人工智能训练与推理带来的用电需求正逼近电网承载边界，并由此引发对多种发电与供能路径的重新评估。随着大型模型训练耗电量被形容为可与小城镇用电规模相当，未来数年数据中心负荷增长的预测，促使公用事业公司、科技企业与研究机构加快讨论哪些能源供给方式在成本、部署速度与稳定性上更具可行性。与此同时，推动电力系统承压的算法也被用于聚变、地热、氢能与先进储能等方向的研发，试图将过去更接近“科幻”的选项转化为可用技术。

数据中心负荷上升加剧电网压力

多份分析认为，人工智能相关数据中心的电力消耗在本十年内可能增长超过100%。这一预期已带动新一轮电网投资，被一些报告类比为上世纪90年代末燃气电厂与输电线路建设的扩张周期。相关研究还将其描述为“难得一遇的资本周期”，公用事业公司加速扩充产能，投资者则在能源价值链的不同环节寻找机会。

在供电紧张的背景下，电力结构的调整并不完全指向低碳方向。随着人工智能集群在特定时段出现负荷峰值，电网运营方被报道重新启用原本计划逐步退出的老旧化石能源资产。相关视频与报道提到，部分污染较重的“调峰”电厂重启，引发社区对排放回升的反对声音；也有报道指出，为维持人工智能服务器运行，一些“老化电厂被保留”，显示数字化需求在短期内仍依赖传统基础设施。

聚变研发借助机器学习推进

在电力需求上行的压力下，聚变再次被视为长期供能的潜在选项。报道显示，经过约80年的渐进式进展，新一代研究人员正使用机器学习处理等离子体控制等难题。一组科学家开发了名为HEAT-ML的高速工具，用于识别聚变反应堆内部的“安全区”，以帮助操作更接近不稳定边缘并降低触发破坏性扰动的风险。相关倡导者将其描述为“加速创新循环”的一部分：更好的模型带来更优实验，实验数据再反哺算法与设计优化。

类似方法也被用于基础物理与材料科学。报道提到，在一家国家实验室，研究人员利用人工智能张量网络处理一项长期难题，以期加快发现未来反应堆或高效电力电子所需材料；在工业界，约翰内斯·布兰德施泰特及其团队在emmi.ai使用相关技术进行物理模拟，完成传统代码难以实现的计算任务。有观察者据此认为，物理与人工智能的结合可能使商业可行的聚变电厂更接近“在我们有生之年”的目标。另有关于利用人工智能追求“无限能源”的报道援引撰稿人里克·卡兹默的说法称，2月初科学家以更务实的方式设定目标，包括降低家庭电费，而不仅是追逐科研荣誉。

深层地热与氢能被视为更近端的稳定电力选项

除聚变外，报道将更紧迫的候选方案指向深层地热与氢能。在犹他州，一则9月广泛传播的报道介绍了一个项目，利用地下约1.5万英尺的超热岩石作为热源，目标是提供可靠、经济、清洁且全天候的电力。斯坦福研究人员的观点认为，相较于主要分布在火山区的传统地热电站，新的钻探与储层技术可通过循环流体，将更广泛区域的热岩转化为发电资源。

风险投资机构也在押注人工智能将提升钻探精度。一份气候科技预测称，地热领域的新突破正在解锁地壳中的巨大储量，生成式人工智能使其更易开发。《经济学人》一则社交媒体内容则提到，增强型地热系统可能将地热从目前供应全球能源不足1%的小众选项，提升为到2050年产能接近美国核电厂当前总量三倍的能源来源，并保持可再生与零碳排放的特征。

氢能同样被描述为适合数据中心的全天候供能方案。相关视频报道显示，硅谷初创企业正尝试开发紧凑型氢能发电单元，企业家伊瓦尔·巴哈尔在其公司ECL的改造停车场演示了压力释放装置。另有关于数据中心基础设施的报道指出，企业也在探索现场燃料电池，以满足人工智能园区不断增长的即时用电需求。一份关于绿色氢能基础设施的简报则称，在数据中心需求超出电网供给能力的情况下，燃料电池被视为清洁、可扩展且可快速部署的现场电力来源。

人工智能从“优化工具”走向“能源探测者”

报道还指出，能源企业对人工智能的使用正从优化既有资产，扩展到发现新的资源与机会。壳牌与SparkCognition宣布合作时表示，生成式人工智能在勘探方面的突破对满足不断增长的能源需求并减少排放至关重要；约翰·布朗勋爵称，更智能的地下模型有助于加速寻找碳氢化合物与更清洁资源。福克斯新闻关于钻探技术的报道提到，2月的采访强调人工智能引导的钻机可通过选址、井型设计与实时调整，提高地热井施工的准确性。

政策层面也出现对历史经验的对照。一篇关于公用事业放松管制的经典文章指出，电力市场自由化曾推动风电、光伏、高效燃气轮机与热电联产等技术发展，这一模式在当前围绕人工智能时代基础设施的讨论中再次被提及。与此同时，一则关于人工智能电力紧张的解说称，随着电网压力上升，燃料电池作为可快速部署的替代方案，吸引公用事业公司与超大规模云服务商投入数十亿美元，且常与碳捕获与替代燃料方案配套。另据一家大型工业集团的企业博客，微软已签署先进核能购电协议，计划在本十年末为其数据中心供电。

可再生能源效率提升与储能调度优化同步推进

在新型能源路线之外，人工智能也被用于提升现有可再生能源与储能系统的效率。一份太阳能行业简报称，钙钛矿-硅串联太阳能电池效率达到34.6%，较传统电池板提升57%，并提到人工智能用于优化材料与制造工艺。另一份关于电网现代化的市场报告则指出，人工智能可通过分析发电模式、需求与价格信号，优化电池充放电策略，使储能在风能、太阳能出力较强时吸收电力，在出力较弱时释放电力，以提升系统调节能力。