2026-06-18 — views
實體AI能源基準——AV艦隊充電、Dojo算力耗電與人形機器人電池續航
AV艦隊充電需求、Dojo訓練耗電與人形機器人電池續航全面量化——能源成本是實體AI經濟學中被低估的關鍵變數。
實體AI基準系列第114篇——實體AI能源基礎建設：AV艦隊充電需求、Dojo訓練算力耗電、人形機器人電池續航，以及為何能源成本在AV經濟學中被嚴重低估
實體AI是一個高度耗能的產業。與運行於集中式資料中心的軟體AI不同——後者的能源成本可分攤至數百萬次推論呼叫——實體AI系統在真實世界運作：於公共道路、倉儲、工廠，其能源消耗以每台設備、每小時計算，直接影響每台部署機器的運營經濟效益。一支AV車隊需要高容量的車庫充電基礎建設。如Tesla Dojo與Google TPU農場等訓練算力叢集，消耗大量電力以生產在車輛上運行的模型。人形機器人搭載機載電池，決定其每次充電後可提供多少小時的有效工作。在每種情況下，每單位產出的能源成本，都以業界尚未充分納入公開基準評估的方式影響實體AI部署的經濟效益。
本文將能源作為實體AI發展的結構性基準維度加以量化。第1節量化規模化AV艦隊充電需求；第2節分析車庫充電基礎建設需求與成本；第3節檢視Dojo及同等GPU叢集的訓練算力能耗；第4節全面整理目前商業及研究平台的人形機器人電池續航約束；第5節將能源成本納入跨地理的AV經濟模型，探討電費差異的影響。所有數字均為來自公開資料的估算，標注「（估）」者為依第一原則推算的方向性數據。
第1節 — AV艦隊充電：規模化能源需求
AV艦隊的能源需求與車輛數量和行駛模式線性相關，但絕對數字已大到足以在規劃車庫基礎建設和評估運營成本時不可忽視。以下表格根據現有及假設AV部署的已知車輛數量與電池規格，建立艦隊能源需求模型。
| 艦隊場景 | 車輛數 | 每車每日耗電 | 艦隊每日總耗電 | 年度需求 |
|---|---|---|---|---|
| Waymo 鳳凰城艦隊（估） | ~1,100輛（估） | ~88 MWh/日（估） | ~32 GWh/年（估） | |
| Waymo 舊金山艦隊（估） | ~700輛（估） | ~80 kWh/日（估） | ~56 MWh/日（估） | ~20 GWh/年（估） |
| Tesla 機器人計程車（假設1萬輛） | 10,000 | ~70 kWh/日（估，Model Y LR） | ~700 MWh/日（估） | ~255 GWh/年（估） |
| Cybercab艦隊（假設10萬輛） | 100,000 | ~40 kWh/日（估，目標更小電池） | ~4,000 MWh/日（估） | ~1.46 TWh/年（估） |
| 背景：美國年度總電力消費 | — | — | ~4,000 TWh/年 | 10萬輛Cybercab艦隊約佔美國用電0.037%（估）——在可管控範圍內 |
此需求模型透露幾項重要觀察。首先，Waymo目前在鳳凰城的1,100輛艦隊每年消耗約32 GWh，相當於約3,000個美國家庭的年均用電量，但對於在專用車庫提供服務的商業電力公司而言，完全在可服務範圍之內。其次，Tesla假設中的1萬輛機器人計程車艦隊每年需約255 GWh，是前者的一個數量級。第三，10萬輛Cybercab情境下的1.46 TWh/年，在美國電力供應中是顯著但可管控的比例。對車隊運營商而言，重要的不是全國佔比，而是特定車庫地點的當地電網容量，以及這些地點的電力基礎建設是否能承載充電負載。
第2節 — 車庫充電基礎建設需求
AV車隊運營商必須建置或租用與車輛數量及運營排程相匹配的車庫充電基礎建設。充電類型的選擇決定了車庫的資本成本與車隊的運營靈活性——特別是充電後車輛重返服務所需的時間。
| 充電類型 | 每樁功率 | 充滿時間 | 最適情境 | 每樁成本（估） |
|---|---|---|---|---|
| Level 2 交流（J1772） | 7-19 kW | 4-12小時 | 隔夜車庫充電 | 已安裝$3K-8K（估） |
| 直流快充（CCS/CHAdeMO） | 50-150 kW | 30-60分鐘 | 班次中補電、高周轉車隊 | 已安裝$15K-40K（估） |
| 超快速直流（350 kW） | 350 kW | 10-15分鐘 | 近全天候運營車隊 | 已安裝$50K-100K（估） |
| Tesla超充V3 | 250 kW | 15-25分鐘 | Tesla機器人計程車（超充網路） | 基礎建設已建成 |
| AV艦隊最佳方案 | 隔夜用Level 2 + 班次中補電用直流快充 | — | 艦隊混合充電策略 | Level 2為基礎；直流快充用於高周轉 |
| Waymo鳳凰城車庫（估） | ~100-200個Level 2充電樁（估） | 隔夜充電窗口 | 在凌晨2-6時低需求時段充電 | 車庫充電安裝費$1M-3M（估） |
對於能在可預期的隔夜窗口（通常為凌晨2時至6時，乘車需求最低時段）將車輛返回車庫的艦隊而言，Level 2交流充電（7-19 kW）是最具成本效益的基礎方案。一塊90 kWh電池以11 kW（L2）從接近空電充至滿電，約需8小時，完全符合隔夜車庫窗口。每樁$3K-8K的已安裝成本，使其成為基礎充電負載的經濟最優選擇。
Tesla超充網路對機器人計程車情境是結構性優勢：250 kW V3超充站已部署於數千個地點，提供分散式的班次中補電選項，而商業車隊運營商若要達到同等效果，則需從頭建置。
第3節 — 訓練算力能耗：Dojo與TPU叢集
訓練驅動實體AI系統之AI模型所消耗的能源，與車隊運營充電是截然不同的成本類別。訓練能耗類似於資本支出——預先投入以產生模型能力，再部署至整個車隊。理解訓練能源成本，有助於量化建設更佳自動駕駛模型所需的投資，並將能源效率確立為訓練算力的競爭維度。
| 系統 | 功耗（估） | 年度能耗（估） | 以$0.05/kWh計算成本（估） | 說明 |
|---|---|---|---|---|
| Tesla Dojo ExaPOD（單個） | ~3-10 MW連續（估） | ~26-88 GWh/年（估） | $1.3M-4.4M/年（估） | Dojo D1針對效率優化；確切TDP未公開 |
| NVIDIA H100叢集（等效1萬GPU） | ~35 GWh/年（估） | $1.75M/年（估） | H100 TDP~700W；含冷卻的叢集有效值約400W/GPU（估） | |
| Google TPU v4 Pod（Waymo訓練） | 與H100叢集範圍相近（估） | — | — | Google使用再生能源；有效碳成本較低 |
| 背景 | Dojo能源成本在規模化後是重要的運營費用項目 | — | 多ExaPOD Dojo：每年電費潛在達$10M-50M（估） | 但訓練出能減少事故的更好模型，其價值遠超訓練能源成本 |
| 能源效率指標 | 每訓練FLOP成本：競爭的關鍵指標 | Dojo vs H100的FLOP/Watt：未公開 | — | 若Dojo的FLOP/Watt優於H100，規模化後能源優勢將複利增長 |
訓練算力表格最重要的觀察是：即便在高估值下（單個ExaPOD每年$4.4M），訓練能源成本相對於開發競爭性自動駕駛系統所需的總投資而言，仍是相當有限的一部分。Tesla的Dojo投資以數十億美元的硬體資本計算；運行該硬體的年度電費比硬體折舊成本低一個數量級。訓練能源成本在規模化時確實重要，但並非訓練算力經濟學的核心制約因素。
第4節 — 人形機器人電池續航：運營時長的瓶頸
對人形機器人而言，機載電池續航是直接決定任何部署場景商業可行性的運營制約。一台每90分鐘需要充電的機器人，若不配備多個電池快換或長時間停機充電方案，便無法持續工作一個完整班次。目前人形機器人電池續航的現狀，代表了研究級能力與商業部署需求之間最顯著的差距之一。
| 機器人 | 電池容量（估） | 每次充電續航（估） | 充電時間（估） | 運營意涵 |
|---|---|---|---|---|
| Tesla Optimus | 未公開；~2 kWh（估，依外形推算） | ~4-8小時主動操作（估） | ~1-2小時（估） | 工廠部署：每班次一次充電；需連續作業時快換電池 |
| Boston Dynamics Atlas | ~2-3 kWh（估） | ~1-2小時（估） | ~1小時（估） | 研究機器人；低續航限制商業效用 |
| Unitree H1 | ~1.5-2小時（估） | ~2-3小時（估） | 研究級；比商業目標續航更短 | |
| Unitree G1 | ~400 Wh（估） | ~1-2小時（估） | ~1-2小時（估） | 低成本 = 更小電池；明顯的取捨 |
| Figure 02 | 未公開 | ~4-8小時目標（估） | — | 商業部署需達班次級續航 |
| Agility Digit | 未公開 | ~4小時（估） | — | Amazon倉儲部署；休息時充電 |
| 商業目標 | 每次充電8小時以上，或30分鐘內完成熱插拔 | — | 不停機班次級作業 | — |
| 現有差距 | 多數人形機器人1-4小時；商業目標8小時以上 | — | — | 電池技術是運營時長的瓶頸 |
電池技術的限制比表格呈現的更為嚴峻，因為續航數字通常代表實驗室或輕負載條件。在高扭矩操作任務下——搬運箱子、操作工具、爬樓梯——機器人的電流消耗遠高於輕度巡檢或靜止狀態。商業工況下的實際運營續航可能比標稱電池壽命低30-50%（估）。
目前電池續航（研究平台1-4小時；商業目標平台潛在4-8小時）與8小時以上班次級運營需求之間的差距，有兩種潛在解決方案：提升電池能量密度，以及熱插拔電池系統。兩者均為工程上可解決的問題，但都增加了設計複雜性與成本。
第5節 — 能源成本作為AV經濟學變數
電價的地理差異在AV艦隊運營成本中造成顯著差別，但這一因素尚未被系統性納入公開的AV經濟模型。美國商業電費在最低成本市場（德州及亞利桑那州部分地區）與最高成本市場（加利福尼亞州）之間相差約四倍。對規模化運營的AV艦隊而言，這種地理差異造成真實的成本差距，影響AV部署的經濟可行性。
| 地理位置 | 商業電費（估） | 每AV里程能源成本（估） | 每車年度能源成本（估） |
|---|---|---|---|
| 亞利桑那州鳳凰城 | ~$0.06-0.08/kWh（估，APS/SRP商業） | ~$0.003-0.004/英里（估） | ~$150-200/車/年（估） |
| 加州舊金山 | ~$0.20-0.25/kWh（估，PG&E商業） | ~$0.010-0.013/英里（估） | ~$500-650/車/年（估） |
| 紐約市 | ~$0.15-0.20/kWh（估，ConEd商業） | ~$0.008-0.010/英里（估） | ~$400-500/車/年（估） |
| 德克薩斯州（ERCOT） | ~$0.06-0.09/kWh（估，開放競爭市場） | ~$0.003-0.005/英里（估） | ~$150-250/車/年（估） |
| 意涵 | 鳳凰城和德州電費比舊金山低約3-4倍 | — | 鳳凰城/德州AV每車每年能源成本優勢比舊金山多$300-450（估） |
| 1,000輛艦隊 | 舊金山vs鳳凰城能源成本差距：每年~$300K-450K（估） | — | 相對於$15M-30M的車庫運營成本不算主導，但仍值得優化 |
每車每年$300-450的能源成本差距是真實但非主導的AV成本結構因素。從本系列第113篇可知，每次乘車總成本由車輛折舊、車庫運營和遠端協助人員主導——能源約佔每英里$0.04-0.06，即5英里乘車中的$0.20-0.30。
能源成本具有戰略意義的原因，在於其與其他地理變數的交互關係。鳳凰城不僅電費低廉，還具備適合AV全天候運營的有利氣候、較低的城市駕駛複雜度，以及寬鬆的監管環境。能源成本差異只是在多個成本類別同時產生複合效應的更廣泛地理經濟優勢之一個組成部分。
第6節 — 為何能源是被低估的基準維度
能源成本在AV經濟分析中歷來被低估，有其合理原因：在目前的AV艦隊規模（數百至數千輛）下，能源成本相對於車輛折舊、車庫運營和遠端協助人力而言確實較小。然而，隨著規模擴大至數十萬輛，艦隊層級的年度電力支出、車庫基礎建設資本需求，以及電價與地理部署策略的交互作用，都將使能源成為一階變數。
10萬輛AV艦隊在$0.20/kWh下每年電費達$2.92億；在$0.07/kWh下則為$1.02億。這$1.9億的差距在全國規模的AV經濟效益中是重要的。訓練算力能耗隨著模型規模和訓練時間增長，也將使FLOP/Watt效率成為前沿模型訓練中越來越重要的競爭差異化因素。
人形機器人的電池續航不是被低估的變數——業界普遍認知這是關鍵制約。被低估的是系統層級的能源經濟學：每有效任務小時的能源成本，以及這一成本與被取代的人工成本之間的比較。
基準結論是：能源在當前實體AI經濟中是二階變數——值得追蹤，在規模化後具有重要意義，但在目前的艦隊規模下不是決定成敗的主要差異因素。當實體AI從數千台擴展至數十萬台部署單元時，能源將成為一階變數。
注意： 所有標注「（估）」的數字，均為根據公開規格、EIA電費數據及第一原則建模的方向性估算（截至2026年中期）。AV艦隊規模、Dojo功耗及人形機器人電池規格未必由運營商統一公開；估算數字應視為數量級基準。本文不構成投資建議。
來源
- Tesla 能源消耗資料 — Tesla ↗
- Waymo 車隊運營 — Waymo ↗
- NVIDIA H100 功耗規格 — NVIDIA ↗
- Unitree G1 規格 — Unitree ↗
- 美國商業電費率 — EIA ↗