共计 1469 个字符，预计需要花费 4 分钟才能阅读完成。
一度电的差价, 正在决定全球 AI 的定价权。
中国大模型的价格, 究竟是怎么打下来的?
当全球开发者通过 OpenRouter 等平台调用 AI 模型时,他们发现了一个有趣的现象: 调用量最高的前五个模型中, 有四个来自中国公司。这些模型不仅性能足够, 价格也更具吸引力。这背后, 一场由电力成本驱动的 AI 定价权争夺战, 正在悄然展开。
📌 从训练到推理: 电力成为 AI 服务成本核心
过去两年,大模型的竞争焦点集中在训练阶段——谁拥有更多算力芯片, 谁就能打造出更强大的模型。但随着模型能力逐渐趋同, 商业竞争的重心已悄然转向推理服务。
训练是一次性投入,而推理则是持续消耗 。每一次 API 调用、每一次对话生成, 都在实时消耗算力、占用机房、吃掉电力。国际能源署(IEA) 预测, 到 2030 年, 全球数据中心用电量将比 2024 年翻倍, 达到约 945 太瓦时, 相当于日本当前全国电力消费水平。其中,AI 服务器的耗电占比将从目前的 5%-15% 大幅提升至 35%-50%。
这意味着,电力已不再是数据中心的背景条件, 而是直接进入了 AI 服务的成本核算表。谁能把推理服务做得更便宜, 谁就能在激烈的 API 市场竞争中占据先机。
🔍 电价差: 一个被规模放大的关键变量
公开数据显示,2025 年第三季度, 中国工业用电价格约为每千瓦时 0.115 美元, 美国为 0.154 美元, 德国则高达 0.276 美元。虽然这并非数据中心最终到手电价, 但足以反映成本差异的方向。
假设一个大型推理集群年用电量为 100 吉瓦时,仅电力一项, 中国的年成本约为 1150 万美元, 美国为 1540 万美元, 德国则高达 2760 万美元。这还未计入冷却系统等其他能耗。对于依赖海量调用摊薄成本的 API 业务而言, 这样的价差最终会直接传导到终端报价上。
在推理时代, 电力已经从背景条件, 变成 AI 服务定价里的关键变量之一。
💡 中国电力的“组合拳”: 稳定基荷与快速扩张的新能源
中国能够提供相对更低的推理电力成本,并非仅仅因为工业电价便宜, 更深层的原因在于其电力体系的独特组合能力。
- 煤电提供稳定基荷: 煤电虽然占比从 2015 年的 72% 降至 2025 年的约 55%, 但其稳定、可预测的特性, 为数据中心 7×24 小时运行提供了坚实基础。
- 新能源拉低边际成本: 风电、光伏等可再生能源快速扩张, 低碳电力占比已提升至 42% 以上。这些低边际成本的电力进入系统, 为需要持续供电的 AI 推理业务提供了越来越有竞争力的成本环境。
- 制造链优势转化为成本环境: 中国在风光装机和相关制造链条上的提前投入, 正在从产业优势转化为具体的供电成本优势。
📊 特高压与“东数西算”: 让低价电变成可用算力
拥有低价电还不够,关键在于如何将这些电力稳定、高效地输送到需要算力的地方。中国的特高压输电网络和“东数西算”工程, 正是解决这一问题的关键基础设施。
到 2025 年底,中国已建成 45 条特高压输电线路, 西电东送能力超过 3.4 亿千瓦。这使得西北地区丰富的风电、光伏等低成本电力, 能够跨区域配置到长三角、珠三角等算力需求密集区。
而 2022 年启动的“东数西算”工程,则在全国布局了八大国家算力枢纽节点和十个国家数据中心集群。它并非简单的“机房西迁”, 而是一套将能源、网络、数据中心和时延要求纳入统一调度框架的系统能力。
对于高频、标准化、低毛利的推理 API 场景来说,真正稀缺的 , 正是 把低价电稳定变成可用算力的能力。这也解释了为何中国模型能在 OpenRouter 等全球 API 平台上形成价格优势——支撑更低 Token 价格的, 是一套更不显眼却至关重要的底层条件。
