电子/行业深度报告：AI用电的“困”与“破”

AI用电的“困”与“破”证券分析师：唐仁杰 S0370524080002证券研究报告电子/行业深度报告2025年11月23日行业评级：增持摘要•随着近些年AI模型竞赛日益激烈，训练最先进人工智能模型所需的数据量和计算量呈指数级增长。训练是一个耗时且耗能的过程，计算在GPU/ASIC等专用芯片上进行。当前，单个GPU的最大额定功耗可达1000瓦。GPT-4训练时间约95天（2280小时），采用84%的负载因子计算，其训练能耗需求约为38.2GWh，折合训练期间内日均能耗约0.40吉瓦时（40万度电），如果以一个家庭单日电力消耗约为10度，GPT-4日均能耗约等于4万个家庭单日用电量。•不同于训练，推理任务的能耗需要考虑因素较多。比如，输入Token量及输出Token量、硬件配置以及批处理规模、键值缓存管理、注意力机制等操作优化策略的多重影响。此外，由于面向用户的商业AI模型在规模与实施细节方面缺乏透明度，难以精确测算其算力需求及后续能耗。不过随着长上下文任务及多模态模型的加速渗透，即使通过MoE或其他算法提升效率，但是总耗能或仍然持续提升•2024年全球数据中心用电量达415TWh，约占全球总用电量的1.5%，但耗电量较为集中。美国、欧洲及中国的数据中心用电量合计约占全球总量的85%。其中，美国自2015-2024年期间，数据中心电力消耗以每年约12%的速度增长，增量约250TWh。2024年美国数据中心的用电量约为180TWh，占全球数据中心总用电量近45%，并且占据美国全口径总用电量的4%。根据IEA预测，基准情况下2030年数据中心电力消耗将增长至约 945 TWh，比2024年翻倍以上，年均增长率约15%，占2030年全球电力消耗的近3%。其中，美国是最大市场，在基准情况中，2030年消耗将增至约420 TWh（比2024年增长130%），占全球增长的40%。•用电方面，真正的挑战在于电力基础设施制造周期与AI需求周期错配。为满足数据中心电力需求可来源于多种途径，每种技术性能、成本、排放、开发流程和建设周期方面都具有独特特性。随着数据中心预计在未来数年快速增长，构建并确保稳定高效电力来源的战略变得尤为关键。目前，美国唯一能在较短时间开发完成的可靠电力来源是太阳能光伏和燃气轮机，与数据中心的典型建设时间线相吻合。但即使在这些情况下，供应链延迟或供应紧张也可能进一步延长开发时间。但是，光伏输出受到太阳辐射的自然周期影响，发电功率在白天高、夜间为零，且实时随天气变化。对于7×24小时持续运行的AI算力中心来说，太阳能本身并不是稳定的电源。通常数据中心的负荷昼夜相差不大（甚至夜间仍维持高负荷以连续运行训练任务），而光伏在日落后完全停发电，白天的峰值出力也不一定刚好匹配数据中心负荷曲线。如果没有储能或其他调节手段，光伏对削减数据中心用电高峰的作用将十分有限。•完整的电化学储能系统主要由：电池组、电池管理系统(BMS)、 能量管理系统(EMS)、 储能变流器(PCS)，统称为“3S”以及其他电气设备构成。大型储能PCS多采用硅基IGBT（绝缘栅双极型晶体管）作为主功率开关器件。IGBT在PCS中的作用包括电压变换、DC/AC逆变以及功率控制等，直接决定了储能逆变器的性能指标。变流器市场，2024年全球变流器市场规模约1292亿美元。当前主流应用在工业电机、光伏及xEV，BESS市场规模约84亿美元。根据YOLE预测，BESS（电池储能系统）应用端增速最高，预计2024-2030年前期年复合增速18.5%，BESS应用市场预计至2030年达到233亿美元，或将成为变流器应用新增量。•功率市场方面，IGBT、硅基MOSFET占比份额较大。2024年，IGBT分立+模块市场规模约88.87亿美元，预计至2030年将达到161.51亿美元，年复合增长率10.47%。面对国内储能、光伏、新能源车推动下，国内厂商快速渗透，有望在市场规模增长+国产替代推动下加速增长。其次，随着储能及AI数据中心模块化和高压需求，碳化硅MOS模块、碳化硅分立器件、碳化硅整流器件也有望维持高增长，2024年三者合计市场规模29.67亿美元，预计至2030年市场规模增长至95.20亿美元，年复合增长率达21.45%。•相关公司：斯达半导（603290.SH)、扬杰科技（300373.SZ）、芯联集成-U（688469.SH）、士兰微（600460.SH）、东微半导（688261.SH）等•风险提示：1、国内厂商渗透率不及预期：当前功率器件市场仍以海外厂商为主，国内厂商渗透进展存在不确定性，或导致业绩波动或不及预期；2、产能扩张导致的价格风险：国内厂商在功率器件市场布局较多，竞争剧烈或导致价格压力；3、技术风险：当前功率器件技术路线较多，如平面及沟槽型MosFET，新技术的应用或导致其他产品销量不及预期。目录风险提示：国内厂商渗透率不及预期：当前功率器件市场仍以海外厂商为主，国内厂商渗透进展存在不确定性，或导致业绩波动或不及预期产能扩张导致的价格风险：国内厂商在功率器件市场布局较多，竞争剧烈或导致价格压力技术风险：当前功率器件技术路线较多，如平面及沟槽型MosFET，新技术的应用或导致其他产品销量不及预期。一、AI推升电力消耗二、解决方案一：燃气轮机三、解决方案二：光伏+储能四、储能+光伏或带动功率器件需求五、相关公司AI推升电力消耗➢随着近些年AI模型竞赛日益激烈，训练最先进人工智能模型所需的数据量和计算量呈指数级增长。例如，GPT-4的训练数据量约为4.9万亿个数据点（Data Points)，训练计算量约为22万亿亿次（即2.2 × 1025）。➢训练是一个耗时且耗能的过程，计算在GPU/ASIC等专用芯片上进行。当前，单个GPU的最大额定功耗可达1000瓦，这与一台烤面包机的功耗相当。超大型的模型是在由多个GPU组成的集群上进行训练的。例如，GPT-4是在25,000个GPU上经过多日训练而成，算力芯片合计额定功率近10MW。除此之外，加上用于模型训练的其他服务器部件包括CPU、内存、网络设备和交换机等以及非IT设备功耗，用于训练GPT-4的设备总额定功率高达约20MW。➢并且，GPT-4训练时间约95天（2280小时），采用84%的负载因子计算，其训练能耗需求约为38.2GWh，折合训练期间内日均能耗约0.40吉瓦时（40万度电），如果以一个家庭单日电力消耗约为10度，GPT-4日均能耗约等于4万个家庭单日用电量。109.9519.2119.942.820.0020.0040.0060.0080.00100.00120.00Grok3Gemini 1.0 UltraGPT-4DeepSeek-V3(MW)199.4938.7338.202.220.390.400.000.501.001.502.002.500.0050.00100.00150.00200.00250.00Grok3Gemini 1.0 UltraGPT-4(GWh/day)（GWh)数据来源：Epoch AI，金元证券研究所整理；注：计算考虑了除算力芯片外的IT设备功耗系数（如存储、网络设备等），并考虑了PUE（非IT设备）➢ 图表：典型模型IT设备额定