目前，所有主要经济体都面临着同样的问题。人工智能消耗电力的速度远远超过了电网的设计承载能力。在美国，该国最大的电网运营商PJM的容量市场价格在两年内上涨了十倍以上，数据中心的增长被认为是主要驱动因素。在欧洲，电力公司正争分夺秒地升级输电基础设施，以满足超大规模数据中心的需求。
国际能源署（IEA）预测，到本十年末，全球数据中心的电力消耗量可能接近1000太瓦时（TWh）。可再生能源已基本普及，但大多数国家仍然缺乏通过人工智能技术在国家层面绘制能源网络地图来协调可再生能源的能力。而国内已经实现了这一点。
本周发表在《自然》杂志上的一项研究，由北京大学和阿里巴巴集团达摩院的研究人员完成，取得了一项前所未有的成就：利用人工智能生成了全国风能和太阳能基础设施的完整、高分辨率清单，并建立了将其协调为一个统一系统的分析框架。
该团队利用基于亚米级卫星图像训练的深度学习模型，识别出了国内的 319,972 个太阳能光伏发电设施和 91,609 个风力涡轮机，为此处理了 7.56 TB 的图像。
人工智能能源网络地图
以往对太阳能-风能互补性（即两种能源可以相互抵消其在时间和地域上的变化）的研究主要依赖于假设或模型化的部署场景。互补性在实际基础设施中如何体现，以及它如何影响系统层面的集成结果，至今仍不清楚。
研究人员表明，太阳风互补作用可大幅降低发电波动性，并且随着配对地理范围的扩大，其效果会越来越好。
实际上，协调的设施之间距离越远，就越能可靠地实现电力平衡。例如，甘肃太阳能发电场被云层遮蔽，并不会影响内蒙古的风力发电走廊。这项研究的发现表明，国内目前的电网管理存在结构性效率低下的问题：协调工作是在省级层面而非国家层面进行的。
研究人员认为，过渡到统一的国家规模，将更容易将互补的能源结合起来，稳定电网，并避免弃电——弃电是指浪费已产生的可再生能源，长期以来一直是国内最昂贵的清洁能源问题之一。
北京大学地球与空间科学学院教授刘宇将这份清单描述为让国内能够以“上帝视角”审视其新能源格局，这一说法比乍看之下更具实际意义。电网运营商无法优化他们不了解的能源——直到现在。
中国正经历人工智能驱动的电力需求激增，电网不堪重负。据国内电力企业联合会的数据，数据服务和海量计算设施的快速发展，已推动该行业在2026年第一季度的电力消耗同比增长44%，达到229亿千瓦时。
对于一个需求本已十分旺盛的行业而言，这样的增长速度可谓惊人。这加速了国内北方和西部省份的数据中心扩张，这些地区的土地价格更低，风能和太阳能资源更丰富，电价也相应较低。新建数据中心的目标省份，恰恰是太阳能和风能互补性最高的地区。
模型背后
这项技术背后的成就本身就值得了解。DAMO 的深度学习模型经过训练，能够从亚米级分辨率的卫星图像中识别太阳能光伏设施和风力涡轮机。由于安装类型、地形条件和图像质量的千差万别，这项任务极具挑战性。
最终生成的数据集涵盖了国内1915个县的设施，从沿海城市的屋顶太阳能电池板到蒙古高原的大型风力发电场，应有尽有。处理7.56TB的影像数据，生成全国统一的县级清单，充分展现了大规模地理空间人工智能在解决基础设施问题上的强大能力，也为其他国家提供了一个原则上可以借鉴的模板。
据芬兰能源与清洁空气研究中心估计，去年国内清洁能源行业创造了约15.4万亿元人民币（2.26万亿美元）的经济产值，相当于巴西的整个GDP。如果没有国家层面的可视化工具，管理如此庞大的资产规模始终是一个限制因素，而现在这一限制已经消除。
该研究的数据集和代码已通过 Zenodo 公开提供。
