把电价当量化交易做！这家AI公司，一年帮数据中心“赚”出1000万

在美国，电力资产是AI 浪潮中最早被点燃的牛股之一。算力扩张、用电激增，直接推高了发电、输配电与储能的资产价值。

但在电力相对充沛、价格长期被压低的中国，AI 与电力的结合，并没有简单复制这条路径，而是走向了另一种形态。

进入AI 时代，新型电力系统同时发生两件事：一边是新能源占比提升，风光出力带来更强的供给不确定性；另一边是 AI 数据中心负载特征改变，用电需求变得更波动、更突发。

而发电与用电必须实时平衡的硬约束并未改变，这迫使电力定价体系加速市场化。到2026 年，电价开始在现货市场中以 15 分钟为周期不断刷新。

问题随之浮现：在高度波动的电价环境下，企业该如何找到一个长期稳定、可复制的最优经济解？这一挑战，对年用电量动辄上亿度的AI数据中心尤为尖锐。

这也让数据中心成为AI 落地最现实的场景之一。国内一家切入这一问题的公司是达卯科技。

达卯科技最早获得了商汤、寒武纪、宁德时代的战略投资，其起点源于一个判断：大模型时代，算力将长期运行在高负载、高波动状态。

随着电力市场化推进，团队意识到，如果将对算力波动的理解，与电力系统调度能力结合，算力与电力之间可能形成新的协同关系。

目前，达卯科技全栈自研了一套可适配多种能源场景的能源大模型，并基于此打造了算电协同、虚拟电厂等创新平台，用AI去实时生成最优的充放电策略、电力交易报价与电网响应方案，把原本被动承受波动的用电负荷，转化为可调度、可计算的资源。

在实际运行中，这套系统已经开始体现价值：

在亚洲最大的单体智算中心，上海临港智算力中心，仅通过调度优化，年度电力成本便降低了6.5%，直接每年节约1000万元人民币。

不久前，我们专访了达卯科技CEO简煜忞，从他的视角拆解高波动电价下的能源最优解。

寻找高波动电价下的能源最优解

理解达卯科技的业务，需要先理解国内电力体系正在经历的结构性变化。

过去几年里，国家花了很大力气在建设新型电力系统，核心是用大体量新能源替代传统火电。但这也带来了一个衍生的问题，新能源天然具有波动性和间歇性，供给端的不确定性上升。

更重要的是，这种不确定性开始在需求侧同样出现。

在传统互联网时代，数据中心的电力需求变化很少。无论是搜索、社交、云计算还是企业IT，核心特征都是7×24小时运行、负载相对平稳。服务器的利用率有高低，但变化节奏通常以天、周、月为单位。

但到了AI时代，一切都变了。一个最直观的变化，是用电波动显著放大。

原因很简单，AI训练并不是持续匀速的过程。一个大模型训练任务启动时，数百张GPU同步拉满，任务结束时，负载又迅速回落。

随着推理算力需求的增长，也加剧了这种波动。一个客户的决策、一个提示词的流行，都可能在几分钟内推高算力调用，进而带来电力侧的突刺式增长。

GPU本身又是典型的“阶跃型”耗能设备，从空闲到满载往往不是线性爬升，而是直接拉满功耗上限，使得用电曲线呈现出更强的抖动性。

于是，新型电力系统里出现了“双侧不确定性”：供给端由风光的波动决定，需求端由算力任务决定。但对电力系统来说，它要做的事情仍然不变，就是保持发电与用电实时平衡。

为了更好地维持这种平衡，电力定价体系也开始改革。

过去，平衡成本大多被行政统筹电价吸收：政府用分时电价、峰谷价差去引导用户把负荷往更合适的时间挪，帮助系统平衡。

但当波动变强、频率变高，行政定价开始跟不上系统变化，市场化改革把“平衡成本的定价权”交还给市场，这就是电力市场化改革。

在2026年的现货市场，电价将不再按小时甚至按天制定，而是每15分钟重新形成一次价格。

价格完全由发用电两侧的实时平衡状况决定，高频波动、强不确定性，几乎没有可循的固定规律。用户最终的电费结算，也直接来自这些15分钟级别的成交结果。

在这种机制下，企业面临的不是“电价更贵”这么简单，而是“电价更难预测”。

这意味着，传统经验型的节能和投资测算开始失效，你无法只靠“晚上充、白天放”的简单策略稳定赚钱。

原因很简单，一年8760小时，每小时4个15分钟，一年约3.5万个决策点。每个点不仅要看电价，还要看风光预测、算力任务负载、芯片功耗、散热状态。

人类无法在这个多层复杂维度上做稳健决策，这就是AI应用的机会窗口。而达卯要做的事情，就是把原本不可预测的随机负荷，转化为可计算、可调度的可控负荷。

具体做法上，达卯从需求侧入手，把数据中心内部一切具备“储能属性”的资源统一纳入一个能源模型之中。

这里的“储能”，不只指电池，还包括UPS、电池系统、蓄冷系统，以及所有能够在时间维度上“搬移能耗”的设施。

当这些储能资源的功率覆盖到数据中心正常负荷的100%以上时，负荷曲线就“百分之百可以调节。

系统可以在电价较高、电网紧张的时段，更多依赖内部储能与冷量释放，降低对外部电力的瞬时需求；在电价较低、供给充裕的时段，再完成能量的回补。

从外部电力系统的视角看，一个原本呈现随机波动的数据中心负载，被转化为一个响应价格信号、可预测、可调度的需求单元，从而找到了算力能源的最优解。

在上海临港智算中心，一年“挖”出了1000万

为了把“可控负荷”做成可复制的能力，达卯构建了一套“能源大模型”。

它的思路与大语言模型类似：语言模型用token把自然语言编码成序列，让模型理解结构与潜在逻辑。而达卯设计了一个叫“能量块”的基础数据结构。

每一个能量块，可以近似理解成是一台服务器在15分钟内的用电负荷特性。但它不只是一个功率数，而是包含多层信息：

用户任务属性、资源池划分、芯片状态、配电与暖通系统、端口表，以及外部市场与气象等变量。

当这些能量块被标准化、序列化之后，原本分散在不同系统里的空间关系、任务依赖、价值传导、时序逻辑，就被压缩进了模型可处理的数学结构里。

这时候，就不需要人再去写规则，模型自己就可以在足够规模的数据里学习系统的平衡关系。

模型真正产生价值的地方，是“可调参数”。

在能量块所描述的状态里，有一部分变量可以被主动调节：储能充放电、蓄冷充冷与释冷、部分负载的调度窗口等。

模型要做的是在边界约束下，自动寻找一组成本最低、稳定性最优的参数组合，并将其转成机器可执行的控制指令。

当然，能源大模型也需要海量数据规模进行训练。

这个能源模型是用临港智算中心的18个月数据训练基础模型，平均每五分钟就有近一亿条数据。

基础模型有了，在一个智算中心场景可用，但还无法直接迁移到其他数据中心。

原因是，每个客户的需求、地理位置、电价结构都不同。

达卯的做法是，以通用“能量块”数据结构构建模型黑启动能力，在基础模型基础上适配新客户约3个月历史数据做再训练，以较低的成本“校准”模型对新场景的理解。

达卯能源大模型在临港智算中心上线后，这套系统开始接管充放电策略。即便只用到部分调度能力，智算中心一年电费成本就降低了6.5%，节省超过1000万元。

当然，能源模型的价值还不止这些。

除了电能量市场，电力体系中还存在容量市场与市场间套利机制。

所谓的电容量，指的是在某一个时刻，电力系统能够稳定、连续地向你提供的最大功率能力。

更直观的类比，是宽带的月租费——只要你接入了网络，不管用不用，都要为你占用的带宽能力付费。

对于算力中心来说，如果负荷峰值波动很大，就必须申报更高的变压器容量，承担更高的基础电费。

而一旦通过精细化调度，把峰值削下来、把曲线压平，容量成本就可以被显著降低。这部分收益，往往比单纯的电能量套利高出一个数量级。

再进一步，还存在跨市场的套利空间：在某些情况下，容量成本的上升，可能会换来电能量市场中更高的收益；只要整体结果为正，就存在通过跨市场调度进行价值置换的可能性。这类决策，已经远远超出了人工可计算的范畴。

归结到一句话，新的电力市场环境下，套利的复杂度显著提高，但可释放的价值空间也同步放大。这些都是达卯科技深入布局的。

把生意当“基金”做，赚大头的收益分成

在当下的中国ToB市场里，卖软件很难把价值卖出价格。与其他AI垂直应用相比，达卯科技的这套AI系统最大的不同在于，可以把应用场景的经济账算清楚。

以达卯科技的标杆客户之一的临港智算中心为例，在目前仅完成约三分之一建设规模的情况下，在引入智能调度系统并配套储能之后，每年可以直接节省优化约1000万元人民币。

值得一提的是，这一规模在当前数据中心行业并不算大，市场中5—6 倍体量的项目已较为常见。

在调度逻辑不变的前提下，节省效果会随规模近似线性放大。按同一模型外推，一个吉瓦级算力中心，仅通过“算力—电力—储能”的协同优化，年化成本优化空间理论上可达数亿元。

达卯内部做过测算，假设数据中心用电量在全社会中的占比达10%（行业预测到2030年智算中心用电量将占到全社会总用电量5%-10%），在现货市场渗透率达到30%的情况下，仅“算力相关的平衡市场”，规模就已经接近1200亿元。

但这还只是下限。

原因在于，算力中心的电力结构，与全社会平均水平并不一致。根据国家在“算电协同”和“东数西算”中的要求，枢纽节点算力中心的绿电使用比例需达到80%。

而新能源占比越高，电越不稳定，价格形成机制就越依赖平衡市场。

在更贴近现实的假设下,将西部节点按80%、东部节点按65%进入平衡市场来测算，算力协同所对应的市场规模，已经超过2500亿元，几乎是前述简单估算的两倍。这一部分，构成了“大模型可直接参与决策”的核心场景。

由于结果清晰可量化，所以达卯选择把商业模式绑定到结果上：前端低收费，后端结果分成，锁定长期运营。

具体来说，在前期，公司只收一个很低的部署费，帮客户把模型跑起来，做咨询和硬件对接。

与此同时，经过精准的投资测算，达卯与客户签订长达10-15年的运营合同。在这期间，系统帮客户省下来的电费，或者通过市场交易赚来的钱，公司按比例分成。

这个逻辑很像私募或咨询行业，前端收得少，让客户先上车，后端围绕节省或增益分成，把长期现金流做出来。

这套模式能否规模化的核心，在于在交付成本是否能够被持续压低。

达卯目前的做法，是用AI把原本高度依赖人工的“重运营”，压缩成“系统为主、人为兜底”的结构：一套模型负责持续出策略，一个现场人员负责巡检、异常处理与安全确认。

过去需要7×24小时盯盘、不断人工调参的工作，被收敛成少量人工干预。结果是，随着项目规模放大，边际交付成本并不会线性上升，整体毛利率可以稳定在60%以上。

真正的瓶颈，反而落在人才结构上。

单一维度的算法工程师并不稀缺，真正稀缺的是能够同时理解数据中心运行逻辑、电力系统约束，以及AI模型工作方式的复合型人才。

传统能源公司习惯依赖机理模型，要求“先把原理讲清楚”，对AI的“黑盒式方法”天然持保守态度，难以接受先落地再优化的逻辑；而纯AI团队又容易低估工程与物理边界，认为只要数据足够就能解决一切。这两种认知的断层，正是很多技术在复杂系统中难以落地的核心原因。

达卯科技的独特性，在于其成长路径天然规避了这种断层，从真实的数据中心场景中生长出来：

先通过实践理解数据中心的运行逻辑、电力系统的刚性约束，再让AI模型介入决策优化。这种在实践中完成的“数据中心运营+电力系统规则+AI模型逻辑”三重知识耦合，不仅让技术最能有效实现落地，更形成了一道难被快速复制的护城河。

随着电力市场化改革推进、AI 算力需求持续增长，“算电协同”正从可选优化项，转变为决定成本竞争力的关键变量。达卯的实践表明，AI 不仅可以提升效率，也可以通过精细化调度与交易机制，从能源波动中直接创造可量化的经济价值。

文/林白

PS：如果你对AI大模型领域有独特的看法，欢迎扫码加入我们的大模型交流群。