AI算力的狂飙，正撞上一堵越来越难绕开的现实之墙——电力。

根据美国银行（Bank of America）最新研究，随着 NVIDIA GPU平台持续迭代，AI数据中心的单机柜功耗，正从传统服务器时代的10至15千瓦，跃升至2029—2030年“Feynman”平台时代的1.5兆瓦以上，增幅接近100倍。换句话说，未来一个AI机柜的耗电量，甚至足以支撑约1000户美国家庭的用电需求。

而问题在于：现有电网和配电体系，根本不是为这种级别的功率密度设计的。

美银测算显示，2025年至2030年间，全球AI数据中心将新增约233吉瓦电力需求，年度新增需求将从2025年的17吉瓦快速攀升至2030年的60吉瓦。这一速度，已经明显超出 International Energy Agency 基于现有项目规划所做的预测。电力，正在成为AI扩张过程中最核心、也最现实的瓶颈。

但与此同时，这场“电力危机”，也可能孕育出下一轮巨大的产业机会。

美银预计，AI数据中心相关的模拟半导体市场规模（TAM），将从2025年的79亿美元增长至2030年的约270亿美元，五年复合增速高达28%。其中，碳化硅（SiC）与氮化镓（GaN）等宽禁带半导体材料，原本主要依赖新能源车与工业市场，如今正快速转向AI数据中心这一长期结构性需求。

换句话说，AI的下一场军备竞赛，已经不只是“谁的GPU更强”，而是“谁能把电送进去”。

从千瓦到兆瓦：AI算力背后的“耗电爆炸”

美银在报告中详细拆解了 NVIDIA 各代AI平台的功耗演进路径：

2022年的 Hopper H100 HGX 机柜，总功耗约32千瓦；

到 Blackwell GB200 NVL72 平台，功耗已提升至100至120千瓦；

即将到来的 Rubin Ultra NVL576，预计单机柜功耗突破646千瓦；

而到了2029—2030年的 Feynman 平台，单机柜功耗将超过1.5兆瓦。

功耗为何会以如此夸张的速度上升？

核心原因在于AI集群越来越依赖“超大规模GPU组网”。

为了追求极限性能，大量GPU必须通过超短距离铜互连高度集成。NVIDIA 将这一问题称为“性能密度陷阱”——性能越高，功率密度就越高，两者几乎被物理规律绑定在一起。

从 Hopper 到 Blackwell：

GPU TDP（热设计功耗）提升约75%；

但机柜功率密度提升了3.4倍；

整体AI性能却提升了接近50倍。

美银认为，每一次AI组网规模扩张，都可能带来2至4倍的总功耗增长。

而这并不只是英伟达的问题。

Advanced Micro Devices 的 Helios 平台、Amazon Web Services 的 Trainium 3、以及 Google 的 Ironwood ASIC，也都在走向更高功耗密度。

未来，高功耗几乎会成为所有顶级AI平台的共同宿命。

传统数据中心架构，正在逼近物理极限

问题是，今天的数据中心配电体系，本来是为“互联网服务器时代”设计的。

传统架构采用48V/54V直流供电：

电网高压交流电进入数据中心；

经多级降压与转换；

最后再送到GPU核心不足1V的电压轨。

但在兆瓦级AI机柜面前，这套体系开始全面失效。

第一，空间不够

一台GB300 NVL72机柜，就需要多达8个电源货架。

如果继续沿用54V架构，未来Rubin Ultra平台的大量机架空间，都会被电源系统占据，真正用于计算的空间反而被压缩。

第二，铜不够

在1兆瓦级机柜中，54V直流系统可能需要约200公斤铜排才能完成供电。

如果未来AI数据中心进入吉瓦级规模，这种铜消耗几乎不可持续。

第三，效率不够

传统架构中，每一次交流/直流转换都会损失约1%至2%的能量。

而AI数据中心往往需要多级转换，这不仅意味着更高能耗，也意味着更多故障点。

800V直流，正在成为下一代AI数据中心标准

为了解决这些问题，行业正在快速转向800V直流（800 VDC）架构。

逻辑非常简单：

尽可能减少中间转换环节，把“交流转直流”的步骤提前。

在新架构下：

13.8kV交流电进入园区后；

直接整流成800V直流；

再送往机柜与GPU。

根据美股大数据 StockWe.com ，相比传统54V系统，800V直流的优势极其明显：

端到端效率最高可提升5%；

同等线缆可多传输85%功率；

铜材料使用量减少约45%；

维护成本最高降低70%；

总拥有成本（TCO）改善约30%。

这意味着，AI行业未来比拼的，不再只是芯片设计，还包括整个“从电网到GPU”的电力系统工程能力。

AI训练还有一个隐藏问题：电网波动

更棘手的是，AI训练负载本身具有极强波动性。

大型模型训练时，GPU利用率可能在毫秒级时间内，从30%瞬间冲到100%。

这会对电网造成极大的冲击。

因此，未来AI数据中心不仅需要GPU，还需要大规模储能系统：

超级电容负责毫秒级功率尖峰；

电池储能系统（BESS）负责分钟级负载平滑。

换句话说，未来AI数据中心，本质上会越来越像“小型发电厂 + 储能站”。

AI电力革命，谁会成为最大赢家？

美银认为，这场电力体系重构，将催生一个新的超级产业链。

其中最大的受益者，并不一定是GPU厂商，而可能是模拟半导体公司。

美银预计：

AI模拟半导体市场规模，将从79亿美元增长至270亿美元；

高功率机柜的单柜模拟芯片价值量，将从约3.6万美元飙升至接近92万美元。

其中几个关键方向尤其值得关注：

1. 碳化硅（SiC）

SiC具备高压、高温、高效率优势，非常适合800V直流系统。

主要受益公司包括：

Infineon Technologies

Wolfspeed

ON Semiconductor

2. 氮化镓（GaN）

GaN在高频、高效率电源转换领域优势明显。

代表企业包括：

Navitas Semiconductor

Texas Instruments

3. 模拟电源芯片

AI时代，GPU越强，电源管理的重要性越高。

美银预计：

Texas Instruments 仍将维持行业最大份额；

Analog Devices 将受益于高端电源管理；

Infineon Technologies 市占率提升最明显。

下一轮AI大战，核心可能不再是芯片，而是能源

过去几年，市场讨论AI，重点始终是：

“谁的模型更强？”

“谁的GPU更多？”

但未来几年，一个更现实的问题可能会成为决定胜负的关键：

“谁还能拿到电？”

AI产业正在从“算力竞争”，进入“能源竞争”。

而电力基础设施、模拟半导体、储能系统、宽禁带材料，可能才是AI时代真正被低估的底层资产。