AI算力爆发背后：数据中心供配电与电气工程师的新机遇

AI狂飙电工为何成了“香饽饽”——从数据中心供配电看电气工程师的技术机会过去两年科技圈的热词被 AI 占据。大模型参数越炼越大GPU 算力越堆越猛甚至不少人开始讨论“AI 会不会替代程序员”。但一个很容易被忽略的现象是在智算中心、数据中心、储能站、自动化产线背后传统印象里的“电工”正成为紧缺人才薪资和岗位需求都在明显上行。这件事值得拆开看。AI 不是纯虚拟的软件形态它最终要跑在物理设备上。一个千卡级别的 GPU 集群一次大模型推理背后是几兆瓦甚至几十兆瓦的电力消耗。芯片可以设计得越来越先进但送到芯片上的每一度电必须依靠变压器、配电柜、UPS、母线、PDU、电缆这些电气设备完成传输和保障。AI 的算力曲线最终会映射成电网上的负荷曲线这决定了电气工程方向的人突然进入了一个高景气周期。这篇文章要说的不是“电工师傅比程序员强”这种贩卖焦虑的话而是从技术视角回答几个问题AI 为什么会带来电力基础设施的巨大压力数据中心里的供配电系统到底长什么样电气工程师在 AI 时代到底做什么、需要什么能力如果你对这个方向感兴趣又应该怎么切入。我会尽量把技术链条讲清楚并给出可以落地的计算示例、排查思路和学习建议。1. AI 狂飙瓶颈为什么落在“电”上先说一个被很多技术人低估的事实AI 训练的算力增长伴随着同样陡峭的电力需求增长。这几年主流 GPU 的功耗变化可以说明问题。上一代数据中心常用的 GPU 单卡功耗大约在 250 到 300 瓦级别而当前主流 AI 加速卡的单卡功耗已经普遍来到 500 到 700 瓦级别部分满负载配置甚至更高。单看一张卡似乎不算什么但 AI 集群是几千张、几万张卡并行工作。一个千卡集群的并行功耗可以轻松达到 1 到 2 兆瓦万卡集群对应的电力需求往往在 10 兆瓦以上。再加上配套的存储节点、网络设备、制冷系统、照明和辅助设施整座智算中心的用电规模已经是传统企业机房的数倍甚至数十倍。更麻烦的是负荷密度。“卡越多电力越集中”不是一个抽象概念而是机房每一排机柜的配电压力。传统企业机柜功率密度大多在 3 到 8 千瓦普通机房甚至只按 2 千瓦设计而 AI 集群的机柜往往单柜就需要 20 到 40 千瓦高密度液冷场景已经出现 50 到 100 千瓦以上的超级机柜。同样一个机柜占地面积电缆截面变粗了开关容量变大了末端配电系统的压力随之剧增。这就是电工身份变化的第一层原因AI 对电力的依赖从“量”和“密度”两个维度同时拉高了电气基础设施的建设与运维需求。过去一个机房的配电改造可能只是“多拉几路电”今天建一座智算中心则要考虑整座变配电站的容量规划、冗余架构、散热协同和能效调度。电气工程师不再只是“保障设备转起来”的后勤角色而是决定项目能否按期交付、能否稳定运行的关键环节。从材料看AI 行业讨论的焦点也在逐渐从“算法创新”转向“工程落地”而工程落地的第一约束项就是电力与散热。可以说算力焦虑正在变成电力焦虑。这种变化带来的最直接表现就是懂供配电、懂能效、懂数据中心基础设施的电气人才需求快速上升。所谓“电工成了香饽饽”本质上是 AI 算力扩张对电力基础设施人才的刚性需求被重新定价。2. 智能制造与AI怎么和电气工程挂上钩有人会问AI 不是由程序员、算法工程师和数据科学家推动的吗电气工程到底处在什么位置要理解这一点需要把 AI 应用的落地链路拆开。任何一套 AI 系统从诞生到产生价值都至少经过四个层面。最上层是算法与模型包括数据清洗、模型训练、微调和推理中间层是软件平台包括分布式训练框架、模型服务、调度系统再下一层是算力硬件包括 GPU 服务器、高速网络和存储集群最底层则是支持这些硬件运行的物理基础设施也就是供配电、制冷、机房环境、监控安防等。在很长一段时间里行业重心都放在前两层因为模型能力不足才是主要矛盾。但到了工程化落地阶段模型能力已经逐渐同质化算力成本和交付速度成为竞争焦点物理基础设施的权重就迅速上升了。一个很常见的现实是算法团队设计好模型之后发现 GPU 集群因为电力容量不够无法扩容或者因为机房制冷不足导致 GPU 降频训练效率直线下降。这个时候电气工程师的价值就体现出来了——他们要保证算力设备能拿到足够的、稳定的、干净的电同时把热量高效带出去。具体到场景电气工程师在 AI 项目中承担的任务包括供配电系统的容量规划根据 GPU 集群的功率需求计算变压器容量、UPS 容量、电缆截面和开关额定值供配电架构设计确定采用单路还是双路供电是否配置柴油发电机、电池组是否需要高压直流方案配电柜与母线选型根据功率密度和可靠性要求选择低压配电柜、母线槽、智能 PDU制冷系统协同配合暖通工程师为风冷或液冷系统配置电力、控制回路和传感器能效管理跟踪 PUE电源使用效率优化供电与散热环节的电能消耗运行与维护负责电气设备的巡检、故障抢修、切换演练、预防性维护。可以发现这些工作已经不是传统“接线、修灯、查插座”意义上的电工而是需要系统掌握电力系统、自动控制、通信协议和项目管理的复合型岗位。行业里所谓“电工吃香”准确说应该是“懂现代供配电系统的电气工程师吃香”。3. 数据中心供配电系统全景从一个电动门铃说起要理解电气工程师在 AI 基础设施中的角色最直观的方式是理解数据中心供配电系统的整体架构。先看一个最简化的类比。家里的电动门铃怎么工作市电进入电表经过总开关通过墙内导线到达门铃变压器将 220V 降压到门铃需要的低电压再通过信号线触发响铃。这里涉及四个基本环节进线、保护、变压、负载。数据中心供配电系统本质上也是这个链条的放大版只是规模、可靠性要求和复杂度完全不同。一个典型的数据中心供配电系统按照“前端到末端”的顺序可以划分成以下几个层次中压进线市电通常以 10kV 或 35kV 中压进入园区经过中压柜、高压计量装置后接入变压器变压器将中压 10kV 降压为低压 400V/230V供 IT 设备和辅助设施使用低压配电柜将变压器输出的电力分配到 UPS、空调、照明、维护插座等不同回路UPS 系统为 IT 负载提供不间断供电包含整流器、逆变器、电池组和静态旁路输出配电与列头柜UPS 输出经过配电柜、列头柜再送到每一排机柜末端配电从机柜内的 PDU电源分配单元到服务器电源接口备用电源柴油发电机或储能系统在市电中断后启动支撑长时间运行。下面用一张简化的流程表达这个链路市电/中压进线 → 中压配电柜 → 变压器(10kV/400V) → 低压配电柜 → UPS/电池组 → 输出配电柜 → 列头柜 → 智能PDU → 服务器电源 → 柴油发电机/储能系统(备用)如果只看这张图会觉得不就是“变电—稳压—分配”三步吗但真正的工程难点在细节里。比如容量匹配变压器容量必须覆盖 IT 负载、UPS 充电、制冷设备和辅助设备的总和同时预留扩展空间冗余等级不同的业务类型要求不同的冗余程度。有的机房要求 UPS 双路供电一路检修另一路还能带载有的甚至要求双路市电双路 UPS 的 2N 架构电能质量GPU 服务器对电压波动和谐波比较敏感配电网侧的谐波治理和无功补偿需要考虑监控与联动配电柜里的智能仪表要能上传电压、电流、功率、电能质量数据以便与动环监控系统联动。电气工程师的工作不是把电线接上就结束而是要在这个链条的每一个环节上做容量、冗余、安全和成本的平衡。这也是这个岗位值得高薪的原因。4. 从 AI 负载看电气需求变化GPU 功耗与机柜密度很多人对数据中心供电的印象还停留在“机柜里插几个插排”。实际上AI 集群给供配电带来的变化非常具体主要体现在三个指标上功率密度、峰值电流、电能质量。4.1 机柜功率密度大幅提高传统企业机房一个 42U 机柜通常放十几台 1U 服务器单柜功率约 3 到 8 千瓦。AI 训练机柜里可能只放 8 台或更少的 GPU 服务器但单柜功率可以达到 30 到 60 千瓦部分液冷场景甚至可以做到 100 千瓦以上。机柜功率密度上升直接影响的是末端配电设计。原来一根 10 平方毫米的电缆可能就够一个机柜使用现在可能需要更粗的电缆或铜排原来一个空气开关可以保护一个机柜的回路现在需要按负载重新计算原来机柜内 PDU 只需要提供普通插座现在需要更高规格的工业连接器甚至高压直流端子。4.2 电流与线缆的工程计算变得关键电气设计里有一个基本公式三相交流系统中有功功率 P、线电压 U、电流 I 和功率因数 cosφ 的关系是I P / (√3 × U × cosφ)以一台单柜功率 40kW 的机柜为例假设供电电压为三相 380V功率因数取 0.95那么满载电流大约为I 40000 / (1.732 × 380 × 0.95) ≈ 64A一台机柜 64A 电流意味着末端配电不能再用普通 16A 或 32A 的插接箱而要考虑 63A 甚至更高规格的工业连接器电缆截面也需要重新计算。更重要的是几十台这样的机柜放在同一个机房配电柜的总进线电流就会达到几百安甚至上千安这对母线槽的容量和开关的分断能力提出了很高要求。4.3 电能质量与谐波问题GPU 服务器电源普遍采用开关电源大量开关电源同时工作时会产生谐波电流导致电压波形畸变。谐波严重时会影响变压器效率、导致电缆过热、甚至引起保护装置误动作。电气工程师需要在配电系统中配置有源滤波器或无源滤波装置并合理规划 UPS 容量避免谐波叠加超出设备承受能力。从这些变化可以看出AI 负载不是“多加几度电”那么简单。它改变了整个供配电系统的设计边界和运行方式谁能够处理好高密度、高波动、高可靠性的供电需求谁就掌握了智算中心建设的核心能力。5. 算一笔账AI 供电系统容量的估算方法前面讲了很多概念这里用一个实际例子演示电气工程师如何从 AI 负载数据出发完成一次供电系统的容量估算。我以一座规划 1000kW IT 负载的中型智算中心为例做简化计算。实际情况会根据当地电网、设备规格和设计要求调整但思路是通用的。5.1 第一步确定 IT 负载功率假设 AI 集群总 IT 负载为 1000kW包含 GPU 服务器、CPU 服务器、存储和网络设备。这个数值通常来自 IT 规划团队电气工程师以此为基础进行后续计算。5.2 第二步UPS 容量计算UPS 的容量不能只按 IT 负载直接选。一方面UPS 需要为 IT 负载提供功率还要考虑自身效率、负载率和谐波余量。工程上一般会让 UPS 工作在 70% 到 80% 的负载率区间以便留出过载能力和故障切换空间。计算公式可以简化为UPS容量(kVA) IT负载(kW) / (负载率 × 功率因数)以 IT 负载 1000kW、负载率 75%、功率因数 0.95 为例UPS容量 1000 / (0.75 × 0.95) ≈ 1403kVA工程上可以选用多台 UPS 并机例如 4 台 400kVA 的 UPS 并机运行总容量 1600kVA平时负载率约 66%留足冗余。5.3 第三步变压器容量计算变压器需要同时承担 IT 负载、UPS 充电、制冷系统、照明和辅助设备等所有负荷。工程实践中数据中心总负荷通常是 IT 负载的 1.5 到 2.5 倍具体取决于制冷方案和 PUE 目标。这里按制冷和辅助设备约占 IT 负载的 80%总功率因数取 0.92变压器容量计算如下总负荷(kW) IT负载 制冷与辅助设备 ≈ 1000 800 1800kW 变压器容量(kVA) ≈ 总负荷 / 功率因数 1800 / 0.92 ≈ 1957kVA实际选型时可按 2 台 1250kVA 变压器配置平时各承担约 78% 的负载为扩展或检修留出余地。5.4 用 Python 做一个容量估算脚本为了把上面的计算过程固化下来也方便日常做项目快速测算可以写一个简单的 Python 脚本。脚本接收 IT 负载、UPS 负载率、功率因数等参数输出 UPS 容量、总负荷和变压器容量的参考值。# -*- coding: utf-8 -*- 数据中心供配电容量估算工具简化版 运行环境Python 3.8 仅用于方案估算实际设计请咨询专业电气工程师 import math def estimate_power(it_load_kw, ups_load_rate0.75, power_factor0.95, cooling_ratio0.8): it_load_kw : IT设备总负载单位kW ups_load_rate : UPS建议负载率一般取0.7~0.8 power_factor : 系统功率因数一般取0.9~0.95 cooling_ratio : 制冷与辅助设备相对IT负载的比例 # UPS容量估算kVA ups_capacity it_load_kw / (ups_load_rate * power_factor) # 总负荷估算kW total_load_kw it_load_kw * (1 cooling_ratio) # 变压器容量估算kVA transformer_capacity total_load_kw / power_factor return { it_load_kw: it_load_kw, ups_capacity_kva: round(ups_capacity, 1), total_load_kw: round(total_load_kw, 1), transformer_capacity_kva: round(transformer_capacity, 1), } if __name__ __main__: result estimate_power(1000) print(IT负载: {:.0f} kW.format(result[it_load_kw])) print(建议UPS容量: {:.1f} kVA.format(result[ups_capacity_kva])) print(总负荷估算: {:.1f} kW.format(result[total_load_kw])) print(建议变压器容量: {:.1f} kVA.format(result[transformer_capacity_kva]))运行结果示例IT负载: 1000 kW 建议UPS容量: 1403.5 kVA 总负荷估算: 1800.0 kW 建议变压器容量: 1894.7 kVA这个脚本的价值在于它把工程估算的思考过程固化成可以在项目初期反复使用的工具。当你需要快速评估一座机房能否支撑新的 AI 集群时只要输入 IT 负载就可以对供电规模有一个基本判断。当然这只是一个简化模型实际项目还需要考虑谐波、负载特性、设备效率、并机冗余、电池后备时间等多个因素。6. 风冷与液冷AI时代散热系统的电气协同讲完供电必须讲散热。因为 AI 负载的功耗密度已经超出了传统风冷的处理边界散热系统正在深刻改变数据中心电气设计的整体框架。6.1 为什么风冷遇到瓶颈空气的比热容小风冷散热主要依靠加大风量带走热量。在高密度机柜场景下单柜功率超过 20 千瓦时风冷系统往往需要巨大的风量和很高的风机转速带来两个问题一是噪音和能耗显著增加二是散热效率依然受限。业内普遍认为传统风冷在单机柜功率密度达到 20 到 30 千瓦以上时会变得非常吃力。AI 集群的 GPU 服务器功耗高、发热集中核心芯片温度控制直接影响运行频率和寿命。为了保证高负载下的稳定性液冷方案正在从“可选”变成“刚需”。6.2 液冷系统里电气工程师管什么液冷系统涉及冷却液循环、板式换热器、冷却塔、水泵和 CDU冷量分配单元。从电气角度看液冷系统增加了大量需要供电和控制的设备循环水泵、CDU 中的二次侧泵、电动阀门、传感器、控制柜等。这些设备与 IT 负载的供电关系需要仔细规划水泵和 CDU 必须配置可靠电源最好接入 UPS 或者独立的保障回路避免市电波动导致冷却中断冷却塔和室外散热设备通常功率较大可以采用市电直供但需要与发电机联动控制系统需要与动环监控平台对接实现温度、流量、压力的实时采集和报警。6.3 供电架构的变化趋势为了适应高密度负载数据中心供电技术也在演进。传统 UPS 系统以交流供电为主设备成本低、兼容性好但交直流转换环节较多效率有提升空间。近年来高压直流HVDC方案逐步在数据中心获得应用它把交流电整流为直流电直接供给服务器减少了服务器电源内部的一次 AC-DC 转换系统效率可以提升几个百分点。市面上也出现了针对 AI 算力负载的分布式锂电 UPS 和模块化电源系统将电池分散到每一排机柜附近既优化了空间利用率又缩短了故障回路。这些技术变化意味着电气工程师需要持续跟踪新型设备、理解新的系统拓扑并评估可靠性与成本。7. 电工与现代电气工程师能力差距在哪里“电工成了香饽饽”这句话容易让人误解仿佛只要有电工证就能进入 AI 行业。实际上需求增长的是“懂现代电气系统”的工程师而不是所有电工工种。先看一下传统电工和现代数据中心电气工程师的工作差异维度传统电工现代数据中心电气工程师主要场景住宅、商业楼宇、工厂设备数据中心、智算中心、变电站核心任务接线、检修、照明、简单配电供配电系统设计、容量规划、运维管理工作对象低压线路、开关、灯具、电机变压器、UPS、母线、列头柜、PDU、动环系统技术栈电工基础、安全检查电力系统、自动控制、通信协议、能效分析工具要求万用表、电笔、常用工具电力监控软件、SCADA、动环平台、仿真工具知识面电工操作规范供配电、制冷协同、项目管理、安全法规这个对比不是要贬低传统电工而是说明两个工种的价值底座不同。传统电工的技能偏向安装、检修与维护仍然有巨大的社会需求但 AI 数据中心需要的电气工程师还需要掌握系统思维、跨专业协同和数据分析能力。AI 时代给电气工程师带来的新机会主要集中在三个方向新建智算中心项目从选址阶段的电力容量评估到设计阶段的供配电方案再到施工调试和验收每个环节都需要电气工程师深度参与存量数据中心改造传统机房升级为 AI 算力节点最棘手的问题往往不是服务器而是电力容量和散热能力不足电气改造成为刚需新型电力系统与储能可再生能源配套、储能电站、微电网与数据中心的结合正在产生新的岗位需求。如果你已经是电气相关专业的学生或从业者要想进入 AI 基础设施领域需要补齐的不只是电压等级的知识还有对算力负载曲线的理解、对高可靠性工程体系的认知以及跨团队沟通的能力。8. 想进入这个方向学习路径与技能储备建议如果你对这个方向产生了兴趣下面这条学习路径可以作为参考。它不要求你立刻成为电力系统专家但能帮你形成一个可持续进阶的框架。8.1 第一步打牢电力基础知识无论技术怎么演进欧姆定律、基尔霍夫定律、三相交流电路、功率因数、变压器原理这些基础都不会变。建议从《电路》《电机学》《电力系统分析》这类课程学起或者选择一门系统的公开课。学习时不只是背公式要能够自己推导和计算一个简单供电回路的电流与压降。8.2 第二步理解数据中心供配电工程接下来要理解数据中心供配电的工程框架。推荐了解以下主题数据中心等级标准T1 到 T4以及国内 A/B/C 分级对应的冗余要求UPS 的工作原理、分类与并机方式柴油发电机与市电的切换逻辑母线槽、列头柜、PDU 的选型与布局接地与防雷系统设计。8.3 第三步掌握自动化与通信技能现代数据中心电气系统不是一个孤立的电力回路而是与监控系统紧密耦合。电气工程师需要看懂 Modbus、SNMP、BACnet 等协议能够配置智能电表的数据采集甚至写一点 Python 脚本分析电能质量数据。这一层能力是很多传统电工与新一代电气工程师拉开差距的地方。8.4 第四步通过实践巩固有条件的话参与一次数据中心机房的实地勘察、设备调试或巡检。没有条件也可以自己搭建一个小型实验环境例如用 Arduino 或树莓派模拟配电柜的电压采集和环境监控配合一个简单的 Web 面板显示功率和温度数据。下面给出一个简单的示例用 Python 模拟读取智能电表的功率数据并判断当前负载率是否超出阈值。# -*- coding: utf-8 -*- 模拟智能电表读数与负载率判断 用途展示电气监控中的数据逻辑 def check_load_rate(voltage, current, power_factor, rated_power): voltage: 三相线电压单位V current: 实测线电流单位A power_factor: 功率因数 rated_power: 回路额定功率单位W import math active_power math.sqrt(3) * voltage * current * power_factor load_rate active_power / rated_power * 100 if load_rate 70: status 正常 elif load_rate 90: status 关注 else: status 告警 return { active_power_kw: round(active_power / 1000, 2), load_rate: round(load_rate, 1), status: status, } if __name__ __main__: # 假设一个配电回路额定功率 150kW实测电流 180A电压 400V功率因数 0.93 result check_load_rate(400, 180, 0.93, 150000) print(result)运行结果示例{active_power_kw: 115.93, load_rate: 77.3, status: 关注}这个例子可以帮助理解电气监控系统的基本告警逻辑当负载率接近额定值时运维人员需要提前介入防止设备过载跳闸。9. 常见误区与问题排查从零开始最容易踩的坑数据中心供配电系统涉及的设备多、接口复杂初学者和刚入行的工程师都会遇到不少问题。这里总结几类典型现象和排查思路。问题现象可能原因排查方式解决方案机柜上电后空开跳闸末端回路短路或过载检查负载功率是否超过空开额定值用万用表测量回路绝缘重新核算负载更换匹配规格的空开或调整并柜方案UPS 频繁切旁路过载、整流器故障或输入电压波动查看 UPS 告警日志测量输入电压与频率削减负载或扩容 UPS 容量稳定输入电源质量服务器偶发重启电压跌落、线缆接触不良或供电回路切换用电力质量分析仪记录电压曲线检查 PDU 和线缆连接紧固接线端子调整 UPS 切换参数消除电压跌落点功率因数偏低电费偏高非线性负载谐波严重或未投入无功补偿检查谐波分析数据查看电容柜投切状态配置有源滤波器优化无功补偿策略柜内温度过高但空调正常机柜功率密度超过设计值气流组织不合理使用热成像仪检查热点位置分析机房气流路径调整机柜布局增加盲板与冷通道封闭必要时改造液冷初入数据中心电气方向最容易犯的错误是只盯着设备表象。比如服务器经常出现瞬时重启很多人第一反应是“换个电源”但实际上问题可能出在楼宇配电线路压降过大或者 UPS 切换时间过长。在定位问题时要先从供电链路的最前端逐步往下游排查而不是一上来就动末端设备。另一方面电气作业的安全问题必须摆在最高优先级。任何涉及带电操作的环节都必须执行停电、验电、挂牌上锁流程使用合格的个人防护装备并遵守当地法律法规和执业资质要求。数据中心电气工程师可以参与设计、调试与运维但涉及高压或特种作业时必须由具备相应资质的人员持证操作。不要因为“自己懂一点电”就冒险带电作业这是原则性问题。10. 想入行或转型给技术人的几条建议如果你是正在做软件开发、算法或运维想了解电气方向或者希望把技能面拓宽到 AI 基础设施有几点建议可以参考。10.1 不要觉得电气是“传统行业”而轻视它恰恰相反AI 时代的电力系统正在快速数字化。智能电表、物联网传感器、边缘计算网关、数字孪生平台都在重塑供配电系统的运行方式。一个既懂编程又懂电气的人在智算中心建设、能源管理系统、储能调度平台等方向都有很强竞争力。软件工程师如果愿意补一点电力知识能做的事情会比想象中多。10.2 从自己所在的场景切入如果你在一家公司负责 AI 平台运维可以主动了解机房供电容量和制冷架构学会看动环监控数据。如果你的公司正在做生产制造智能化改造可以研究产线设备的供配电评估和节能优化。只要把学到的电气知识与现有工作结合转型的路径会比从零出发顺畅得多。10.3 关注系统级的能效优化AI 训练成本不只是显卡成本和云资源成本电力成本是实打实的大头。学会计算 PUE、分析供电链路和散热能耗是 AI 基础设施工程师的重要能力。一个能通过合理规划降低几个百分点能耗的电气工程师在大型算力项目中的价值非常突出。10.4 保持跨学科学习电气工程与软件工程的交叉点越来越多最典型的是能源管理系统。比如一座风电场或光伏电站的监控平台既要处理逆变器和电表的实时数据又要与云端预测算法交互。能写代码、能懂电力协议、能理解系统架构的复合型人才恰好是行业稀缺的。11. 结语AI 时代的“香饽饽”不是偶然回到最初的问题AI 狂飙电工为何成了“香饽饽”根本原因在于AI 的每一次技术突破最终都要落到物理世界的基础设施上。算力扩张带来的是电力需求的高速增长而电力需求的集中爆发让电气工程师这个长期被忽略的岗位重新回到舞台中央。所谓“电工吃香”本质上是对高密度供电、高效散热、稳定运维能力的刚性需求被市场看见也是对一批懂得现代电力系统、能和 IT 体系协同工作的工程师的价值重估。如果你正在学技术或者已经在技术行业这个信号值得留意。算法工程师和程序员之间竞争最激烈的赛道不代表所有机会都集中在那里。AI 落地的下半场基础设施和能源的工程化能力会越来越重要。而电气工程这个看似传统的方向正在因为 AI 焕发新的活力。真正值得思考的不是“电工比程序员更吃香”而是“未来的技术人是不是都应该理解电与算力的关系”。这个问题的答案可能比你想象的更接近。