2026-06-18 — views
实体AI能源基准——AV车队充电、Dojo算力耗电与人形机器人电池续航
AV车队充电需求、Dojo训练耗电与人形机器人电池续航全面量化——能源成本是实体AI经济学中被低估的关键变量。
实体AI基准系列第114篇——实体AI能源基础设施：AV车队充电需求、Dojo训练算力耗电、人形机器人电池续航，以及为何能源成本在AV经济学中被严重低估
实体AI是一个高度耗能的产业。与运行于集中式数据中心的软件AI不同——后者的能源成本可分摊至数百万次推理调用——实体AI系统在真实世界运作：于公共道路、仓储、工厂，其能源消耗以每台设备、每小时计算，直接影响每台部署机器的运营经济效益。一支AV车队需要高容量的车库充电基础设施。如Tesla Dojo与Google TPU农场等训练算力集群，消耗大量电力以生产在车辆上运行的模型。人形机器人搭载机载电池，决定其每次充电后可提供多少小时的有效工作。在每种情况下，每单位产出的能源成本，都以业界尚未充分纳入公开基准评估的方式影响实体AI部署的经济效益。
本文将能源作为实体AI发展的结构性基准维度加以量化。第1节量化规模化AV车队充电需求；第2节分析车库充电基础设施需求与成本；第3节检视Dojo及同等GPU集群的训练算力能耗；第4节全面整理目前商业及研究平台的人形机器人电池续航约束；第5节将能源成本纳入跨地理的AV经济模型，探讨电价差异的影响。所有数字均为来自公开资料的估算，标注”（估）“者为依第一原则推算的方向性数据。
第1节 — AV车队充电：规模化能源需求
AV车队的能源需求与车辆数量和行驶模式线性相关，但绝对数字已大到足以在规划车库基础设施和评估运营成本时不可忽视。以下表格根据现有及假设AV部署的已知车辆数量与电池规格，建立车队能源需求模型。
| 车队场景 | 车辆数 | 每车每日耗电 | 车队每日总耗电 | 年度需求 |
|---|---|---|---|---|
| Waymo 凤凰城车队（估） | ~1,100辆（估） | ~88 MWh/日（估） | ~32 GWh/年（估） | |
| Waymo 旧金山车队（估） | ~700辆（估） | ~80 kWh/日（估） | ~56 MWh/日（估） | ~20 GWh/年（估） |
| Tesla 机器人出租车（假设1万辆） | 10,000 | ~70 kWh/日（估，Model Y LR） | ~700 MWh/日（估） | ~255 GWh/年（估） |
| Cybercab车队（假设10万辆） | 100,000 | ~40 kWh/日（估，目标更小电池） | ~4,000 MWh/日（估） | ~1.46 TWh/年（估） |
| 背景：美国年度总电力消费 | — | — | ~4,000 TWh/年 | 10万辆Cybercab车队约占美国用电0.037%（估）——在可管控范围内 |
此需求模型揭示几项重要观察。首先，Waymo目前在凤凰城的1,100辆车队每年消耗约32 GWh，相当于约3,000个美国家庭的年均用电量，但对于在专用车库提供服务的商业电力公司而言，完全在可服务范围之内。其次，Tesla假设中的1万辆机器人出租车车队每年需约255 GWh，是前者的一个数量级。第三，10万辆Cybercab情境下的1.46 TWh/年，在美国电力供应中是显著但可管控的比例。对车队运营商而言，重要的不是全国占比，而是特定车库地点的当地电网容量，以及这些地点的电力基础设施是否能承载充电负载。
第2节 — 车库充电基础设施需求
AV车队运营商必须建置或租用与车辆数量及运营排程相匹配的车库充电基础设施。充电类型的选择决定了车库的资本成本与车队的运营灵活性——特别是充电后车辆重返服务所需的时间。
| 充电类型 | 每桩功率 | 充满时间 | 最适情境 | 每桩成本（估） |
|---|---|---|---|---|
| Level 2 交流（J1772） | 7-19 kW | 4-12小时 | 隔夜车库充电 | 已安装$3K-8K（估） |
| 直流快充（CCS/CHAdeMO） | 50-150 kW | 30-60分钟 | 班次中补电、高周转车队 | 已安装$15K-40K（估） |
| 超快速直流（350 kW） | 350 kW | 10-15分钟 | 近全天候运营车队 | 已安装$50K-100K（估） |
| Tesla超充V3 | 250 kW | 15-25分钟 | Tesla机器人出租车（超充网络） | 基础设施已建成 |
| AV车队最优方案 | 隔夜用Level 2 + 班次中补电用直流快充 | — | 车队混合充电策略 | Level 2为基础；直流快充用于高周转 |
| Waymo凤凰城车库（估） | ~100-200个Level 2充电桩（估） | 隔夜充电窗口 | 在凌晨2-6时低需求时段充电 | 车库充电安装费$1M-3M（估） |
对于能在可预期的隔夜窗口将车辆返回车库的车队而言，Level 2交流充电（7-19 kW）是最具成本效益的基础方案。一块90 kWh电池以11 kW（L2）从接近空电充至满电，约需8小时，完全符合隔夜车库窗口。每桩$3K-8K的已安装成本，使其成为基础充电负载的经济最优选择。
Tesla超充网络对机器人出租车情境是结构性优势：250 kW V3超充站已部署于数千个地点，提供分散式的班次中补电选项，而商业车队运营商若要达到同等效果，则需从头建置。
第3节 — 训练算力能耗：Dojo与TPU集群
训练驱动实体AI系统之AI模型所消耗的能源，与车队运营充电是截然不同的成本类别。训练能耗类似于资本支出——预先投入以产生模型能力，再部署至整个车队。
| 系统 | 功耗（估） | 年度能耗（估） | 以$0.05/kWh计算成本（估） | 说明 |
|---|---|---|---|---|
| Tesla Dojo ExaPOD（单个） | ~3-10 MW连续（估） | ~26-88 GWh/年（估） | $1.3M-4.4M/年（估） | Dojo D1针对效率优化；确切TDP未公开 |
| NVIDIA H100集群（等效1万GPU） | ~35 GWh/年（估） | $1.75M/年（估） | H100 TDP~700W；含冷却的集群有效值约400W/GPU（估） | |
| Google TPU v4 Pod（Waymo训练） | 与H100集群范围相近（估） | — | — | Google使用可再生能源；有效碳成本较低 |
| 背景 | Dojo能源成本在规模化后是重要的运营费用项目 | — | 多ExaPOD Dojo：每年电费潜在达$10M-50M（估） | 但训练出能减少事故的更好模型，其价值远超训练能源成本 |
| 能源效率指标 | 每训练FLOP成本：竞争的关键指标 | Dojo vs H100的FLOP/Watt：未公开 | — | 若Dojo的FLOP/Watt优于H100，规模化后能源优势将复利增长 |
训练算力表格最重要的观察是：即便在高估值下（单个ExaPOD每年$4.4M），训练能源成本相对于开发竞争性自动驾驶系统所需的总投资而言，仍是相当有限的一部分。Tesla的Dojo投资以数十亿美元的硬件资本计算；运行该硬件的年度电费比硬件折旧成本低一个数量级。
FLOP/Watt效率是真正重要的指标——每瓦电力能提供多少有效训练浮点运算。Tesla设计Dojo D1芯片时以此为目标，旨在超越商品GPU集群在视频自动驾驶训练特定计算模式上的表现。若Dojo实现更好的FLOP/Watt，则规模化后能源优势将复利增长。
第4节 — 人形机器人电池续航：运营时长的瓶颈
对人形机器人而言，机载电池续航是直接决定任何部署场景商业可行性的运营制约。一台每90分钟需要充电的机器人，若不配备多个电池快换或长时间停机充电方案，便无法持续工作一个完整班次。
| 机器人 | 电池容量（估） | 每次充电续航（估） | 充电时间（估） | 运营意涵 |
|---|---|---|---|---|
| Tesla Optimus | 未公开；~2 kWh（估，依外形推算） | ~4-8小时主动操作（估） | ~1-2小时（估） | 工厂部署：每班次一次充电；需连续作业时快换电池 |
| Boston Dynamics Atlas | ~2-3 kWh（估） | ~1-2小时（估） | ~1小时（估） | 研究机器人；低续航限制商业效用 |
| Unitree H1 | ~1.5-2小时（估） | ~2-3小时（估） | 研究级；比商业目标续航更短 | |
| Unitree G1 | ~400 Wh（估） | ~1-2小时（估） | ~1-2小时（估） | 低成本 = 更小电池；明显的取舍 |
| Figure 02 | 未公开 | ~4-8小时目标（估） | — | 商业部署需达班次级续航 |
| Agility Digit | 未公开 | ~4小时（估） | — | Amazon仓储部署；休息时充电 |
| 商业目标 | 每次充电8小时以上，或30分钟内完成热插拔 | — | 不停机班次级作业 | — |
| 现有差距 | 多数人形机器人1-4小时；商业目标8小时以上 | — | — | 电池技术是运营时长的瓶颈 |
电池技术的限制比表格呈现的更为严峻，因为续航数字通常代表实验室或轻负载条件。在高扭矩操作任务下——搬运箱子、操作工具、爬楼梯——机器人的电流消耗远高于轻度巡检或静止状态。商业工况下的实际运营续航可能比标称电池寿命低30-50%（估）。
目前电池续航与8小时以上班次级运营需求之间的差距，有两种潜在解决方案：提升电池能量密度，以及热插拔电池系统。两者均为工程上可解决的问题，但都增加了设计复杂性与成本。
第5节 — 能源成本作为AV经济学变量
电价的地理差异在AV车队运营成本中造成显著差别，但这一因素尚未被系统性纳入公开的AV经济模型。美国商业电价在最低成本市场（德克萨斯州及亚利桑那州部分地区）与最高成本市场（加利福尼亚州）之间相差约四倍。
| 地理位置 | 商业电价（估） | 每AV里程能源成本（估） | 每车年度能源成本（估） |
|---|---|---|---|
| 亚利桑那州凤凰城 | ~$0.06-0.08/kWh（估，APS/SRP商业） | ~$0.003-0.004/英里（估） | ~$150-200/车/年（估） |
| 加州旧金山 | ~$0.20-0.25/kWh（估，PG&E商业） | ~$0.010-0.013/英里（估） | ~$500-650/车/年（估） |
| 纽约市 | ~$0.15-0.20/kWh（估，ConEd商业） | ~$0.008-0.010/英里（估） | ~$400-500/车/年（估） |
| 德克萨斯州（ERCOT） | ~$0.06-0.09/kWh（估，开放竞争市场） | ~$0.003-0.005/英里（估） | ~$150-250/车/年（估） |
| 意涵 | 凤凰城和德州电价比旧金山低约3-4倍 | — | 凤凰城/德州AV每车每年能源成本优势比旧金山多$300-450（估） |
| 1,000辆车队 | 旧金山vs凤凰城能源成本差距：每年~$300K-450K（估） | — | 相对于$15M-30M的车库运营成本不算主导，但仍值得优化 |
每车每年$300-450的能源成本差距是真实但非主导的AV成本结构因素。能源成本具有战略意义的原因，在于其与其他地理变量的交互关系。凤凰城不仅电价低廉，还具备适合AV全天候运营的有利气候、较低的城市驾驶复杂度，以及宽松的监管环境。能源成本差异只是在多个成本类别同时产生复合效应的更广泛地理经济优势的一个组成部分。
对于车库基础设施，车库地点的电价还影响直流快充与Level 2充电的经济性。在$0.06/kWh（凤凰城），一块90 kWh电池从空电充满成本约$5.40；在$0.23/kWh（PG&E商业），同样一次充电成本约$20.70。对1,000辆每日完成一次完整充电循环的车队而言，这是每年约$550万与$2,070万的差距（估）——在Waymo正在瞄准的车队规模下，这一差距不可忽视。
第6节 — 为何能源是被低估的基准维度
能源成本在AV经济分析中历来被低估，有其合理原因：在目前的AV车队规模下，能源成本相对于车辆折旧、车库运营和远程协助人力而言确实较小。然而，随着规模扩大至数十万辆，绝对的车队层级年度电力支出、车库基础设施资本需求，以及电价与地理部署策略的交互作用，都将使能源成为一阶变量。
10万辆AV车队在$0.20/kWh下每年电费达$2.92亿；在$0.07/kWh下则为$1.02亿。这$1.9亿的差距在全国规模的AV经济效益中是重要的。训练算力能耗随着模型规模和训练时间增长，也将使FLOP/Watt效率成为前沿模型训练中越来越重要的竞争差异化因素。
对人形机器人，电池续航不是被低估的变量——业界普遍认知这是关键制约。被低估的是系统层级的能源经济学：每有效任务小时的能源成本，以及这一成本与被取代的人工成本之间的比较。一台消耗2 kWh/班次（4小时）的机器人，在$0.10/kWh下每班次能源成本仅$0.20——可以忽略不计。制约因素是电池续航（运营时长）和机器人本身的资本成本，而非每度电的电价。
基准结论是：能源在当前实体AI经济中是二阶变量——值得追踪，在规模化后具有重要意义，但在目前的车队规模下不是决定成败的主要差异因素。当实体AI从数千台扩展至数十万台部署单元时，能源将成为一阶变量。
注意： 所有标注”（估）“的数字，均为根据公开规格、EIA电价数据及第一原则建模的方向性估算（截至2026年中期）。AV车队规模、Dojo功耗及人形机器人电池规格未必由运营商统一公开；估算数字应视为数量级基准。本文不构成投资建议。
来源
- Tesla 能源消耗数据 — Tesla ↗
- Waymo 车队运营 — Waymo ↗
- NVIDIA H100 功耗规格 — NVIDIA ↗
- Unitree G1 规格 — Unitree ↗
- 美国商业电价 — EIA ↗