电力饥渴：人工智能如何推动能源需求

能源需求驱动力：人工智能将如何驱动能源需求 第一部分。美国经济中与人工智能相关的行业增长、生产率和电力使用情况。 行业分类 AI生产活动主要发生在NAICS部门518/519（数据处理、互联网出版和其他信息服务）和5415（计算机系统设计和相关服务）中，尽管它并不局限于这些部门。AI生产生态系统包含四种不同的企业类型：（i）专门的人工智能研究实验室（例如OpenAI、Anthropic）；（ii）纯数据中心运营商（例如Equinix）；（iii）云服务和基础设施提供商；以及（iv）垂直整合技术公司（例如Microsoft、Google），这些公司涵盖整个价值链——从研究到部署，再到将人工智能与现有产品（如Google Search、Gmail和Microsoft Office）集成。这些企业的核心活动主要与上述NAICS代码一致，使这些部门成为衡量与人工智能相关的经济活动的核心。具体而言，数据中心通常被归类为NAICS 518210（数据处理、托管和相关服务），因为根据美国人口普查局，它们包括应用程序托管、云存储服务、计算机数据存储服务或计算平台基础设施提供等活动。例如，Equinix是最大的数据中心公司之一，其被归类于该行业代码。关于大型垂直整合的人工智能平台和服务公司，以META和Alphabet为例，META的NAICS代码是519290，而Alphabet在519、518和541511下运营。Microsoft也将其NAICS代码之一列为518和541511，而IBM的代码是5415（54151和541512）。 有必要指出几点。首先，我们的定义代表了比信息技术和通信（ICT）等更广泛的分类更狭窄的范围，后者涵盖制造业（计算机、电子产品）和服务业（电信、软件、IT服务）。需要注意的是，IMF-ENV模型中的情景模拟围绕ICT部门的技术进步率（TFP）冲击构建，因为后者是GTAPv11数据库中可以剥离的最小可能的AI部门代理变量。此处将AI归类于NAICS代码518/519和5415，也与通常使用的“科技”类别存在差异，但有所重叠，该类别通常指代市值巨大的多家创新技术公司，范围从硬件制造商（例如苹果）到数字平台和服务提供商（微软、谷歌、Meta、阿里巴巴）再到关键组件制造商（如半导体公司英伟达、台积电、阿斯麦）。在此排除了硬件制造商和半导体公司。其次，AI公司的某些活动被归类于传统部门，例如作为数据中心公司的Equinix同时是房地产出租商（NAICS 531110），但这些代码被排除以避免捕捉非AI活动。第三，由于混合商业模式（例如特斯拉投资自动驾驶汽车）等原因，AI生产正日益嵌入到各项活动中，使得AI生产部门与传统NAICS代码之间难以建立清晰的直接对应关系。 数据 关于实际增加值（以2017年SAAR美元计）和每位员工的实际增加值（以2017年SAAR美元/员工计）的数据来源于Haver Analytics，而TFP的贡献数据则 世界经济展望 投入（资本、劳动、中间品）对总产出增长的数据来源于美国经济分析局-劳工部综合产业级生产账户（KLEMS）。 对于在线附录图1.1.3，我们从其公开可用的可持续发展报告中汇编上市公司的年度电力消耗数据。利用美国能源信息署（EIA）提供的工业和商业年度电力零售价格的平均值，我们计算了公司电力消耗的估计总成本。我们采用工业和商业电力价格的平均值，因为大型技术公司可能面临较低的工业电力价格，而其他较小的数据中心公司则被EIA归类为商业类别，并可能面临较高的商业电力价格。接下来，我们从美国证券交易委员会（SEC）提交的每家公司的10-K年度报告中收集总成本（成本收入或销售额加上营业费用）。拥有电力消耗成本和总成本使我们能够计算前者占后者的比例。最后，为了计算按公司类别划分的平均电力份额，我们根据公司的收入进行加权平均。 从他们的10-K年度报告中获取。值得强调的是，首先，在样本期间中期有两家数据中心公司私有化，因此未提交10-K报告或可持续发展报告；其次，对于极少数公司，其可持续发展报告中部分样本期间的电耗数据缺失。为处理缺失数据，我们采用插值法，分别使用三个公司类别中收入和电耗份额的平均年增长率进行插值。 使用10-Q SEC文件，我们还收集了微软、Alphabet、META的资本支出数据。 在2019年至2024年期间（图1）。这四家大型公司的总资本支出在过去五年中增长了五倍，并且在2023年第三季度以来翻了一番以上。 第一章 商品专题 描述性分析 商品专题主要文本记录了AI相关行业日益增长的宏观经济重要性，其名义GDP占比从2013年的2.3%增长至2023年的3.5%。AI经济足迹的增长根植于快速劳动力生产率增长和劳动力吸纳，如图2第2面板和图1所示，分别记载于主要文本的SF.2（第2面板）中。尽管未在主要文本中报告，但这一增长已使行业劳动力生产率（LP）水平大幅超过美国经济的平均行业水平：数据处理LP目前约为全国平均水平的四倍，而计算机系统设计LP则约高出50%（图2第1面板）。 这些行业在2020年疫情期间和2008-2009年的危机中也表现出显著的韧性，实现了积极且显著的价值增加值增长率（图2，第2面板）。疫情后的复苏尤为强劲，与人工智能相关的服务产出增长了11.7%，远超整体商业部门的4%增长。在这一趋势中，包含数据处理的信息部门在2023年录得7.7%的增长率——这是所有行业中继采矿行业后第二高的增长率。 总体而言，参与人工智能生产和数据 在处理和计算机系统设计领域，过去十年中，它们在增值和总产出方面表现出强劲的增长，提升其在整体美国产出中的重要性。 第二部分。人工智能与能源需求：国际货币基金组织-环境应用 数据中心电力需求预测 为评估人工智能生产领域中不断增长的电力需求的影响，本项研究使用了2024年至2030年间（见在线表格1.1.1）来自三个关键地区——美国、欧洲和中国——的数据中心预计电力消耗量。这些地区的总量预测数据源自麦肯锡和摩根大通的预测。美国、欧洲和中国的预计电力需求年增长率分别估计为22%、13%和10%。具体而言，美国的预测基于麦肯锡“中等需求”情景，而中国的 预测数据源自摩根大通的一份研究报告。对于欧洲国家，采用了GDP加权方法，针对三大经济体——德国、法国和意大利，这些国家共同 占该地区总经济产出约一半。此外，假设中国的2023年基线电力需求与美国相当。 模型模拟中使用的2030年美国电力消耗预测值，与能源部（DOE）将2024-2028年增长率外推至2030年所预测的675TWh平均消耗量大体一致（Shehabi等，2024）。对于中国，2030年数据中心电力消耗预测值落在国际能源署（IEA）预测范围的较低区间（260-470TWh）（IEA，2025）。最后，对于欧盟和英国，与我们的情况相似，IEA（2024）预测欧盟数据中心电力消耗在2022至2030年间将大致翻倍，即使用2022-2026年增长率外推至2030年。 IMF-ENV: 模型基础 IMF-ENV是一个由国际货币基金组织（IMF）开发的多国动态可计算一般均衡（CGE）模型，用于分析家庭、企业、政府和外部部门之间在多个部门和市场中的复杂互动。该模型的优势在于能够捕捉政策变化和经济冲击的直接和间接效应，使其成为评估国内和全球一般均衡结果的强大工具。该模型的另一个优势是其内在的一致性：在每次模拟期间，所有商品和生产要素的市场都必须出清；所有资源约束都得到尊重；所有宏观经济平衡（政府预算、经常账户和投资-储蓄相等）都得以维持。这种一致性通过所谓的“闭合规则”——即控制市场出清机制的外生假设——得以确保，这些规则同时将这些平衡与世界经济展望（World Economic Outlook）的外部预测相联系。因此，IMF-ENV提供了一个稳健的框架 第一章 商品专题 用于中长期政策分析。它尤其适用于评估可能源于能源政策、气候政策和贸易改革的经济发展结构性变化。 基于新古典优化原则和竞争性市场假设，该分析中的IMF-ENV模型通过一个递归动态结构模拟全球经济，延伸至2030年。代理人在消费、生产和贸易方面的响应由不同的弹性驱动。生产要素包括劳动、资本、土地和自然资源，其中资本具有年代结构（即新旧区分）。使用GTAPv11数据库（Aguiar等人，2022年），该模型校准了25个区域和36个部门。能源是该模型的关键焦点，分为电力（如太阳能、风能、核能、水力、煤炭、石油、天然气和其他）和非电力（如煤炭、石油、天然气开采）部门，温室气体排放与任何经济活动的直接燃料消耗挂钩。该结构使IMF-ENV能够模拟经济体内部的复杂相互依赖关系，并评估一个地区结构变化如何通过双边贸易网络传递到世界其他地区。有关模型的更多细节，请参见Chateau等人（待发表）。 静态和动态校准 校准流程的第一步包括将模型校准至 GTAPv11 数据库的 2017 基年数据。为此，贸易弹性、消费（收入）和生产等关键参数的取值来源于文献和 GTAPv11 数据库。接下来，计算所有生产函数的 CES 要素份额参数，使模型能够复制 2017 基年数据。为模拟基准情景，动态校准过程中需要计算多个参数，目的是预测若干外生驱动因素。在此，我们描述关键步骤。首先，从世界经济展望（WEO）数据库获取人口趋势和劳动力参与率，以预测劳动力供给。其次，通过迭代过程校准各国劳动生产率路径，使其匹配国际货币基金组织（IMF）WEO 报告的 GDP 增长率预测。第三，通过采用 Keramidas 等（2024）的预测结果动态校准 CES 份额参数，控制各类电力技术的份额。第四，CO2排放量由基于Keramidas等人（2024年）的研究结果进行调整。最后，各种关闭规则维持宏观经济平衡：（i）-（ii）政府预算平衡和经常账户平衡（CAB），均以占GDP的比重表示，假定遵循世界经济展望（WEO）的预测；（iii）投资由消费者储蓄（以占GDP的比重表示）、政府储蓄（遵循外生预测）以及外国储蓄（与CAB关闭规则相关联）之和驱动。此校准程序使模型能够复制历史数据，同时在不同条件下预测合理的未来路径。 情景 对于这项练习，模拟了三个核心情景。基准场景排除了AI影响，基于截至2024年生效的现行政策，预测能源和排放趋势。在基准，IMF-ENV地区的电力组合根据Keramidas和其他人（2024年）的当前政策情景预测而定。I：到2030年，这将导致中国在总发电量中化石燃料的份额为16%，美国，和欧洲达42%。天然气是主要的化石燃料动力来源。美国：而欧洲的情况则不同，煤炭在中国则地位突出。在所有地区，石油发电的份额非常低（低于1%）。IT行业的具体特征如下 世界经济展望 基线如下。来自GTAP v11数据库，对于信息技术行业而言，2017年全球平均劳动力和资本投入成本份额约为30%。在中间投入中，约四分之一来自其他计算服务，其次是约5%来自制造业投入。能源（主要为电力）是我们的关键投入兴趣点，并在2017年构成约1%的投入成本。这些成本份额在美国、中国和欧洲大体相似。最新数据显示，人工智能平台和服务公司在不到五年的时间里，其电力成本份额几乎翻了一番，从2019年的0.8%增加到2023年的1.5%（见图2，面板2）。我们假设信息技术行业的电力强度上升趋势将继续在美国保持，到2030年美国的电力强度将增至4%，从2017年的1%上升。对于其他国家，这些份额保持与2017年的值相同。 在两种人工智能情景下，我们在IT部门实施了一个由人工智能驱动的全要素生产率（TFP）冲击，该冲击的校准方式为IT部门行业的电力需求与表1中所示预测相匹配。TFP冲击在嵌套CES生产函数的VA组合中实施，并且TFP冲击仅应用于使用新资本的生产。对于美国而言，TFP的增加假设IT部门电力强度的保守增长从1.2%到4%，远低于数据中心看到的13-14%的强度（图3），这可以被视为上限。 第一种人工智能场景，AI