中国国家网信办发布2026-2030年AI计划，但效率如今也意味着问责

中国国家网信办发布了一项2026-2030年计划，将AI扩张与能源效率、可再生电力和资源披露联系起来。

该计划于2026年9月4日北京时间下午6点发布，获得七个国家政府部门支持。计划包含四项政策支柱和14项重点任务，覆盖算力基础设施、电信、制造业、城市、农业、贸易和环境监管。

这种张力就存在于政策本身。中国希望以更低成本、更高效率的AI加速绿色转型。然而，支撑这一愿景的计算系统正成为重要的电力消耗者。

这一矛盾令AI开发者、数据中心运营商、电信运营商和工业技术供应商面临压力。他们必须扩展数字能力，同时让其物理成本变得更透明、更易管理。

该计划并未限制AI发展，也未规定单一技术标准。相反，它构建了一个连接模型架构、芯片、散热、电力采购、碳核算和工业部署的框架。

因此，其意义不止于又一份国家技术路线图。它将计算效率视为基础设施政策、环境政策，以及AI持续增长的条件。

2026-2030年计划将绿色AI纳入基础设施政策

最直接的变化是，AI效率、电力来源和环境测量如今被纳入同一国家实施框架。

中国国家网信办与国家发展和改革委员会及其他五个部委共同发布了该计划。这些部门覆盖工业、环境保护、住房、农业和商务领域。

该计划的发布日期可通过官方政策通知核实。公告明确标注为2026年9月4日，而非依赖新闻聚合平台流传的未注明日期版本。

该政策覆盖中国“十五五”规划时期。其设定的目标节点为2030年，即中国承诺实现全国二氧化碳排放达峰的前一年。

根据该计划，有关部门希望AI的低成本和高效率优势更加突出，同时也希望AI支持低碳技术发展与产业现代化。

这一表述同时实现了两层目标：它将AI定位为减排工具，也承认AI基础设施本身正带来日益增长的环境负担。

该计划针对这一方程式的两端分别提出措施。一组措施聚焦模型、芯片、数据传输、算力设施和移动网络的效率。

另一组措施则引导AI用于清洁能源、环境监测、工业碳管理、城市运行、农业和产品足迹核算。政府试图减少数字技术自身的环境足迹，同时利用同一技术改善更广泛的经济体系。

这14项任务归入四大领域，涵盖技术发展、能源效率、行业部署，以及实现测量和执行所需的制度基础。

技术部分提出发展算存一体化、高性能存储、数据压缩和分布式训练框架，同时将高带宽内存、高速互连和低功耗计算列为重点发展方向。

针对AI模型，该文件提倡混合专家系统、动态稀疏、量化、剪枝和轻量化部署。这些技术可减少训练和推理所需计算的数量或精度。

混合专家模型仅针对每项输入激活选定的模型组件。动态稀疏同样通过仅使用特定工作负载所需的运算，避免不必要的计算。

量化以更少的比特表示模型数值，而剪枝则移除对输出质量贡献较小的模型元素。每种方法都旨在提升单位算力的性能。

该计划还要求在芯片、算子库、网络、编译器、框架、算法和多智能体系统之间开展协同。因此，效率被定义为全栈问题，而非仅仅依赖更好的处理器。

尤其值得注意的是，有关部门希望建立面向生成式AI的全生命周期资源评估体系，并引导服务提供商披露大模型如何使用算力及其他资源。

这项披露要求尚不如强制报告规则那样具体。不过，它将模型资源消耗从自愿性可持续发展议题带入国家技术规划。

2026-2030年计划的范围超出环境承诺。它确立了未来标准、评估、采购规则和区域项目可采用的技术语言。

数据中心面临中国绿色AI战略的首次考验

中国的数据中心必须支撑更高密度的AI工作负载，同时以更清洁的电力和更严格的运营控制匹配其扩张。

该计划中最具体的基础设施表述涉及算力设施。它支持在设施全生命周期内采用液冷、余热回收、低功耗芯片和智能化管理。

计划还提出探索800伏高压直流架构。这种设计可减少转换环节，并改善高密度计算设备的供电效率。

文件预计，单机架功率将超过100千瓦。这种密度反映出日益集中的AI加速器所带来的散热和用电需求。

在这一功率水平下，传统风冷将更难高效运行。液冷让流体更接近芯片以带走热量，减少对高耗能气流的依赖。

但散热效率无法解决全部用电问题。当计算工作负载的增长速度超过效率改善时，即使设施更加高效，总耗电量仍可能上升。

国际能源署估计，中国数据中心在2024年消耗了超过100太瓦时的电力。该机构表示，到2027年用电量可能翻倍，尽管不同预测之间存在相当大的差异。

后续的能源需求分析预计，2024年至2030年间，中国数据中心的用电量将增加约175太瓦时，增幅约为170%。

到2030年，中国和美国合计将占全球数据中心预计新增用电需求的近80%。因此，两国AI基础设施的环境表现将影响全球能源需求。

中国的应对方案包括协调算力与电力的地理布局。该计划鼓励将算力资源向风能、太阳能或水电资源丰富的地区转移。

这一做法与现有的“东数西算”努力类似，即将数据处理从人口密集的东部市场转向西部能源地区。新文件将该战略直接纳入绿色AI政策。

距离仍会带来工程和商业限制。训练工作负载通常可以容忍远程部署，但对延迟敏感的推理必须更接近用户和工业系统。

网络容量同样重要。跨越长距离传输数据和工作负载会消耗能源，并需要高质量的连接、调度和安全控制。

因此，该计划要求推动算力系统与电力系统协同调度，并支持可再生能源直连、长时储能、绿证和绿电交易。

对可再生能源要求需要谨慎解读。到2030年，算力设施应达到所在省份分配的可再生能源电力消费责任水平。

这些省级权重构成中国可再生能源消费机制的一部分。该体系将本地消费的可再生电力与在其他地区发电的合格证书结合起来。

中国已在2025年将国家算力枢纽的新建数据中心纳入行业专项监测。相关可再生能源框架区分了强制性省级目标与行业监测比例。

一项更新后的实施机制于2026年8月1日生效。2026-2030年政策如今将算力设施接入这一更大的体系，而不是另行设定独立的全国比例。

这一设计允许地区差异，因为各省的可再生能源供应差异很大。同时，这也意味着该计划并未为每座数据中心设定统一、简单的绿电门槛。

运营商需要同时管理多个变量，包括选址、工作负载类型、电网状况、储能、直供、证书以及区域合规要求。

老旧和小型设施面临另一重压力。该计划要求升级改造陈旧、小型和分散的算力基础设施，并开展能耗检查和诊断服务。

这一表述有利于能够为液冷、新电力系统、监控软件和硬件替换提供资金的运营商。较小站点可能会整合、专业化，或将工作负载流失给更高效的设施。

数据中心供应商也面临更明确的需求信号。冷却系统、电力电子设备、能源管理软件、储能和低功耗加速器，都将成为实施市场的一部分。

不过，该政策并不保证每一项拟议技术都将具备经济性。例如，100千瓦机架需要合适的配电、冷却、消防控制和维护流程。

因此，首次考验是运营层面的，而非修辞层面的。中国必须证明，更高密度的AI设施能够使用更清洁的电力，而不会将隐性成本转移到其他地方。

核心权衡在于更高效的AI与更多AI之间

效率降低了每次计算的资源成本，但更便宜的计算往往会促使组织运行更多计算。

这种反弹效应是2026-2030年计划面临的核心挑战。更好的芯片和更小的模型可以降低每项任务的能耗，但总用电量仍可能持续上升。

AI推理说明了这一问题。单次响应通常比完整训练所需能源更少，但推理会在数百万用户和设备之间反复发生。

一项2026年可持续性综述发现，推理可能占模型全生命周期碳当量排放的40%至60%。具体结果取决于工作负载、硬件、地点和使用模式。

同一篇AI可持续性综述发现，具身排放可能超过大型AI数据中心排放的一半。具身排放源自设施建设及其设备制造。

这些发现使得仅聚焦运营用电的做法更为复杂。频繁更换硬件可能提升能源效率，却会增加芯片制造、建设和废弃设备带来的排放。

中国的计划涵盖了这一生命周期的部分环节，但其他方面仍不够完善。它要求评估生成式 AI 全生命周期的资源使用情况，并升级低效设施。

该计划尚未规定统一的信息披露单位、核验方法或公共数据库。这些细节将决定能否对不同服务提供商进行有意义的比较。

如果只报告总用电量，会不论效率高低地偏向规模较小的服务。若只报告每次查询的能耗，则可能掩盖查询量增长或响应复杂度差异。

训练阶段的信息披露也面临类似问题。模型规模、硬件利用率、训练时长、电力结构以及失败实验，都会影响最终的资源足迹。

AI 公司也可能将技术信息归类为商业敏感信息。监管机构必须在可比的环境披露与安全、知识产权顾虑之间取得平衡。

该计划的全栈方法是合理的，因为没有任何单项改进能够独自承担全部责任。数据压缩可减少数据传输，剪枝可减少运算，低功耗芯片则能提升计算效率。

调度提供了另一项杠杆。只要截止时间和网络容量允许，训练和可灵活安排的批处理工作负载可以在可再生能源发电充足时运行。

与电网集成的数据中心也可以在供电紧张时降低需求。不过，并非所有推理服务都能在用户、工厂或城市系统需要即时结果时暂停。

该政策的第二项承诺是让 AI 改进绿色技术。它要求建设覆盖排放、环境监测、能源消耗和产品碳足迹的数据集与知识库。

主管部门希望将通用模型、行业专用模型和智能体应用于清洁能源、循环利用、生态修复、碳捕集和环境保护。

这些应用可以带来真实的节约。更好的预测可改善可再生能源接入，而工业优化则可减少热能、燃料、材料或生产时间的浪费。

数字孪生，即对物理系统的软件化表示，可在调整设备前测试运营变更。该计划提出将此类系统用于数据中心和城市能源网络。

不过，避免排放的归因并不容易。一家工厂可能借助 AI 降低单位产品能耗，同时又提高总产量。

环境效益也取决于数据质量。不完整的仪表、不一致的排放因子和碎片化的供应商记录，可能让看似精确的仪表盘变成不可靠的核算。

这正是披露条款的重要性高于表面所见的原因。研究人员认为，测量电力消耗对于比较 AI 系统和指导效率改进工作至关重要。

这项披露研究指出，量化是实现可持续 AI 的必要条件。若缺乏一致的报告标准，客户和监管机构都无法区分真正的效率提升与选择性陈述。

中国的 2026-2030 年框架承认了这一测量缺口。其成败将取决于后续标准是否披露总资源使用量，而不仅是有利的效率比率。

碳数据从可持续发展报告进入日常运营

该计划将碳信息视为应影响工厂、供应链、贸易、城市和监管决策的运营数据。

制造业是核心部署领域。该政策覆盖冶金、化工、轻工业、纺织、机械和造船业。

它鼓励工业企业和园区建设数字化能源与碳管理中心。这些系统将整合对标、优化、预算、排放核算、产品足迹和供应链管理。

这种整合之所以重要，是因为工业碳报告往往与生产控制相互脱节。环境团队编制定期报告，而运营人员则通过独立系统管理设备。

该计划推动这些职能更加紧密地结合。能源使用和排放将成为可用于日常生产决策、采购、维护和流程优化的变量。

对于钢铁或化工厂而言，这可能意味着让设备排程与低碳电力相匹配，也可能意味着识别某个能耗强度已偏离预期范围的流程。

工厂将需要来自传感器、仪表、企业软件和供应商的可信数据。它们还需要设置控制措施，防止自动化建议干扰安全或产品质量。

知识管理在这一边界上变得相关。团队必须连接运营记录、供应商文件、技术规程和不断变化的政策要求。

可检索的AI 知识库可帮助员工找回某项决策背后的证据。但它无法替代经认证的仪表、经核验的排放因子或正式的合规系统。

该计划将碳数据延伸至贸易领域。它支持使用数字工具监测产品足迹，并评估供应链中的排放。

它还推动将区块链和电子签名用于运输单据、仓单、信用证、多式联运和贸易融资。

区块链只有在参与方就数据标准和责任归属达成一致时才有用。不可篡改的记录无法纠正源头录入的不准确信息。

因此，出口商将面临提升供应商可见性的压力。产品足迹声明可能需要来自原材料、制造、物流、包装和电力采购的数据。

该政策还要求建设国家产品碳足迹因子数据库。排放因子可将活动、材料或能源消耗换算为估算的温室气体排放量。

一致的因子能够减少组织之间的分歧。但数据库需要透明的边界、修订历史、区域差异，以及处理缺失信息的规则。

该计划提出完善产品足迹标签、认证、分类和披露制度。它还强调数据安全；当运营记录暴露供应商、成本、产能或工业流程时，这尤其重要。

环境监管是另一项主要应用场景。主管部门希望 AI 模型交叉核验分区管控、环境评估、排放许可证和执法记录。

拟议系统将整合重点行业的碳、污染和能源数据，目标是让环境监管从被动执法转向更早期的预警和决策支持。

这可以帮助检查人员发现不同申报材料之间的不一致之处，但也带来了误报、可解释性、申诉程序和人工问责等问题。

模型可以标记异常排放模式，却无法独立确定异常出现的原因。传感器故障、维护、生产变化和违规行为都可能产生相似的异常。

城市获得了类似的政策安排。该计划推动互联的城市管理平台、更智能的交通控制，以及覆盖电力、燃气、供热和供水的数字孪生。

这些系统可以协调分布式太阳能与储能，或更早发现基础设施问题。它们也会集中运营数据，并提高安全失效的后果。

农业则增加了不同情境。该计划支持土壤湿度监测、智能灌溉、化肥和农药精准施用，以及畜牧环境自动化。

每项应用都将数字化优化与资源效率联系起来。每项应用也都依赖可靠的本地数据、可负担的设备，以及能够维护系统的工作人员。

对于技术供应商而言，机会不止于销售 AI 模型。买方还需要传感器、系统集成、碳核算逻辑、数据治理、网络安全和工作流程再设计。

对于企业买方而言，风险在于购买了缺乏可靠底层记录的仪表盘。该政策奖励的是将测量与行动连接起来的系统，而不是装饰性的可持续发展报告。

2026-2030 年目标仍未衡量的内容

该计划确立了方向和机制，但许多核心目标缺乏公开的数值基线或统一的绩效门槛。

文件称，计算设施和 5G 基站的能效应显著提升，但并未为任何一类规定全国统一的提升百分比。

文件称，AI 的低成本和高效率优势应更加突出，但未界定应以哪些模型、任务或成本衡量方式来证明这一结果。

可再生电力目标更具体，因为它将设施与省级义务挂钩。即便如此，区域权重和核算方法仍可能随时间变化。

这种灵活性有助于地方实施，但也增加了全国比较的复杂性。可再生能源丰富省份的设施，面临的电网条件与沿海负荷中心附近的设施不同。

可再生能源证书又增加了一层复杂性。证书可以支持可再生能源发电和合规，但并不总能证明某设施在每个小时都消耗了无碳电力。

小时级匹配对于持续运行的计算负载尤为重要。年度可再生能源采购可以与可再生能源产出较低时大量使用化石燃料电力并存。

该计划提到绿电直连和协同调度，这可以改善时间维度上的匹配，但未要求所有 AI 设施进行小时级碳核算。

用水量是另一项不确定因素。液冷可以改善能源表现，但不同气候和设施类型下，冷却设计对水耗的影响不同。

研究发现，视冷却技术和电力条件而定，减少用水有时会增加碳排放。因此，单一效率评分可能掩盖能源、水和材料之间的权衡。

硬件生产也存在类似盲点。低功耗加速器可降低运行需求，但先进芯片在进入数据中心前已带来材料和制造影响。

一项更广泛的资源足迹分析呼吁对利用率、训练实践和实际性能进行标准化报告。它还强调了矿产开采和设备处置问题。

中国的生命周期评估提案最终可能覆盖这些领域。当前，该政策提出了框架，但尚未界定最终报告边界。

七个部委共同实施会带来协调风险。每个部门掌握不同的政策、数据系统、受监管实体和执法渠道。

文件通过将协调工作置于中央国家信息化发展机制之下来应对这一问题。它还要求定期发布监测报告和发展指数。

这些发布内容将至关重要。它们可以揭示政府是否会为电力、排放、模型效率、可再生能源采购和行业采用情况选择可衡量的指标。

该计划还提出选择具备改革能力、创新能力和产业集中度的试点城市。试点可以在更广泛推广前测试标准，但条件优越的地区未必代表全国情况。

企业不应将该政策视为立即适用、统一的合规规则。它是一个实施框架，将影响后续标准、地方项目、采购和信息披露预期。

投资者也应避免认为每一项被点名的技术都会获得同等支持。技术可行性、区域优先事项和后续指导意见将决定实际投入。

更可信的解读其实更为聚焦：中国已正式否定了“AI增长”与“环境治理”属于两条独立政策轨道的观点。

即使没有一个统一的国家级效率指标，这一点也很重要。它改变了基础设施开发商和AI供应商应预期监管部门提出的问题。

一个模型在其整个生命周期中消耗多少电力？其中多少来自可再生能源？工作负载能否根据电网状况作出响应？

旧设备将如何处置？各项宣称的节省是以什么基准线衡量？谁来核验设施、模型供应商和工业用户提供的数据？

这些问题的答案尚未完善。2026-2030年期间的目标，是建立能够产出这些答案的技术和行政体系。

三个信号将显示该计划是否改变AI发展

当披露标准、省级电力规则和真实运营数据开始影响投资决策时，这项政策才会产生实质影响。

第一个信号是生成式AI生命周期评估体系。监管部门必须明确供应商需要披露哪些内容、报告频率，以及结果是否可供公众横向比较。

一套可信的标准应涵盖训练、推理、硬件利用率、冷却和电力来源，也应说明系统边界与核验要求。

如果这些规则同时覆盖总资源使用量和单任务效率，就会强化该计划的问责逻辑。狭窄的报告范围则会因允许选择性宣称性能表现而削弱这一逻辑。

第二个信号是下一轮省级可再生能源消费要求。这些规则将决定2030年目标对于不同电力市场中设施的实际含义。

应关注数据中心是继续仅被监测，还是转向更严格的行业专项义务。还应关注直供电、证书和跨省购电将如何计入。

更严格、透明的框架将使选址和电力采购成为计算战略的核心。宽松的核算方式则会让可再生能源声明与实际电力消耗之间保留更大距离。

第三个信号是承诺发布的监测报告、发展指数和试点城市成果。这些产出应揭示14项任务是否带来了可衡量的运营变化。

有用的指标包括设施能源表现、可再生能源消费、工作负载灵活性、披露覆盖率，以及工业碳管理系统的采用情况。

试点报告也应记录失败案例。未成功的冷却改造、低质量数据和不可靠的模型建议，可能比包装精美的示范项目更有价值。

清晰的基准线和可重复的测量将支撑该政策的核心主张。缺失基准线或不断变化的定义，将使国家层面的进展难以评估。

对开发者而言，实际的启示是应将资源效率视为产品要求。仅凭模型质量，无法回答未来有关部署成本和环境影响的问题。

对基础设施运营商而言，任务范围更广。电力架构、冷却、工作负载调度、选址、储能和电力采购，如今都属于同一规划流程。

企业采购方应要求供应商提供证据，说明AI建议如何与可测量的结果相关联。他们还应保留记录，解释数据来源、假设、审批和运营变化。

这项2026-2030年计划并未解决AI扩张与电力需求之间的冲突。它让这一冲突成为中国技术战略中明确的一部分。

下一个问题是，测量能否跟上部署速度。应关注披露规则、省级电力目标和试点数据，然后将承诺的效率与总资源使用量进行比较。