我们从能源视角重新构建AI算力成本研究框架，沿着“电力—算力—Token”的完整链条，将能源供需研究由电力需求进一步延伸至AI单位服务成本与长期竞争力。我们认为当前AI成本仍以硬件投入为主，但随着芯片性价比、系统效率和利用率持续提升，稳定、低成本电力在单位有效算力及Token成本中的重要性有望持续上升，并最终成为影响AI长期竞争力的重要变量。我们继续强调全面看多未来5-10年全球能源大周期。

从电力到算力：AI扩张正受到完整物理基础设施的约束。我们认为，AI产业研究需要从模型和芯片进一步延伸至电力与数据中心。训练形成并更新模型能力，推理持续向用户交付服务，两者都需要由芯片、服务器、网络及冷却系统共同承载，并转化为真实的电力消耗。随着AI负荷呈现规模大、扩张快、连续运行要求高的特征，算力建设与电力配套之间的周期错配更加突出。因此，拥有GPU并不等于能够及时形成有效算力，电网接入、供电容量与散热能力，正在共同决定AI基础设施的落地速度和扩张空间。

AI成本竞争：短期看硬件，实际看系统效率，中长期看能源条件。我们认为，AI算力经济性应从单卡采购价格与单卡性能扩展至数据中心全生命周期成本，并结合实际产出进行评价。当前GPU及服务器仍是成本主体，芯片性能与采购价格决定成本基础；但理论算力能否转化为有效产出，取决于互联架构、软件效率、任务调度及设备利用率。能源从短期角度已经成为部分限制AI发展的瓶颈所在，而电价和PUE持续影响运行成本。当硬件与系统效率逐步进入可比区间，稳定、低成本且能够持续扩张的电力供给，有望成为区域AI成本竞争中更难复制的优势。

从数据中心成本到Token经济性：我们认为，随着AI应用加快普及，产业研究需要进一步从算力和数据中心投入，延伸至服务产出与商业回报。推理将模型能力持续转化为面向用户的服务，Token由此成为连接使用规模、商业定价和底层成本的重要计量单位；在模型质量与服务要求可比的条件下，将推理业务对应的基础设施成本与实际Token产出相匹配，可以进一步识别硬件、系统效率、设备利用率及能源条件对单位服务成本的影响。由此，AI竞争在持续追求模型能力突破的同时，也将更加重视商业化交付的经济性：先进算力决定能力边界，系统效率影响成本与产出，稳定且低成本的能源供给则支撑持续运营与规模扩张。能否将算力投入转化为具有成本竞争力的服务，并形成可持续的商业回报，将成为衡量AI企业长期竞争力的重要标准。

风险提示：AI应用及推理需求增长低于预期，AI软硬件效率提升超预期。

注：本文来自国泰海通证券发布的《从电力到Token：AI算力的能源经济学》，报告分析师：黄涛