我们使用AI时，最容易看见的是屏幕：一句问题，一段回答，等待时间又缩短了。屏幕之外，还有另一套速度更慢的系统。电厂、变电站、输电线路和冷却设施，需要在每次调用背后持续工作。
当AI扩张进入这些系统，讨论就不只剩模型能做什么，还包括在哪里建设、怎样接入，以及谁为新增设施付钱。
先把需求数字读准确
国际能源署《Key Questions on Energy and AI》执行摘要估计，全球数据中心用电量将由2025年的约485太瓦时，增至2030年的约950太瓦时。这是面向2030年的预测，统计对象是数据中心整体，不能把全部电量都归为AI独自消耗。IEA执行摘要
这个区分会改变我们理解标题的方式。数据中心还承载其他数字业务，AI是增长的重要力量，却不等于数据中心的全部。预测也依赖部署、效率、设备供应和市场采用，无法提前变成一张已经结清的电费单。
不过，即使只把它作为有条件的预测，也足以提出一个具体问题：准备接入的负荷，和实际能建成的供电设施，能不能在时间上配合。
一座机房的地址，也是一个电网位置
以下是依据报告提出的编辑分析。
把服务器放进一栋楼，并不代表当地电网已经能够承受新增需求。输电线路可能有容量限制，设备可能需要排期，许可和施工也有自己的进度。机房扩建的商业计划，与电力基础设施的建设节奏，不一定同步。
因此，距离用户近、土地合适或网络连接好，都只是选址条件的一部分。一个地方是否有可靠电力、接入要多久、供电成本怎样变化，也可能影响项目最终落在哪里。
这类限制会把技术投资重新带回地理。线上服务看起来没有边界，实际运行所需的设备和能源却必须放在具体地点。
更多需求，会不会让居民电费上涨
不能只根据新增用电量，就替所有地区给出同一个答案。
IEA在同一份摘要中指出，价格影响取决于供需情况、投资以及成本分配等条件。供给紧张的系统，新增需求可能需要更多建设；有富余供给的系统，则可能更充分利用既有设施。集中、快速增长且实际负荷不确定的数据中心，还可能使投资与需求错配。
对普通读者来说，比“必然涨价”更值得追问的是：项目申请了多少容量，预计实际使用多少；新增线路为谁服务；如果需求没有按计划出现，已经投入的成本怎样处理。
这些问题没有一句统一答案，但有明确的责任对象。当地规划、企业承诺和电力收费安排，都会影响最终结果。
效率提高，为什么总需求仍可能增长
同一次计算使用更少能源，与全社会调用更多计算，可以同时发生。
假设一种服务把单次任务用电降下来，更多用户因此愿意使用，企业也把它用于更多场景。总用电量最后怎样变化，要看单位消耗下降的幅度与使用量增长的幅度，不能只看其中一项。这是解释机制的假设，并非本文对某家企业的测算。
所以，讨论效率时，应同时问“每次用了多少”和“一共做了多少次”。只引用一项更节能的技术，无法独自证明整体需求会下降；只看到总量上升，也不能据此断言技术没有进步。
AI也进入电力系统本身
报告同时讨论了AI在监测设备、优化电网等方面的潜力，以及数据、技能和安全条件的限制。这些用途提醒我们，关系并非只有一条从电网流向机房的线。
但潜力仍需要落地条件。数据是否足够，模型能否在实际环境中可靠运行，建议由谁审核，都是技术介绍之后要继续回答的问题。不能因为工具名里带着AI，就省去对结果的验证。
接下来值得看什么
与其只追逐投资总额，可以留意项目从公告走到接网用了多久，新增容量是否兑现，企业是否更清楚地披露实际负荷，以及成本安排是否让服务使用者和当地居民都看得懂。
这些变化往往不如发布会醒目，却决定一项数字服务能否长久、稳定地运行。一个模型回答得更快，背后可能仍有一台变压器等待交付。
下次看见“算力扩张”的消息，可以顺着屏幕再往后看一点：那栋楼建在哪里，电从哪里来，那根电线由谁接好。