AI基础设施正在把一个过去相对稳定的产业链推到前台：电力。
过去，数据中心的核心矛盾是算力、网络和散热。
到了AI时代，问题变得更直接：
单颗GPU功耗进入千瓦级，整柜功率继续上探，传统交流供电体系的转换链路、损耗和空间占用，开始成为约束。
这不是单一设备升级，而是一条产业链的重新排序。
AIDC从交流走向直流，电网从被动接入走向主动扩容，海外CSP开始自建电源，人形机器人从展示走向制造验证，工控则在订单与周期之间重新定价。
短期看，这是资本开支上修带来的设备需求。
长期看，它指向一个更大的问题：
当AI成为持续耗电的基础设施，谁能掌握电力、算力与自动化之间的新分工？
01.
行业定义
AI基础设施的电力底座
AIDC，即AI Data Center，指面向人工智能训练和推理任务建设的数据中心。
它不同于传统互联网数据中心。
传统数据中心主要服务搜索、社交、云计算、视频、企业IT等负载，服务器功耗相对可控，供电系统长期围绕交流配电架构展开。
AIDC的变化在于，核心负载变成GPU集群。
GPU算力提升速度远快于CPU。
根据英伟达相关数据，GPU运算性能近年持续跃升，未来8年有望提升1000倍。
算力的快速提升没有脱离物理约束，最直接的结果就是功耗同步上行。
Rubin GPU单芯片功率已经突破2300W，Rubin Ultra VR300预计在4000W以上。
随着NVL72、NVL144等高密度机柜形态继续升级，供电系统不再只是后台设备，而是算力能否落地的前置条件。
因此，AIDC产业不能只理解为“建机房”。
它本质上是由算力芯片、服务器、供配电、散热、电网接入、储能与运维系统共同构成的新型基础设施。
其中，供电架构正在发生关键变化：
从交流供电走向高压直流供电，从柜外配电走向柜内深度集成。
02.
行业分类
从算力到电力的四条主线
围绕2026年的产业变化，可以把相关行业拆成四条主线。
第一条是AIDC直流配电。
它对应的是数据中心内部供电架构的变化。
传统交流方案需要多级变换，链路较长，效率和空间都会受到限制。
GPU功耗升高后，电力传输、转换和保护的成本被放大。
海外正在推进±400V HVDC方案，国内则加快800V方案落地。
直流化的目标不是概念创新，而是减少转换层级、提升效率，并为更高功率密度的服务器形态预留空间。
第二条是电网与电源建设。
AI数据中心不是普通用电负荷。
大型CSP开始为AI建设自有电源，意味着电力设备需求不只来自传统电网投资，还来自科技公司资本开支。
北美地区这种趋势已经对变压器需求形成“乘数效应”。
同时，燃气轮机成为最紧缺的发电设备之一，订单已经排到2030年。
美国750亿美元输电扩容项目获批，重点关注765kV超高压建设，也说明电网侧约束正在被正面处理。
第三条是人形机器人。
特斯拉Optimus被认为已经具备量产前置阶段涉及的四大条件。
2026年下半年，将是验证其能否从展示样机走向可制造产品的关键窗口。
国内人形机器人产业也在从新品发布转向稳定交付和场景复购。
行业壁垒开始从硬件参数，迁移到真实数据、模型训练和场景反馈形成的数据飞轮。
第四条是工控。
工控不是最热的叙事，但它是制造能力的底层语言。
机器人量产、数据中心设备制造、电力装备出海，都离不开自动化产线、控制系统、传感器、伺服、PLC等基础部件。
订单超预期时，工控行业通常会成为制造周期启动的早期信号。
03.
发展历程
从机房配套到系统约束
数据中心的供电系统过去长期处在配套位置。
服务器功耗增长温和时，交流配电、UPS、低压配电柜、PDU等系统能够满足需求。
电力问题虽然重要，但很少成为产业链估值和技术路线讨论的中心。
AI改变了这一点。
当GPU成为主要算力核心后，机柜功率密度迅速提升，传统供电体系开始面对三个压力。
一是转换损耗。
交流供电从市电接入到服务器端，需要经历多级变换。
每一级转换都有损耗，也带来热量和维护成本。
功耗越大，这些损耗越不能被忽略。
二是空间压力。
供配电设备、线缆、保护装置和散热系统都会占用空间。
机柜功率上升后，有限空间内必须容纳更多电力部件和冷却能力。
三是可靠性压力。
AI训练任务通常规模大、时间长、集群依赖度高。
供电系统一旦波动，影响的不只是单台服务器，而可能是整个训练任务和算力调度效率。
因此，AIDC供电架构开始从“柜外”向“柜内”迁移。
直流化成为技术路线的核心方向。
海外±400V HVDC、国内800V方案加快落地，固态变压器则被视为下一代供电架构的重要方向。
这背后的逻辑很清楚：
