生成式AI的规模化落地，把数据中心从“IT基础设施”推向了“能源密集型产业”。当单机柜功率密度持续攀升、训练集群规模不断扩大，电力供给正从成本项变成选址与扩张的决定性变量。围绕2026年前后的算力扩张，电力瓶颈已成为业界无法回避的议题。
一、算力扩张为何先撞上电力墙
过去数据中心的约束主要来自土地、网络与芯片供应，如今越来越多的项目在电力接入环节受阻。高密度机柜需要更强大的配电与散热能力，而电网扩容、变电站建设的周期往往长于服务器上架周期。
结果是，算力规划与电力交付之间出现明显的时间错配：芯片可以按季度采购，输电容量却常以年为单位排队。
二、瓶颈为何在这一阶段集中显现
一方面，AI负载的用电曲线更陡、波动更大，对电网的容量与调节能力提出更高要求。另一方面，多个区域同时推进数据中心建设，局部电网的余量被快速消耗。
此外，在低碳目标约束下，单纯依靠化石能源扩容的空间收窄，供给结构必须同时满足“够用”和“够绿”两个条件。
三、核电：确定性强，但节奏偏慢
核电被视为兼顾稳定出力与低碳属性的选项，适合为长期、基荷型算力负荷提供支撑。科技企业与核电供应方签署长期购电协议的意愿明显上升，小型模块化反应堆也被寄予期待。
但核电的审批、建设与并网周期较长，短期内难以填补缺口。它更像是解决“下一个十年”的方案，而非缓解当下紧张的速效药。
四、绿电：增量主力，却受制于间歇性
风电与光伏是新增装机的主要来源，成本优势明显，能够帮助数据中心降低碳排放。但出力随天气波动，需要储能、需求响应或跨区域输电来平衡。
对训练任务而言，算力可以适度迁移与调度，这为“跟随绿电”的运行模式创造了空间；但推理类业务对时延敏感，灵活性有限。绿电能撑起规模，却难以单独保证稳定性。
五、缓冲路径：效率、调度与多元组合
- 提升能效：液冷、高压直流供电与更高的运行温度容忍度，可降低单位算力的电力消耗。
- 柔性用能：把非紧急训练任务安排在电力富余时段，用算力调度换取电网友好度。
- 多元供给：核电、绿电、储能与电网协同，配合长期购电协议锁定价格与碳属性。
- 选址前移：把电力可得性作为选址的第一要素，而非事后补救。
六、结语
核电与绿电并非二选一的答案。前者提供稳定的低碳基荷，后者提供可快速扩张的增量，二者与储能、电网升级和能效优化共同构成算力扩张的能源底座。
在2026年前后，真正的竞争力或许不取决于谁拥有更多算力芯片，而取决于谁能更早、更稳、更绿色地把电送到机柜前。
