物界前沿从PUE到TPW：商汤的算电协同Agent，正在重新定义智算中心的成本逻辑
我注意到一个有意思的细节：商汤在WAIC 2026上发布的算电协同Agent，核心指标不再是传统的PUE，而是“单位电力成本的Token产出”。这意味着，当行业还在争论液冷散热效率、光伏并网比例时，头部玩家已经悄悄把度量衡从“基础设施能效”切换到了“算力商业价值”。
这本质上是一次标杆的迁移。从“电费花得值不值”到“每度电赚了多少Token”，背后是AI基础设施从成本中心向利润中心的叙事转向。
从PUE到TPW：为什么是现在？
PUE（Power Usage Effectiveness） 长期是数据中心能效的黄金标准，它衡量的是总能耗与IT设备能耗的比值，越接近1.0越理想。但PUE有一个致命缺陷：它只看“电进了数据中心怎么分”，不看“电变成了多少算力”。当AI训练任务需要数千张GPU跑数周时，真正决定ROI的，是每度电到底能产出多少有效Token。
商汤提出的 TPW（Total Power to Workload，总功率与工作负载比） 本质上是一个经济指标。它将电力成本、算力利用率、模型训练效率三者耦合在一起。对标海外案例，Google早在2021年就通过TPU v4和定制液冷系统，将PUE压到1.10以下，但Google更关注的是“每瓦性能”（FLOPS/Watt），而不是“每瓦商业价值”。商汤的算电协同Agent，则更进一步，把电网调度、储能管理、GPU负载调度整合成一个闭环。
[!tip] 核心判断：
从PUE到TPW，意味着AI基础设施的优化目标从“节约电费”变成了“创造更多Token”。前者是成本优化，后者是收入增长。
商汤的算电协同Agent：三个关键能力
根据公开信息，该Agent能够实现“单位电力成本Token产出提升80%”。这个数字听起来惊人，但拆解下来，其实对应了三个层面的协同优化：
- 电力侧协同：动态匹配电网峰谷电价，利用储能系统在低价时段充电、高价时段放电。结合AI模型训练任务的可中断特性（比如可以在电价低谷期执行高能耗的预训练阶段），将电力成本曲线与算力负载曲线对齐。
- 算力侧协同：通过调度算法，在GPU集群中动态分配任务，确保每张卡在电力波动时仍能保持高利用率。传统做法是“恒定功率+冗余设计”，但冗余本身就是浪费。商汤的做法是“弹性功率+动态调度”，让算力利用率从常规的60%-70%提升到90%以上。
- 模型侧协同：针对不同模型架构（比如稀疏MoE、量化训练），调整Token生成效率与电力消耗的折中关系。这类似于手机芯片的“大小核”架构，让轻量任务用低功耗核，重任务用高功耗核，但粒度更细。
这三点叠加，80%的提升并非不可能。对标海外案例，微软在2024年推出的“碳感知调度”系统，仅通过将Azure训练任务迁移到可再生能源富集时段，就实现了15%的碳排放降低。但微软的优化局限于电力侧，没有触及算力侧和模型侧。商汤的Agent将三者捆绑，本质上是在做“系统级优化”，而非单一维度的改进。
波特五力视角：商汤的护城河在哪里？
从波特五力模型来看，商汤在这一领域的竞争格局：
- 供应商议价能力：GPU和电力都是高度集中的资源。商汤没有自研GPU（至少目前没有），但通过算电协同Agent，它实际上向下游输出了“电力调度能力”，这能够降低对单一电网供应商的依赖。如果未来能对接虚拟电厂（VPP）等分布式能源网络，议价能力还会增强。
- 买方议价能力：客户是云服务商和大型企业，它们对价格敏感。但商汤的Agent提供的是“降本增效”的确定性，80%的Token产出提升意味着客户可以更快地收回算力采购成本。这种价值主张比单纯卖算力更有黏性。
- 替代品威胁：其他AI基础设施公司（如华为昇腾、阿里云）也在做类似创新。但商汤的优势在于，它既有自研的算力平台（大装置），又有模型训练和部署的闭环经验，能够将Agent与现有业务深度绑定。替代品需要同时具备算力、电力调度和模型优化三个能力，门槛较高。
- 新进入者威胁：需要同时具备电力 trading、GPU调度、AI模型优化三方面人才，且需要大量资金搭建测试环境。短期内只有头部玩家能入局。
- 现有竞争者：百度、腾讯、字节跳动都在布局“绿色AI”，但大多停留在液冷或光伏层面。商汤的Agent是第一个明确将“Token产出”作为metric的产品，先发优势明显。
趋势预测：算电协同将催生“AI算力交易平台”
我观察到，算电协同Agent的出现，正在模糊一道边界：AI算力不再是单纯的商品，而是变成了可调度的“能源服务”。未来，你可能看到类似电力现货市场的机制——算力价格随电网负荷实时波动，训练任务自动在低价时段执行。商汤的Agent，本质上是这个市场的第一个做市商。
从行业趋势来看，算电协同将经历三个阶段：
- 阶段一（2026-2027）：头部云厂商和AI公司部署Agent