[摘要] 数字经济时代的杰文斯悖论与蒸汽及电力时代的杰文斯悖论在形成机理、表现形式和治理方式上都有所不同。在煤炭、电力主导的工业时代，技术效率提升引发的能源消耗回弹效应本质上是单向的。数字经济时代的特殊性在于信息生产过程是能源消耗的过程，但信息本身又是物质能量调度的规则：一方面，信息生产涉及的数据采集、存储、计算必然带来能源回弹；另一方面，数字技术通过减少不确定性，又能在交通、制造、建筑、电网等领域实现节能效应。当前人工智能的算力竞争所带来的能源压力对中国实现“双碳”目标提出了严峻的挑战，应对这些挑战的关键不仅需要能源结构的清洁化转型，而且要通过技术创新降低单位算力能耗，同时通过制度创新完善算力资源配置机制。据此，本文从在智算中心发展上做好技术选型、在智算中心规划上回应分层需求、在算力布局上因地制宜、在算力市场上谋划布局四个方面提出对策建议。
[关键词] 杰文斯悖论；回弹效应；双碳目标；人工智能；新质生产力
一、引言
党的二十大报告指出，高质量发展是全面建设社会主义现代化国家的首要任务。实现高质量发展，创新成为第一动力，绿色成为普遍形态。当前，新一轮科技革命与数字经济浪潮引起产业部门变迁与经济结构变化，导致生产与生活方式深刻变革，这对中国式现代化的生态文明建设提出了新的要求与挑战。由此，衍生出“智能”与“绿色”两大经济发展的主线，推动传统增长模式向智能绿色增长模式的经济转型。从战略部署与政策演进来看，持续推进“智能”与“绿色”协同发展，既是实现双碳目标与科技自立自强的关键抓手，也体现了国家顶层设计中对创新驱动与生态安全的双重考量。其关键在于如何协调经济发展的智能化与绿色化。一方面，以人工智能为代表的“新技术群”涌现加速数字经济向智能经济演进，智能产品、智能生产、智能服务与智能组织持续扩张；另一方面，绿色化要求绿色产业发展的“正资本”投资对冲碳减排的“负资本”投资，从绿色转型约束转向绿色转型激励，实现绿色发展新路径对传统路径的替代。在二者发展过程中，智能化伴随着能源消耗、要素投入的变化，绿色化又需要通过智能技术减少损耗、提高效率。从技术本身来看，智能化的效率提升能够促进节约资源，绿色化也贯穿于智能化过程中。但考虑到个体选择与市场替代，智能化效率提升所带来的单位使用成本降低和资源节约往往通过直接或间接的方式增加总能耗，使得智能化过程必然面对绿色化约束，这实际上就是数字技术进步过程中都能源效率提升与总能耗增加的杰文斯悖论。
无论从理论还是从实践上看，数字经济发展过程中不可避免地面临杰文斯悖论——信息生产效率提高和总能耗增加。具体而言，数字经济的发展依赖于一套将数据从资源转换为信息的信息生产体系，在通过信息克服不确定性的过程中优化经济效率[3]，但技术效率提升中信息成本的下降往往又会引致更多的信息生产和消费。在技术路线和政策导向上，如何避免杰文斯悖论发展为信息效率与能源消耗的两难困境，在保证数字经济发展质量和规模的同时，实现2030年碳达峰与2060年碳中和目标，是较长一段时间里中国经济高质量发展不能回避的重大问题。尤其是2024年以来，生成式人工智能的迅猛发展以及与之相伴的算力能源挑战，进一步表明新一代“数字+连接”体系的发展所带来的能源压力是世界各国（地区）需要共同面对的挑战。尽管以DeepSeek为代表的中国企业引领的技术革新重新定义了人工智能发展的技术路径与能源逻辑，但杰文斯悖论依然存在：人工智能开发门槛和计算效率的提升可能引发应用场景的指数级扩展，最终导致整体能耗上升。如何在发展数字经济与减排目标之间求得平衡，使其相互促进而非此消彼长，不仅是技术创新问题，也是制度创新问题，这是因为在人工智能竞争与双碳目标约束下，推动中国经济高质量发展的过程实际上是一个技术与经济系统性变革的过程，由技术革命、要素创新与产业升级深度融合的先进生产力形态所引领，同时需要一系列相应的生产关系变革，以制度安排与政策导向破解数字经济时代的杰文斯悖论。
基于此，本文系统阐述杰文斯悖论的基本逻辑及其理论与实证方面的争论，在此基础上分析数字经济时代杰文斯悖论的特征与表现，进而探究当代中国在人工智能竞争与双碳目标下对信息效率与能源消耗共生困境的破解之道，为中国经济高质量发展提供智能化与绿色化协同推进的对策建议。
二、杰文斯悖论的起源与早期争论
（一）杰文斯悖论的基本逻辑
杰文斯悖论是指能源生产效率提高导致产品和服务价格降低，从而使相应的能源需求总量增加。它由边际革命的代表人物英国经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）在1865年的著作《煤炭问题》（The Coal Question）中首次提出。彼时英国工业革命方兴未艾，蒸汽机得到广泛使用，蒸汽机作为一种主要的动力来源，其技术迭代备受社会关注。杰文斯观察到，从1698年用于抽水的萨维尔（Savery）蒸汽机到后来的纽科门（Newcomen）蒸汽机以及瓦特（Watt）对蒸汽机的改进，蒸汽机的能量效率大幅提升，降低了单位产出的煤炭消耗，但工业扩张与新应用（如铁路）使英国煤炭总消费量激增。这就形成了“蒸汽机效率提高—煤的应用范围不断扩大—煤的需求量大幅增加”的循环，导致煤的消费量显著上升。按照杰文斯的统计，在蒸汽机技术快速进步的一百多年里，英国的人口仅增长了4倍，煤的消费量却增长了16倍。杰文斯因此提出，节约使用某种资源的技术进步会扩大其消费规模。进而，他以改进发动机技术为例说明这种延展式扩张如何发生：改进蒸汽机技术提高了蒸汽机性能，导致对蒸汽机需求的增加；同时也创造出如蒸汽机车、蒸汽船等新产品，这些都将增加新的煤炭消耗。
杰文斯的论证是基于经济学的基本原理，即当某种资源的使用效率提高时，成本会降低，消费者的需求会随之增加，或者人们会消费更多其他东西，从而间接产生对某种资源更多的需求。他的理论揭露了需求不变这一假设的不当之处，因为效率的提高会导致需求的增加，从而使得节省的资源被消耗掉，其分析逻辑的实质就是回弹效应（Rebound Effect）。同时，杰文斯还对煤炭供应的持续性表示担忧，认为尽管技术进步可能会暂时缓解煤炭短缺问题，但随着消费的增加，煤炭资源最终将会枯竭，因此必须考虑资源的可持续使用。杰文斯的论断之所以被称为悖论，是因为挑战了当时大众的直觉认知。其研究不仅是对煤炭危机的预警，更隐含了对工业化发展模式的批判——技术进步可能加剧资源枯竭与环境压力，这也是为什么杰文斯悖论自19世纪提出以来，历经多学科批判与扩展，最终成为能源经济学、生态学与政策研究重要议题的主要原因。
（二）经济思想史上关于杰文斯悖论的争论
在经济思想史的发展历程中，杰文斯悖论与古典政治经济学的诸多理论相联系。例如：杰文斯悖论与马尔萨斯理论能够相互映射，博尔丁（Boulding）曾从马尔萨斯的《人口原理》（1798）中总结出技术进步与人口关系的完全灾难定理，实际上就是对杰文斯悖论的有限重述；莱泽尔（Layzer）提出的“马尔萨斯不稳定性”也与杰文斯悖论相关，表明资源使用的正反馈将使资源消耗不可避免地陷入困境。与杰文斯悖论所指向的效率提升引致需求增加相对应，凡勃伦（Veblen）在《有闲阶级论》（1899）中指出，生产效能的提高并不会缓解生产上的紧张，因为生产上的增量会被用于适应明显消费方面无限扩大的需要。从演化经济学的视角看，人类很容易适应技术效率提升所带来的各种改变，剩余增加则伴随需求扩张。这些理论都暗合了杰文斯悖论，并引申出带有悲观主义色彩的经济发展道路：效率提升与能耗增加的矛盾不可能通过自我约束与市场机制得到解决，资源节约目标的实现往往伴随着生产的减少或效率的低下。在此之后，杰文斯悖论揭示的“效率—规模”所暗示的“发展—环境张力”引发了生态经济学的批判性反思重构：技术效率本身并不能创造一个生态环境友好的社会，尤其划时代创新（The Epoch-making Innovations）对经济产生的规模效应必定超过技术效率的提高，需要促进生产组织与积累制度对生态环境友好技术的采用和促进，改变社会生产关系成为必然选择。
与此同时，对杰文斯观点的质疑一直没有停止。在理论上，杰文斯悖论忽视了技术进步所带来的创造性效应，没有考虑替代品对生产与消费可选集的扩展。作为同时代的经济学家，阿尔弗雷德·马歇尔（Alfred Marshall）在承认杰文斯逻辑局部有效性的同时，强调指出市场弹性（如替代品出现）可能抵消杰文斯悖论的负面效应。此外，约瑟夫·熊彼特（Joseph Schumpeter）也指出，杰文斯显然忽视了“创造性破坏”——技术进步可能催生新资源（如电力替代煤炭），而非单纯扩大原资源消耗。在经验上，19世纪一些经济学家针对杰文斯研究中效率提高但总能耗增长的一些数据提出质疑，如杰文斯的数据涵盖了1840—1876年，Mundella（1878）基于其中1869—1876年的数据指出，尽管研究期内燃料效率和生铁生产总量都上升，但煤炭在生铁制造中的消费却在下降，没有证据表明燃料经济性和随之而来的价格降低导致了更多铁的生产，从而增加煤炭的消费，认为杰文斯所指的那种趋势在他所关注的近十年里可能已经逆转。Mundella（1978）还指出，杰文斯的分析仅限于生铁制造中的煤炭消费，忽略了其他行业的煤炭使用情况，单一行业研究可能无法全面反映煤炭消费的真实情况。虽然杰文斯本人当时回应了Mundella的质疑，但从后来关于能源效率—能耗规模的研究看，Mundella的质疑并非没有价值，因为能源效率与能耗规模的变动的确存在不同阶段的差异。
（三）关于杰文斯悖论的实证检验
针对杰文斯悖论是否存在及其效应大小的争议，后续研究转向了更丰富而广泛的实证检验，主要为通过对回弹效应的估计来研究技术效率与资源消耗的关系。一般而言，回弹效应可以被分为两类：一是直接回弹效应，指效率提升降低使用成本而刺激同一用途的需求（如更省油的车开更远），能够被分解为替代效应和收入效应。二是间接回弹效应，指资源节约释放的资本用于其他高耗能活动（如省油费后更多地坐飞机），能够被分解为隐含能源（Embodied Energy）和次级效应（Secondary Effects）。由于估计方法、数据样本的不同，对回弹效应的估计往往也存在较大的差异。在工业化国家，家庭能源服务的直接回弹效应通常为30%~50%。对于经合组织国家的大多数消费者能源服务，Sorrell和Dimitropoulos（2008）总结了多项估计结果，发现直接回弹效应不太可能超过30%，但整体经济回弹效应可能经常超过50%。对于不同回弹效应的估计，Gillingham等（2013）强调多种效应的加总并不等于综合效应，因为任何直接回弹效应都会减少可用于其他地方的资金量，一种效应的存在可能会削弱其他效应。由此，一些学者在可计算一般均衡（CGE）的框架下对回弹效应进行了估计。例如，Broberg等（2015）估计瑞典工业能源使用效率提高的回弹效应，发现使用效率提升5%之后的回弹效应为40%~70%。Du等（2019）估计了中国建筑业不同能源使用的回弹效应，发现天然气效率提高的回弹效应最大，平均为99.2%，电力效率提高的回弹效应最小，平均为83.47%。Liu等（2018）的研究表明，中国在1981—2015年间，尽管技术进步提高了能源效率，但产生了68%的回弹效应。王启超（2019）将考察期拓展为1952—2015年，发现中国能源消费的短期平均回弹效应是131.6%，最高达到216.4%，能源效率的提高增加了能源消费。
综上所述，杰文斯之后的时代不断见证着杰文斯的预言，只是不同领域、不同阶段的效率—规模回弹程度不同而已。如：自1990年以来，全球能源效率提高了33%，经济增长了80%，但全球能源使用量增长了40%。自1995年以来，航空燃料使用量/客位英里数下降了70%，航空交通量增长了10倍以上，但全球航空燃料使用量增长了50%以上。同时，越来越多的研究认为，Mundella早年的质疑是客观存在的，即能源效率提高在一定范围内与能源消费呈负相关，但在一定范围内也可能呈正相关。回弹效应往往随效率提升幅度呈“U”型——小幅度改进可能抑制消费，而大幅度改进更易触发悖论。换言之，在初期和中期阶段，能源效率的提高确实能够降低能源消费，但在达到一定的能源消费水平后，能源效率的提高反而会增加能源消耗。
三、数字经济时代的杰文斯悖论：特征及其表现
（一）信息生产与能量转化的演进
在人类顺应自然的历史进程中，核心任务在于将难以直接为人类所利用的原始能量高效转化为可用能量，信息和能量共同构成了人类技术演进的双重基础，从农业时代的历法、文字到工业时代的编码知识，信息在此过程中发挥着能量配置准则的核心作用。但是，作为能量系统的调用手段，信息的获取与运用本身需要消耗时间、人力、算力等投入资源，这些资源最终可量化为能量消耗。这种转化关系形成了信息与能量之间的经济性均衡：当信息处理耗能低于其带来的能量节约效益时，这类信息才具有市场价值；反之，即便技术上可行，经济理性也会将其排除于应用范畴之外。基于信息量函数与事件发生概率的负相关特性，降低信息成本的有效路径在于实现信息的规模化应用。通过持续积累特定领域的信息资产，可以显著降低同类事件处理所需的信息量。这种运作机制赋予信息应用两大显著属性：为实现信息编码的最小化，需要持续扩充有效信息储备并系统清除冗余数据；为提升经济效率，必须将离散信息固化为标准化操作指令。由此形成的信息生产的成本—收益结构表现为：信息生产前期需投入高额固定成本进行系统建设，但随着应用规模扩大，信息生产的边际成本持续下降甚至为零。这也是随着工业化的不断深化，数字经济逐步替代传统工业经济成为主要经济形态的重要原因。
在数字经济时代，数据成为关键生产要素。围绕数据的生成、存储和使用，信息技术效率与总体能耗的矛盾再次体现。从热力学的视角看，数据生产、存储、分析的终极目标是通过能量转化构建高价值信息体系——这一过程要求持续优化“信息产出/能源投入”的转化效率。自图灵机概念落地为实体计算机以来，人类一直致力于在单位能耗内获取更高质量的信息指令，这种追求体现为计算设备的每焦耳能量可完成的有效运算量（即算力密度）的指数级提升，其演进轨迹构成了数字文明不断进阶的物理基础。从数值上看：1946年诞生了世界上第一台通用计算机“ENIAC”，它由约18000个电子管构成，耗电功率约150千瓦，每秒钟可进行5000次加法运算，每度电对应12万次加法运算，而1976年在洛斯阿拉莫斯国家实验室安装的高级计算机CRAY-1，耗电功率约115千瓦，首次突破亿次浮点运算，且每秒能进行8000万次向量运算。2018年，当时世界上最快的计算机1秒钟能完成20亿亿次浮点运算，耗电2.7度，每度电完成7.5亿亿次，比20世纪60年代的计算机提高了7亿倍。到2022年，美国Frontier超级计算机以21兆瓦功耗达成1.1Exaflops（百亿亿次）持续算力，每度电完成52.3亿亿次浮点运算，较ENIAC时代增长20万亿倍。以不变价格计算，在20世纪60年代的大型机时代，1000美元大约每秒购买1次计算，2000年1美元每秒可购买10000个计算，2018年1美元每秒可购买10亿次计算。20世纪70年代以来，信息生产一直遵循着摩尔定律的功率密度法则（两年翻番）。这种信息单位能耗的不断降低，正是工业化后期信息生产体系能够从计算机化到网络化乃至智能化发展的根本原因。
（二）数字经济时代杰文斯悖论的机制特征
传统工业时代的杰文斯悖论是否存在，取决于能源效率提升与总能耗提高的相对速度。就回弹机制而言，数字经济时代也同样存在。因为计算机、互联网和物联网技术的快速发展，信息存储和传输处理的效率大幅提升，摩尔定律和人工智能的先进算法又提升了计算效率，随之而来的是信息需求的指数级增长。这种增长不仅体现在数据存储、传输和处理的规模上，还体现在对更强算力的需求上，从而直接导致全球数据中心和算力基础设施的能源消耗飙升。换言之，信息技术的进步和效率提高导致更大规模的信息需求和信息生产，这会降低信息成本，由此激发更大规模的信息消费和更广泛的信息生产。
尽管如此，数字经济时代的杰文斯悖论仍呈现出与传统工业文明截然不同的作用机制，其复杂性源于信息生产与能源消耗的二重性并存。在煤炭、电力主导的工业时代，技术效率提升引发的能源消耗回弹效应本质上是单向线性逻辑——蒸汽机热效率的提升使得单位产出的煤炭消耗降低，但工业规模的指数级扩张最终导致总能耗攀升。数字经济时代的特殊性在于，信息生产过程是能源消耗的过程，但信息本身又是物质能量调度的规则。一方面，数据生产全生命周期（采集、存储、计算）的能源消耗不容忽视，另一方面，数字技术通过精准建模、智能调度和系统优化，又能在交通、制造、建筑、电网等领域实现节能增效。这就使得数字经济时代的杰文斯悖论在存在回弹效应的同时具有一种节能的内在压缩机制，导致能源节约与消耗形成更为复杂的嵌套式循环。尤其特殊的是，数字经济时代的节能—耗能发生在虚拟数字空间和实体物质世界。例如：元宇宙发展理论上可减少实体资源消耗，但其渲染引擎的算力需求却使GPU集群能耗呈几何级数增长。区块链技术虽能优化供应链透明度，改善现实世界物流、交易认证的物质能量消耗，但区块链本身的计算耗电却不容小觑。这种虚实交织的能耗特性，使得数字经济时代的节能—耗能平衡点更难测算。
（三）数字经济时代杰文斯悖论的具体表现
如前所述，基于信息技术效率与能源消耗的关系，数字经济时代的杰文斯悖论主要存在于信息生产体系中，表现为数字经济规模与能源消耗总量的共同扩张。整体而言，从总能耗而非单位GDP能耗或碳排放的角度看，数字经济在数字产业化、产业数字化和数字价值化三个领域中都已经具有显著的经济规模和能耗扩张特征。早在移动互联网发展初期就有研究表明，1%的ICT投资增长带来0.25%的能源强度下降，但ICT普及引发经济规模和能耗的扩张，将会抵消50%~80%节能收益。随着数字技术向大数据、人工智能、5G和物联网领域的深入发展，总能耗的扩张已经显著地在相关领域中表现出来。
全球数据中心已经成为能源消耗的关键领域。国际能源署（IEA）发布的报告显示，2022年全球数据中心、人工智能和加密货币的耗电量达到460TWh，占全球能耗的近2%，且根据IEA预测，在最糟糕的情况下，到2026年这些领域的用电量将达1000TWh，与整个日本的用电量相当。尽管数字硬件技术的进步使单位计算任务的能耗下降，但由于大规模数据处理、云计算、人工智能训练等需求暴增，总体能源消耗仍然持续攀升。自1995年以来，每字节耗能减少了约1万倍，但全球数据流量增加了约100万倍，这导致全球用于数据运算的电量飙升。云系统是所有服务器、客户端与通信网络的集合，云计算是能源密度最高的活动之一，基于热力学模型的分析发现，功（收入）可以拓展了云系统的接口，能源使用量与累计收入成正比，且客户端的总能耗更为重要。
区块链技术，尤其是比特币等加密货币，其“工作量证明”（Proof of Work）机制要求大量计算能力来维持区块链网络的安全性，这种机制本质上是计算竞赛，导致全球范围内的挖矿活动消耗大量电力。根据剑桥比特币电力消耗指数（Cambridge Bitcoin Electricity Consumption Index），比特币网络的电力消耗从2019年的54.63TWh到2024年的158.72TWh，呈现出逐年上升的趋势，2025年电力消耗的理论区间为90.38TWh~340.03TWh。此外，5G网络的普及和物联网（IoT）的发展，使得数据交换量显著增加。智能家居、智能交通和工业自动化等领域，依赖于实时数据分析和云计算，从而进一步推动数据中心和边缘计算设备的能源消耗。Herrero等（2018）的研究表明，通过促进和传播生活方式的期望，智能家居技术可能会助长家庭不可持续的能源消费模式，进而导致增加的能源消耗超过潜在的效率和自动化的好处。
随着万物互联时代的来临，数字孪生将逐步普及，数据量将呈几何级数上升，所有传感器、软件和控制系统都会随时生成大量数据流。与此同时，数据生产的电子元器件也将产生大量的废弃物。仅自动驾驶一项就将每天产生泽字节（ZB）规模的数据，且需依赖高算力基础设施支持模型训练，而半导体制造又是数字孪生硬件的基础，晶圆制造、物联网设备电路板的贵金属都需要巨大的能源和物质消耗。在数字孪生时代，“复刻”一个与现实世界对应的动态数字世界，必然导致总能耗的急剧上升。
四、数字经济时代的杰文斯悖论：挑战与应对
（一）人工智能竞争的能耗挑战
近年来，人工智能（AI）的爆发式增长显著推动了算力需求的指数级攀升，同时也引发了严峻的能源消耗挑战。以GPT-4、Grok3等大模型为代表的AI技术，其训练所需的算力规模已突破历史阈值。例如：Grok3训练动用了20万张高性能GPU，算力需求是GPT-4的20倍，总能耗相当于中型城市数月的电力需求。以英伟达H100为例，其峰值功耗达700瓦，而GPT-4训练需2.5万张此类芯片，能源消耗惊人。AI能耗与可持续发展的平衡已经成为一个严峻的能源挑战。尽管过去近半个世纪以来的发展历程表明，总能耗的增长幅度远小于GPU功率密度的提高幅度，同时数字技术也能够促进原有经济活动能耗的节约，如在线教育、视频会议能够减少出行碳排放、优化生产流程以减少物质浪费等，但对激烈的AI竞争和大规模应用所带来的总能耗增长需持谨慎态度。曼哈顿研究所（The Manhattan Institute）的计算表明，随着AI超级计算机不断地模拟学习，仅AI能耗就将达到全球所有航空的能耗之和。
就中国而言，随着人工智能大模型、生成式人工智能等技术的普及，智能算力引领了总算力规模的扩张，其占比从2016年的3%快速提升到2022年的59.03%，预计在2026年将达到73%，承载算力的数据中心与算力应用都对电力能耗提出了较为强劲的需求。其中，生成式人工智能主要通过数字基础设施对能源产生影响，计算硬件和基础设施是隐含碳排放的主要来源。以GPT为代表的大模型训练能耗百倍于传统计算任务，单次ChatGPT请求耗电量是普通搜索的9.6倍。与此同时，GPU算力集群的集中部署对区域电网稳定性构成压力，如美国已出现因算力扩张导致的局部电力短缺。中国电网韧性虽较强，但2030年GPU算力耗电占比或达2.7%，接近重点行业规模。由此可见，中国人工智能领域快速增长的用电需求和电力能源结构的转型要求，构成了一对发展中的长期矛盾。
从技术进步的视角来看，人工智能竞争与实现双碳目标的矛盾通常围绕数字经济发展能否降低碳排放强度这一问题展开。从理论上说，一方面，数字经济发展能显著降低碳排放强度，推动产业数字化、智能化升级，使生产资源向低碳领域配置，实现碳减排目标。另一方面，数字经济发展需要扩大新基建，数字产品更新迭代、相关硬件设施需要不断升级，这些都会导致能源密集型技术生产比重增加，从而增加碳排放。经验上的研究则聚焦于对杰文斯悖论的检验。如：Congqi等（2023）基于2011—2021年中国部分省份的研究发现，数字经济发展对碳排放的影响呈现出明显的倒“U”型关系。Huang和Lin（2025）通过建立能源需求的随机前沿模型发现，2011—2021年中国数字经济显著促进了能源的回弹效应，能源平均回弹效应为55.1%。滕颖和郑宇航（2023）通过对制造企业数字化转型过程进行研究发现，2012—2020年中国企业碳排放总量伴随数字化转型而呈现上升趋势，存在杰文斯悖论。
（二）实现双碳目标的关键问题
在碳中和进程中推动中国经济高质量发展，要求经济增长尽可能与化石能源消费和能源电力需求增长脱钩，在保证电力能源稳定供应的前提下形成非化石能源主导的能源结构。在2030年实现碳达峰、2060年实现碳中和的目标下，中国既要完成数字经济制高点的竞赛，又要完成传统产业结构数字化、智能化和绿色化转型。在全球人工智能竞争中，人工智能具有高固定成本、低边际成本、跨领域应用等技术特征，能够发挥规模效应与范围效应。美国的头部企业率先实现研发积累并获得了较强的竞争能力和垄断势力，英伟达CPU算力垄断成为人工智能性能提升的瓶颈，微软、亚马逊等云计算巨头通过控制算力和数据链进行垂直整合挤压竞争。这种竞争实质上是大国之间基于规模报酬递增的竞争，协调效应与学习效应在技术竞争中得到重视。一旦决定比较优势的技术差距缩小，先发国家就更倾向于全面打压后发国家甚至“脱钩”。基于此，中国等其他国家要么被迫放弃人工智能的自主权，要么进入低经济效益、高投入成本的持续追赶过程。显然，在人工智能竞争中把握自主权是中国实现高水平安全与高质量发展的必然选择，而在人工智能竞争过程中坚持推进双碳战略则是高水平安全与高质量发展的应有之义。在推动智能化与绿色化协同发展的过程中，矛盾主要聚焦于信息生产体系的扩张与其带来的能源消耗变大问题。在“数据+连接”这一信息生产体系的建设与发展过程中，中国既面临着总能耗尤其是减排目标的挑战，也面临着单位信息能耗的挑战。一般而言，如果说信息单位能耗决定着信息生产体系技术线路的可行性，那么由此引发的总能耗则在碳排放的总量意义上构成信息生产体系的能量约束。在总能耗必然增长的趋势下，降低单位GDP的碳排放，进而通过碳中和的方式达到相对“零排放”的状态，是应对气候变化和推动社会经济可持续发展的根本方向。
1.总能耗
就总能耗而言，尽管目前中国人均碳排放远低于世界发达国家水平，但仍然是世界上最大的碳排放国家，尤其是当前中国经济发展面临新旧动能、新旧产业部门转换，既要面对传统工业化的高碳路径依赖，又要面临信息化与算力需求的爆发式增长所带来的能源饥渴。中国工业部门碳排放量占全国碳排放量比例仍然较高，钢铁、化工等高耗能行业仍处于转型升级阵痛期。尽管通过技术升级，单位GDP能耗逐年下降，但经济总量扩张仍导致能源消费总量持续攀升。中国作为全球最大能源消费国，2024年能源活动相关二氧化碳排放达106.6亿吨，其中煤炭燃烧产生的碳排放量占比约75%，煤炭达峰进程直接影响中国碳达峰时间。与此同时，随着中国数字经济的快速发展，与之对应的总能耗也在快速上升，作为数字经济基础设施的数据中心已成为继钢铁、化工、水泥等八大重能耗行业之后的第九大能耗行业。2018年，全国数据中心的总用电量达到1608.89亿千瓦时，占中国全社会用电量的2.35%；根据《数据中心综合能耗及其灵活性预测报告》的模拟，中国数据中心在2024—2030年的用电量年均增速将达约20%，在2030年总用电量将达到5257.6亿千瓦时，占全社会用电量的4.8%。除了耗电量高之外，数据中心使用的大比例化石能源所带来的空气污染与碳排放问题也尤为突出。如：在2018年的用电总量中约有1171.81亿千瓦属于火电，在使用这部分电量的过程中，共计排放了9855万吨的二氧化碳、2.34万吨的二氧化硫、2.23万吨的二氧化物和0.49万吨的烟尘。
2.单位信息能耗
在单位信息能耗方面，人工智能如果一直走不断增加模型参数、叠加芯片的技术路线，在巨大算力需求的基础上，能源效率难以提升，对能源资源和生态环境造成的压力也将持续加大。沿着这一条道路展开的全球人工智能竞争，势必会在能耗提升的效率竞争中走向全球环境治理的公地悲剧。DeepSeek通过模型架构的算法创新，试图以低成本、高效率、开放等特征打破算力瓶颈，其技术革新不仅打破了硅谷巨头主导的算力霸权，更以开源模型、算法优化和能效突破为核心，重新定义了人工智能发展的技术路径与能源逻辑。这意味着在OpenAI、谷歌等企业依赖堆砌芯片数量和能耗的路径之外，存在更节约能源的性能提升模式。根据斯坦福以人为中心的人工智能研究所（Stanford Institute for Human- Centered Artificial Intelligence）发布的调查报告，2023年传统大模型GPT-4的训练成本为7800万美元，而Gemini Ultra则高达1.91亿美元。相较之下，Deepseek仅投入了600万美元的训练成本就达到了比拟乃至超出传统大模型的高效率。这一技术突破的示范意义在于，中国的新质生产力发展兼具绿色—智能特征，不仅要求关键领域对国际技术前沿的追赶，更强调突破性、颠覆性创新对技术轨迹的变迁与增强。
3.能源结构转型
在单位计算效能经济性得到提高之后，能源消耗的压力集中体现在能源结构转型上。正如杰文斯悖论所揭示的，重要领域技术效率的提升往往会导致更多的直接或间接使用需求，能源消耗在总量上将呈现上升趋势。在Deepseek开源战略下，行业准入门槛大幅降低，更多系统得以接入创新应用，随着应用场景的拉动，以Deepseek为代表的一系列人工智能的效能将会得到进一步提升，形成技术供给—场景需求的良性循环，人工智能就能以更低成本和更高效率赋能国民经济生产、分配、交换与消费的各个环节，但这同时也意味着能源消耗的回弹效应将放大。对Deepseek的密集访问和广泛接入带动了智能算力需求的增长和分层，也从技术层面要求智算中心由简单的算力提供商向专业服务商的转型发展。这一过程本身，不仅是人工智能技术的扩散，还是经济结构转型、产业数字化升级的表现。从能源的角度而言，就是允许总能耗上升的过程中控制好碳排放总量。
（三）信息效率与能源消耗共生困境的治理之道
化解信息效率与能源消耗的共生困境不能仅仅依赖技术创新和能源的清洁化转型，还需要一系列的制度与政策引导，进一步地实现效率提升和成本节约。具体而言，就是要通过制度创新完善算力资源配置机制。因此，本文从以下四个方面提出信息效率与能源消耗共生困境的治理路径：
1.在智算中心发展上做好技术选型
在充分把握人工智能发展技术路线前景的基础上，做好智算中心的技术选型，避免陷入技术适配陷阱而叠加资源与能耗风险。技术选型的失误会积累技术债，随着时间的推移，这些“债务”会带来“利息”。智算中心可能在长期发展过程中具有更高的维护费用、更低的服务性能、更窄的拓展空间，算力服务的提供也因适配问题而增加资源能耗。由此，对技术路线的长期研判及技术选型的适应调整成为效率持续提升的基础，信息生产与使用效率的提升将促进能源消耗的节约。
2.在智算中心规划上回应分层需求
在推动智能算力基础建设的过程中，依据算力应用的分层需求进行整体规划，提升智算中心的利用率。目前，新一代人工智能Deepseek的技术创新极大地降低了人工智能的研发和应用成本，衍生出更多层次的需求。由于不同应用需求所需的算力服务存在一定的差异性，缺乏整体规划则可能导致智算中心算力服务供给与算力服务需求的结构性矛盾，难以满足的算力需求与长期闲置的算力供给并存。如此，通过需求分层的整体规划，算力匹配的更高效率将促进信息效率提升与能源消耗下降。
3.在算力布局上因地制宜
在算力布局方面更注重因地制宜，着力提高智能计算相关产业的空间效率。从智算产业的发展来看，产业上的先后次序、空间上的集中分散等都是人工智能发展与双碳目标约束下的重点内容。一般而言，经济集聚对绿色经济效率的影响可能存在先促进后抑制的作用，现阶段中国需要继续加强第二和第三产业的集聚程度，尤其值得注意的是，经济集聚同样是数字经济抑制碳排放的重要机制，这与因地制宜发展新质生产力的指向相契合。同时，智算产业的落地需要相应的社会经济环境，如技术研发、人才支持等，将资源配置到更具经济效益的地方，这更容易促进其空间集中而发挥集聚效应，走集约型绿色发展的道路。与此同时，健全因地制宜发展新质生产力体制机制，促进算力资源及其相关产业在空间上的合理布局也有助于整体信息效率提升与能源消耗下降。
4.在算力市场上谋划布局
在全国统一大市场的建设中培育和规范算力市场。从布局算力基础设施发展到算力产业，再到建设算力交易市场，符合数字经济发展的要求。如前所述，算力基础设施、算力产业都要求前瞻性布局，算力的不平衡发展又要求算力交易市场的一体化建设。当前，在中国算力市场一体化建设的实践中，区域参与一体化行动的正外部效益未能得到有效回应，表现为算力产业布局的财税利益横向流失与低碳经济未受关注而生态环境破坏。由此，在智能算力以不平衡布局促进效率提升的过程中，还要实现区域间的互联互通，充分发挥算力市场一体化的整体效益，促进算力服务市场与生态产品市场的联系协同。在此情境下，智能与绿色的协同互促将更好地破解信息效率与能源消耗的共生困境。
五、结语
2025年3月5日，第十四届全国人民代表大会第三次会议听取和审议的《政府工作报告》明确指出，要“激发数字经济创新活力”“协同推进降碳减污扩绿增长，加快经济社会发展全面绿色转型”。这对持续推进创新发展与绿色发展提出了新要求。受制于杰文斯悖论，技术创新的效率提升在带来经济增长的同时，往往会扩大能源消耗总量。数字经济时代的杰文斯悖论集中表现为信息生产体系扩展中信息效率与能源消耗的共生困境。在中国经济高质量发展阶段，又聚焦于人工智能竞争与双碳目标的局部矛盾，亦即智能化与绿色转型的对立统一。针对杰文斯悖论的形成、表现与治理，把握智能与绿色这两条政策主线，进而平衡和协调经济增长目标与资源环境约束，需要技术创新与制度创新的导向。
信息效率提升能够以信息生产成本的降低促进信息需求增长，因此杰文斯悖论中的回弹效应依然存在于数字经济时代。但与工业经济不同，数字经济的发展以信息生产体系的扩大为基础，信息生产过程是能量消耗的过程，而信息又是调动物质能量的规则。由此，数字技术的创新与推广，在提升信息效率从而带来信息需求增长的同时，又能够以信息的高效使用降低不确定性，进而减少物质能量调动的损耗。数据要素是数字经济时代的基础性生产要素，在数据供给端，数据生产、加工、存储等诸多领域的扩展都会带来能源消耗的回弹。而在数据需求端，数据使用又能够通过智能系统优化助推实体经济的节能增效。这实际上形成了数字经济特有的双向能源消耗回弹效应，使能源节约与消耗形成更为复杂的嵌套式循环，同时发生在虚拟数字空间和实体物质世界。
经验表明，杰文斯悖论存在发展的阶段性特征，人均国民收入较低的发展中国家往往拥有更大的能源消耗回弹效应。对于现阶段中国来说，推进数字经济创新发展是中国经济高质量发展的必由之路。实践可知，数字产业化、产业数字化与数字价值化三个领域都已经具有显著的经济规模和能源消耗扩张特征。智能与绿色这两大发展主线呈现出对立统一关系，具体围绕人工智能竞争与电力能源结构转型而展开：人工智能相关产业的规模扩大推动算力需求的快速扩张，对电力能源造成了较大的压力，双碳目标又对人工智能发展施加了资源环境约束；新近人工智能的发展表明，技术创新的突破性进展能够促进智能与绿色的统一，即存在更节约能源消耗的技术路径使得单位计算的效能得以提高。
要破解数字经济时代的杰文斯悖论、化解信息效率与能源消耗的共生困境，除了推动资源节约型技术的创新和使用外，还要通过制度创新完善算力资源配置机制。具体而言，要在智算中心发展导向层面，做好技术选型、避免适配陷阱；在智算中心整体规划层面，针对分层需求、缓解供需矛盾；在算力布局方面，做到因地制宜、提升空间效率；在算力市场方面，推进一体化建设、致力于智能与绿色的协同共进。
（来源：《企业经济》2025年第7期）
