AI可将高能耗行业的能源成本降低3至10个百分点，但能源行业尚未充分利用这一潜力。
制约因素很大程度上是自身造成的：数据被锁在各自的专有系统中，而电力公司又难以与薪资更高的科技企业竞争数据科学家。
数据中心的用电需求预计到2030年将翻约一番，AI既是这一需求的驱动力，也是管理这一需求的最佳工具之一。
能源行业本该是AI的天然阵地
能源行业理应是AI的天然阵地。在所有行业中，它产生的运营数据几乎是最多的——电表、传感器、SCADA系统和市场信号实时源源不断地涌入。充分利用这些数据的经济价值已有据可查：国际能源署（IEA）的研究显示，经过验证的AI应用可将高能耗行业的能源成本降低3至10个百分点；如果消除采用障碍，有充分记录的应用案例到2035年可节省超过13艾焦耳的能源，约占全球最终能源消费总量的3%。
然而，能源行业正在错失自身的优势。同样来自IEA的研究发现，该行业并未充分利用AI，薄弱的数字化能力和有限的数据可用性是核心制约因素，而这两点在很大程度上都是自身造成的，且都有解决的可能。数据本身是存在的，但它被锁在专有数据孤岛和不兼容的格式中，困于那些从未被设计用于数据共享的操作系统之内。技能缺口同样真实存在：电力公司和电网运营商在数据科学家的争夺战中败给了薪资更高的科技公司，能够将原始遥测数据转化为可部署模型的内部能力也寥寥无几。
这是能源转型瓶颈的惯常面貌。宏观愿景——更清洁、更低廉、更有竞争力的能源——一再与其背后不那么亮眼的基础设施建设发生碰撞。正如电网接入队列和审批流程制约着可再生能源发展，薄弱的数据基础和匮乏的数字化人才同样制约着AI驱动的效率提升。
"为AI供能"与"用AI赋能"不可分割
正因为存在这种准备程度上的差距，"为AI供能"与"用AI赋能"两场讨论不能相互割裂。数据中心的用电需求预计到2030年将翻约一番。如果能源行业在消化这部分负载的同时未能部署AI来抵消其影响，那么对整个能源系统而言，净效果将是负面的——需求增加，效率却毫无回报。一旦采用AI，效率红利加上AI赋能的灵活性，则可能让天平倒向另一端。
灵活性至关重要。若数据中心能够更具响应性地运行，未来五年可为电力系统提供50至60吉瓦的灵活性调节能力，有助于整合可再生能源、推迟昂贵的电网投资，而这一切都依赖AI来实现。换言之，制造需求问题的技术，同时也是管理这一问题的最佳工具之一——但前提是系统已具备使用它的能力。
因此，AI的净能源效应并非技术本身的属性，而是一种在采购决策、招聘计划、数据共享规则和监管设计中做出的选择。
各国已开始认真探索解决方案
部分国家和地区已在认真探索解决之道。以印度为例，2025年，该国电力部推出"印度能源栈"（India Energy Stack）——一个面向电力行业的数字公共基础设施，其设计明确参照了Aadhaar身份识别系统和UPI支付轨道的模式。其核心前提正是上述诊断：数据留在产生它的地方，但通过一套包含唯一标识符、开放API和基于授权的数据交换的共享层，实现碎片化电力公司之间的接口标准化。这实际上是一种试图从根源上拆解数据孤岛问题的努力，而非用新一轮试点项目来掩盖它。
其他地区也从不同方向汇聚于同一洞见。2026年6月，欧盟委员会发布了《能源行业数字化与AI战略路线图》，将对电网管理AI模型的投资、全欧范围的AI.grids倡议，与数据治理和数字技能举措相结合——两大核心制约因素被同步纳入应对。在美国，能源部的"创世纪使命"（Genesis Mission）将AI置于电网规划和核能部署的核心地位，并调动数十年的国家实验室数据资源。该部门预计，电网规划、互联互通和运营方面的决策速度将提升20至100倍，电力成本和可靠性将获得最高10%的改善。此外，能源部还在将80年的核研究数据整合成一个安全、可检索的数据库，供未来能源和安全决策使用。
印度的公共基础设施模式、欧洲的"主权共享"路径，以及美国以实验室和算力为核心的推进方式，是三种不同的理论对同一问题的探索，而它们的差异本身就是一种启示。路线图终究不是落地部署，能源数字化的历史上充满了从未实现规模化的"有前景的试点"。真正艰难的工作是跨领域的、缓慢的：统一的数据标准与协议、互操作性、能够操作这些工具的劳动力，以及在关键基础设施上赢得公众信任的AI治理机制。这些都无法仅限于一国之内。电网、供应链和AI模型都是国际性的，碎片化的应对将钝化效率红利，进而扩大日内瓦会议致力于弥合的数字鸿沟。
国际合作是真正实现AI能源红利的关键
这正是联合国对话比另一份国家战略更具意义之处。能源转型不会等待每个国家各自解决互操作性问题，而数据基础最薄弱的体系，面临着被排除在效率红利之外的风险。将各国试点转化为共享标准和可移植的实践，是一项不那么光鲜却属于多边合作的工作，也是决定AI红利究竟是被率先解决互操作性的少数人独占，还是在全球能源经济中广泛共享的关键所在。
日内瓦会议上的讨论，有相当篇幅聚焦于如何管理AI不断增长的能源需求。这项工作至关重要，但它只是故事的一半。更大的机遇在于：AI如何能够在推动可再生能源更大规模整合的同时，降低工业、建筑、交通和电力系统的整体能源消耗。效率红利已被验证和量化，制约因素已知且可以解决。剩下的是执行层面的工作：更好的数据、更强的技能、机构意愿，以及更有效的国际合作。
Q&A
Q1：国际能源署认为AI能为能源行业带来哪些具体好处？
A：根据国际能源署（IEA）的研究，经过验证的AI应用可将高能耗行业的能源成本降低3至10个百分点。如果消除采用障碍，有充分记录的AI应用案例到2035年可节省超过13艾焦耳的能源，约占全球最终能源消费总量的3%。此外，若数据中心能够更具响应性地运行，未来五年还可为电力系统提供50至60吉瓦的灵活性调节能力，有助于整合可再生能源并推迟高昂的电网投资。
Q2：能源行业在应用AI方面面临哪些主要障碍？
A：能源行业面临的主要障碍有两个，且在很大程度上是自身造成的。一是数据孤岛问题：数据虽然存在，但被锁在专有系统和不兼容的格式中，无法有效共享。二是数字技能缺口：电力公司和电网运营商难以与薪资更高的科技企业竞争数据科学家，内部将原始数据转化为可部署AI模型的能力严重不足。这两大问题被IEA认定为当前最核心的制约因素。
Q3：印度能源栈是什么？它如何解决能源行业的数据问题？
A：印度能源栈（India Energy Stack）是印度电力部于2025年推出的一个面向电力行业的数字公共基础设施，参照了Aadhaar身份识别系统和UPI支付系统的设计理念。其核心思路是：数据仍保留在产生它的地方，但通过一套共享层——包含唯一标识符、开放API和基于授权的数据交换机制——来实现碎片化电力公司之间的接口标准化，从根源上拆解数据孤岛问题，使数据具备AI就绪能力，而不是依赖一个个无法规模化的试点项目。
