《用一手电力项目数据追踪 AI 基建真实进度》

学习目标

学会把宏观叙事拆成项目问题：AI 缺电不是一句话，而是某个县、某个园区、某个数据中心负荷在某个时间点拿不到可交付 MW。

核心内容

市场上最常见的低质量判断是“AI 用电暴增，所以电力链都受益”。Thomas 的方法反过来：先不讨论股票，先问“项目在哪里”。Cleanview 公开介绍称，它追踪美国各地数据中心和电力项目，包括尚未公开宣布的项目，识别来源从许可文件到卫星影像〔https://cleanview.co/about〕。这意味着研究起点不是 EIA 年度预测，也不是科技公司发布会，而是项目留下的行政和物理痕迹。

2025-09-24，Thomas 写 Cleanview 过去一年半已追踪 10,000+ 清洁能源项目，但只看供给还不够，理解电网变化也必须理解电力需求变化；数据中心就是核心需求〔https://newsletter.cleanview.co/p/a-new-way-to-track-planned-data-centers〕。这句话是整门课的起点：电力研究不能只看发电项目，AI 研究也不能只看 GPU capex。真正的 AI 基建研究要把“数据中心负荷”和“电力供给路径”接在一起。

真实案例：Google。Cleanview 2026-04 报告称 Google 2024 年数据中心用电 30.8 million MWh，大约是四年前的两倍；Cleanview 跟踪到 Google 在美国 20 个州的 63 个数据中心项目，很多校园设计为 800-1,000MW 负荷〔https://newsletter.cleanview.co/p/google-is-weighing-natural-gas-without〕。如果只看 Alphabet capex，你看到的是美元；如果按 Thomas 方法，你会看到每个 campus 需要的 MW、并网路径、PPA、电厂、许可和工期。

总结

第一讲只建立一个习惯：不要问“AI 会不会缺电”，要问“哪一个 AI 项目、哪一年、多少 MW、靠哪条供电路径上线”。没有项目地理位置和容量口径的判断，都是低分辨率叙事。