Google 与 Amazon 报告暴露电力、水和并网瓶颈

AI 基础设施交易正在进入第二阶段。2023—2024 年，市场的核心问题是 GPU 供给、HBM、先进封装、以太网和光互连；到 2025—2026 年，约束开始向更底层的物理资产下沉：电力接入、变压器交期、数据中心冷却密度、水资源审批、长期清洁电力锁定。

Google 与 Amazon 最新可持续发展报告提供了一组更接近真实产能约束的数据。它们不是传统意义上的 ESG 文件，而是 hyperscaler 算力扩张的 “第二张账单”。

GPU 决定单卡算力，电力决定机柜能否上线，冷却决定高密度机柜能否稳定运行，并网决定数据中心能否按期交付。AI Capex 的估值锚，正在从服务器和芯片，延伸到电网、液冷、水处理、燃气轮机、核电和长期 PPA。

一、Google 的用电曲线：AI 扩张已经进入 TWh 级别资产负债表

Google 2025 年总用电量达到43.6 TWh，同比增长 37%。其中，数据中心用电约42.4 TWh，占公司总用电的 97%。

这意味着 Google 几乎全部电力消耗已经由数据中心驱动，公司本质上正在从互联网平台公司，变成一个大规模电力负荷运营商。

指标	2024	2025	变化
Google 总用电量	约 32.2 TWh	43.6 TWh	+37%
Google 数据中心用电量	约 30.8 TWh	42.4 TWh	+37%
数据中心用电占比	95.8%	97.0%	+1.2pct
全球 PUE	1.09	1.09	持平

PUE 维持在 1.09，说明 Google 在机房效率上已经处于行业高位。问题不再是传统数据中心能效优化，而是新增 AI 负载对总电力需求的吞吐能力。

PUE 的边际改善空间有限，但 AI 机柜功率密度继续上行。单柜功率从 20—30kW 进入 100kW 以上后，传统风冷不再是高密度训练和推理集群的主方案。电力、散热和并网周期，开始决定算力资产能否转化成收入。

Google 报告中的关键表述是：AI 基础设施建设速度正在快于电网脱碳速度。就是 hyperscaler 的 Capex 节奏已经开始受到电网物理扩容能力约束，而不只是芯片供应约束。

二、Amazon 的透明度缺口：不披露用电，但水效数据已经能反推负荷体量

Amazon 不直接披露数据中心总用电量，这是其与 Google 最大的披露差异。

但 Amazon 2025 年披露了两个关键指标：全球数据中心 PUE 为1.14，WUE 为0.12 L/kWh；同时数据中心取水量为9.4 billion liters。若用取水量和 WUE 反推，Amazon / AWS 数据中心 IT 负载约为 78.3 TWh，对应设施总用电量约为 89.3 TWh。

估算公式：

IT 用电量 = 数据中心取水量 / WUE
= 9.4 billion liters / 0.12 L/kWh
= 78.3 TWh

设施总用电量 = IT 用电量 × PUE
= 78.3 TWh × 1.14
= 89.3 TWh

注：89.3 TWh 不是 Amazon 公司直接披露值，而是基于公司披露的 WUE、PUE 和取水量进行的反推估算。该数值受 WUE 口径、区域气候、季节性负荷和水源结构影响。

指标	Google 2025	Amazon 2025
数据中心用电	42.4 TWh，公司披露	约 89.3 TWh，模型估算
PUE	1.09	1.14
WUE	口径不完整，不宜直接比较	0.12 L/kWh
数据中心用水	约 10.5 billion gallons，估算	9.4 billion liters，公司披露
24/7 CFE 目标	有，目标 2030 年 100%	无，采用年度体积匹配

Amazon 的重点不是透明度，而是规模。AWS 的用电和冷却需求已经足以改变区域电网负荷曲线。它的投资逻辑不再只是云收入增速，而是能否持续获取稳定、低成本、可扩展的电力资源。

三、PUE 接近极限后，冷却路线成为 AI 机柜交付条件

Google PUE 1.09，Amazon PUE 1.14，Meta 2024 年 PUE 约 1.08，Microsoft FY24 PUE 约 1.16。头部 hyperscaler 的 PUE 已经压到较低区间，继续下降的空间并不大。

下一阶段的效率竞争，不再是普通机房层面的 PUE 优化，而是高密度机柜条件下的热管理能力。

平台	单机柜功率	冷却要求
GB200 NVL72	约 120—132kW	强制液冷
GB300 NVL72	约 150—200kW	液冷覆盖扩大
Vera Rubin NVL144	约 280—350kW	高比例液冷
Rubin Ultra NVL576	约 600kW	更高等级液冷与电力架构

传统风冷的有效边界大致在 40kW/柜附近。超过这一密度后，液冷从成本优化项变成工程交付项。

Amazon 的 IRHX 列间热交换器、Google 与 Danfoss 的液冷合作，本质上都是同一件事：用冷却系统换取更高机柜功率密度。对于 hyperscaler 来说，液冷不是 ESG 技术，而是提升单位面积算力密度、降低项目延迟风险、释放数据中心收入潜力的基础设施。

液冷产业链中，真正需要跟踪的不是概念覆盖，而是订单、客户和收入占比。

环节	核心产品	受益逻辑	代表公司
CDU	冷却液分配单元	每个高密度 AI 机柜需要液冷分配与控制	Vertiv、nVent、英维克
冷板	GPU / CPU 冷板	单柜功率提升后冷板用量增加	英维克、高澜股份
快接头	UQD / QD	液冷服务器拆装与维护环节刚需	Stäubli、Danfoss、Parker、Dover/CPC
冷却液	介电液 / 氟化液	浸没式和两相液冷核心材料	Chemours、Syensqo
换热器 / 冷却塔	园区侧排热	数据中心设施侧热量转移	Alfa Laval、SPX Cooling
水处理	再生水、膜系统、工业水处理	用水审批趋严，回用水需求提升	Xylem、Evoqua 等

A 股中，英维克、申菱环境、曙光数创、高澜股份、佳力图、浪潮信息等均可纳入产业链观察，但需要区分财务含金量。液冷收入占比、客户结构、毛利率和现金流，比 “是否有液冷产品” 更重要。

四、年度绿电匹配不够，24/7 CFE 才是 AI 数据中心的真实门槛

Amazon 连续多年实现全球运营 100% 可再生能源年度匹配。这个表述容易被误读。

年度体积匹配解决的是会计口径：一年内买入的可再生能源电量，等同于一年内消耗的电量。但 AI 数据中心的实际运行需要同一地区、同一电网、同一小时的稳定电力。

Google 采用更严格的 24/7 Carbon-Free Energy 目标，要求每一小时用电都尽量匹配当地无碳电力。这个指标比年度绿电匹配更接近真实物理约束。

两者的差异在 Scope 2 排放中体现得很直接。

Amazon 2024 年 Scope 2 market-based 排放约 2.80 MtCO2e，但 location-based 排放约 17.76 MtCO2e，后者是前者的 6.3 倍。也就是说，年度绿电采购可以显著降低账面排放，但并不能改变数据中心在特定电网中实际使用电力的碳强度。

Google 2024 年 Scope 2 market-based 排放约 3.06 MtCO2e，location-based 估算约 11.28 MtCO2e，差异同样明显。

口径	含义	投研解读
Market-based Scope 2	按 PPA、EAC、REC 等能源属性证书计算	更接近会计披露
Location-based Scope 2	按所在地电网平均碳强度计算	更接近物理现实
24/7 CFE	按小时、按区域匹配无碳电力	更接近长期算力交付能力

市场过去看 hyperscaler 买了多少 GW 可再生能源项目。下一阶段更关键的是，这些电力能否在正确的地点、正确的时间、稳定进入数据中心。

这就是核电、地热、储能、燃气轮机和需求响应重新进入 AI 投资框架的原因。

五、水资源不是道德问题，而是数据中心本地审批变量

Google 2025 年总取水量约 10.9 billion gallons，折合约 41.1 billion liters，同比增长约 34%；淡水取水量约 9.9 billion gallons。公司 2025 年水回补量约 7.7 billion gallons，相当于淡水消耗量的 78%。

Amazon 2025 年数据中心取水量为 9.4 billion liters，水正效益目标进度提升至 75%。其 WUE 从 2023 年 0.18 L/kWh、2024 年 0.15 L/kWh，降至 2025 年 0.12 L/kWh。

数据中心用水不是单纯的环保约束，而是选址、许可、社区关系和项目排期约束。尤其在 Texas、Arizona、Georgia、Virginia 等数据中心密集地区，取水权和回用水能力直接影响项目落地。

不同冷却路线的核心矛盾，是电力和水之间的成本交换。

冷却路线	PUE 特征	WUE 特征	核心矛盾
风冷	较高	较低或为零	高密度机柜下效率不足
蒸发冷却	较低	较高	省电但耗水
机械冷却	较高	较低	省水但增加电力负荷
冷板液冷	较低	低	需要服务器和设施侧同步改造
浸没式液冷	很低	低	维护体系、冷却液供应和标准化不足

从投资角度看，水资源约束带来两个方向：一是更高效的液冷和热管理系统；二是再生水、工业水处理和园区级水资源管理。

但水处理链条的投资弹性通常弱于液冷和电力设备。原因在于水处理公司多为综合型工业公司，数据中心收入占比有限，估值弹性更依赖订单披露和项目绑定。

六、并网才是 AI 数据中心最硬的交付瓶颈

如果说用电和用水解释了运行成本，那么并网解释了项目能否按时上线。

IEA 预计全球数据中心用电将从 2024 年约 415 TWh 提升至 2030 年约 945 TWh。美国数据中心用电 2023 年约 176 TWh，占全美用电 4.4%；到 2028 年预计可能达到 325—580 TWh，占比提升至 6.7%—12%。

需求侧增长已经非常清晰，但供给侧的瓶颈更刚性。

指标	最新数据	投资含义
美国并网排队规模	约 2,290 GW	待并网容量约等于现有装机两倍
完工项目平均等待	55 个月	数据中心建设周期被拉长
大型电力变压器交期	约 128—144 周	电网设备成为关键短板
高压断路器交期	约 151 周	变电站扩容受限
大型燃气轮机交期	5—7 年	自备电也面临设备短缺
数据中心 PPA 价格	太阳能约 61.7 美元/MWh，风电约 73.7 美元/MWh	长期低价电力稀缺性提升

这组数据解释了为什么 Microsoft、Google、Amazon、Meta 都开始锁定长期核电、SMR、地热、燃气和储能资源。

公司	能源动作	容量 / 特点
Microsoft	三里岛核电 PPA	835MW，20 年协议
Google	Kairos Power SMR	500MW，首堆目标 2030 年
Google	Fervo Energy 地热	115MW
Amazon	Talen / Susquehanna 核电 PPA	1,920MW
Amazon	X-energy SMR 投资	5GW 目标
Meta	核电和地热合作	多 GW 级长期锁定
Oracle	燃料电池、SMR 和 Stargate 数据中心	电力成为 OCI 扩张约束

hyperscaler 过去采购服务器，现在采购电力资产。长期电力锁定能力，正在成为 AI 云厂商的基础竞争力。

七、投资映射：AI Capex 正在外溢到 “算力公用事业链”

AI 基础设施的投资框架，可以分成两层。

第一层仍是算力核心链：GPU、HBM、先进封装、PCB、光模块、交换芯片、服务器。第二层是算力公用事业链：电力接入、冷却、水处理、并网、长期能源供给。

后一层的特点是订单周期长、资本开支重、供给扩张慢。一旦需求被 hyperscaler 锁定，价格和交期弹性往往更强。

方向	投资逻辑	代表公司
电网设备	变压器、开关设备、变电站交期拉长，数据中心负荷拉动公用事业 Capex	Eaton、Hubbell、Quanta Services
燃气轮机 / 自备电	并网慢，数据中心转向 behind-the-meter、微电网和备用电源	GE Vernova
核电 / SMR	长周期稳定电力价值上升，hyperscaler 直接签 PPA	Constellation Energy、Talen、Kairos、X-energy
液冷 / 热管理	高密度 AI 机柜推动 CDU、冷板、快接头需求	Vertiv、nVent、Modine、英维克
冷却液 / 氟化材料	两相浸没式液冷带来高壁垒材料需求，但受 PFAS 监管约束	Chemours、Syensqo
水处理 / 再生水	用水审批和回补压力提升，数据中心园区水系统投资增加	Xylem、Evoqua
数据中心运营商	电力资源、土地、并网容量成为核心资产	Equinix、Digital Realty、万国数据

其中，液冷和电力设备的投资弹性更强，原因是客户、订单、交期和毛利率更容易被验证。水处理和冷却塔方向更偏工程配套，除非出现大额项目绑定，否则估值弹性通常弱于液冷系统和电力设备。

A 股中，英维克、申菱环境、浪潮信息等更适合作为产业链观察对象；高澜股份、佳力图、曙光数创等需要重点看盈利质量、液冷收入占比和应收现金流。液冷概念覆盖不等于财务弹性，订单含金量比产品名录更重要。

八、AI 的下一轮定价锚在物理世界

AI 基础设施的第一阶段，市场定价的是 GPU 稀缺和算力供给短缺。第二阶段，市场需要重新定价电力、冷却、并网和水资源。

Google 和 Amazon 的可持续发展报告说明三件事。

第一，AI 数据中心已经成为 TWh 级电力负荷。Google 2025 年数据中心用电 42.4 TWh，Amazon 数据中心设施总用电按 WUE 反推可能接近 90 TWh。算力扩张不再是单纯 IT 设备采购，而是电力系统扩容。

第二，PUE 已接近头部区间，冷却路线切换成为高密度机柜上线的前置条件。GB200、GB300、Rubin 平台继续提高单柜功率，液冷系统从效率工具变成工程交付工具。

第三，年度绿电匹配无法解决真实电力约束。24/7 CFE、核电 PPA、地热、储能、燃气轮机和需求响应，才是 AI 数据中心长期交付能力的关键变量。

后续 12—24 个月，最值得跟踪的不是 hyperscaler 讲了多少 AI 故事，而是以下指标：

指标	含义
季度 Capex 实际值	判断 AI 基础设施投资是否降速
数据中心并网排队	判断项目交付周期
变压器和开关设备交期	判断电网设备景气度
液冷渗透率	判断 AI 服务器热管理升级速度
核电 / 燃气 / 地热 PPA	判断长期电力锁定能力
Scope 2 location-based 排放	判断真实电力结构压力
数据中心 WUE 和回用水比例	判断选址和审批风险

投资上，优先选择三类资产：有明确数据中心订单的液冷系统公司；有交期和价格弹性的电网设备公司；能锁定长期电力现金流的核电和燃气发电资产。

需要回避两类资产：一类是只有液冷产品、没有收入占比和客户验证的概念公司；另一类是 Capex 增速很快但现金流持续恶化的数据中心扩张主体。

AI 交易没有结束，只是定价锚正在下沉。GPU 仍是算力发动机，但电力、冷却、并网和水资源，才是算力资产能否按期变成收入的底盘。

数据来源：Google Environmental Report、Amazon Sustainability Report、IEA、LBNL、Wood Mackenzie、LevelTen Energy、公司公告及长桥 AI 数据核验底稿。文中 Amazon 数据中心用电为基于披露 WUE、PUE 和取水量的模型估算，不属于公司直接披露值。本文仅作产业研究与信息梳理，不构成投资建议。