶颈——如今这一限制已消失。研究的数据库和代码已通过Zenodo公开发布。