中國AI繪製全可再生能源電網，全球需關注

當前，全球主要經濟體都面臨一個共同挑戰：人工智能的電力消耗速度遠超電網設計時的預期。在美國，最大電網運營商PJM的容量市場價格兩年內上漲了十倍以上，數據中心增長是主要推手。在歐洲，公用事業公司正爭分奪秒升級輸電基礎設施，以滿足超大規模計算企業的需求。國際能源署（IEA）預測，到本十年末，全球數據中心電力消耗可能接近1萬億千瓦時。可再生能源本身已不成問題，但如何通過國家層面的AI電網映射來協調這些資源，仍是大多數國家欠缺的能力——而中國剛剛完成了這一任務。

本週《自然》雜誌發表了一項由北京大學和阿里巴巴達摩院合作的研究，他們構建了一個前所未有的成果：一套完整、高分辨率、由AI生成的全國風能和太陽能基礎設施清單，以及將其作為統一系統進行協調的分析框架。研究團隊利用基於亞米級衞星圖像訓練的深度學習模型，識別出中國31.9萬個光伏設施和9.1萬個風力渦輪機，處理了7.56TB的圖像數據。

此前關於太陽能-風能互補性的研究多基於假設或模擬的部署場景，而實際基礎設施下的互補性表現及其對系統集成的影響一直不明確。這項研究顯示，太陽能-風能互補性顯著降低了發電波動，且隨着配對地理範圍的擴大，效果更加可靠。例如，覆蓋甘肅太陽能發電場的雲層並不會遮蔽內蒙古的風力走廊。研究的發現揭示了中國當前電網管理的一個結構性低效：協調發生在省級而非國家級。

研究人員認為，轉向國家級統一協調將更容易配對互補能源，穩定電網，並避免棄電——棄電長期以來是中國清潔能源領域代價最高的問題之一。北京大學地球與空間科學學院教授劉宇將這套清單描述為讓中國從“上帝視角”看到自己的新能源格局。電網運營商無法優化他們不瞭解的東西——而現在他們有了工具。

中國正處於AI驅動的電力需求激增中，電網壓力巨大。據中國電力企業聯合會數據，2026年第一季度，數據中心和雲計算設施的用電量同比增長44%，達到229億千瓦時。對於本已巨大的需求基數而言，這是驚人的增長率。這加速了中國北方和西部省份的數據中心擴張，這些地區土地更便宜、風能和太陽能資源更豐富，電價也相應更低。而受青睞的數據中心新址，恰好與太陽能-風能互補性最高的區域重合。

這項研究的技術成就本身也值得關注。達摩院的深度學習模型經過訓練，能從亞米級衞星圖像中識別光伏設施和風力渦輪機，任務複雜性在於安裝類型、地形條件和圖像質量的多樣性。最終數據集覆蓋了中國1915個縣，從沿海城市的屋頂光伏板到蒙古高原的公用事業級風電場。處理7.56TB圖像以生成全國一致的縣級清單，展示了大規模地理空間AI在基礎設施問題上的能力，也為其他國家提供了可複製的模板。

據芬蘭能源與清潔空氣研究中心數據，中國清潔能源行業去年創造了約15.4萬億元（2.26萬億美元）的經濟產出，相當於巴西的GDP總量。管理如此規模的基礎設施，若無國家級可視化工具，始終是瓶頸——如今這一限制已消失。研究的數據庫和代碼已通過Zenodo公開發布。