AI数据中心物理特性是否让本地部署不再可行

在人工智能计算过程中，图形处理单元（GPU）对电力供应与冷却系统提出了极高要求，这使得直接芯片液冷正逐步成为必不可少的标配方案。

这一说法毫不夸张。从传统数据中心转型为AI工厂，正是推动这一变革的关键驱动力。

整个数据中心的格局将被彻底改写，本地数据中心或许将逐渐退出历史舞台——因为其建设成本与运维复杂性，已超出企业自主可控的范围。

以上观点出自数据中心设备供应商施耐德电气近期举办的一场行业活动。与会专家深入探讨了数据中心领域的未来趋势，并实地考察了一个正在安大略湖畔推进的750兆瓦项目——由TeraWulf公司负责建设。

在本系列的四篇文章中，我们将逐步解读：TeraWulf项目的快速建设进展、GPU功率的惊人跃升如何重塑数据中心设计路线、它们对电网及水资源的具体影响，以及“锈带”地区如何为AI工厂的全新蓝图让路。

人工智能带来的能源消耗激增，正在引发数据中心设计的阶段性变革。核心问题在于，为GPU供电和降温的需求，在传统风冷数据中心架构下根本无法满足。因此，AI工厂应运而生。

过去，数据中心冷却一直是工业暖通空调设计中最可预测的任务：将服务器装入机架，利用冷风进行散热。AI的出现彻底改变了这一切。

驱动AI革命的核心硬件——尤其是GPU——其运行时的热量密度和电力密度，已让传统风冷方法彻底失效。大语言模型训练与推理所需的芯片处理能力，并非通过增加或提速风扇就能解决。

恰恰相反，行业正面临一个关键转折点：必须全面转向直接芯片液冷技术，并将机架级电力传输升级为800伏直流电。

液冷已成为硬性要求

“液冷不是可选方案，而是强制标准。”施耐德电气旗下热管理公司Motivair（2024年被收购）的首席执行官Rich Whitmore表示。“这是所有高功耗处理器的基本要求。转折点出现在约700瓦的处理器上，例如H100。那是风冷从物理定律‘弯曲’走向现实的临界点。业界已别无选择。”

支撑这一转变的物理原理非常简单：当单个处理器的功耗超过700瓦阈值时，空气根本无法快速流动，也无法带走足够的热能，以防止芯片降频甚至损坏。

过去，企业级机架的平均功率通常介于10千瓦至50千瓦之间。而如今，典型的AI训练环境通常部署140千瓦至150千瓦的集群。200千瓦的系统已蓄势待发，而兆瓦级机架的参考设计也将在本十年末成为现实。

这种能量密度意味着，100%的电力输入都将转化为热量，而其所占的空间却仅相当于一台冰箱。

颇具矛盾的是，这一转变反而提升了热力学效率。传统数据中心依赖耗电的制冷设备提供低温冷风；而液冷系统可在较高温度下运行，允许运营商使用高温冷却器或空气-流体干冷器。

“风冷数据中心就像老式大众发动机，负载产生的热量直接散发到空气中。”施耐德电气冷却技术与产品开发负责人Tuan Hoang打了个比方。“但液冷如同现代汽车。散热器从发动机中导出热量。当你转向这种闭环散热方案时，实际上AI工厂的冷却并不需要消耗水资源。”

800伏直流电成为新常态

热限制正在将流体动力学引入数据中心的“白色空间”——即放置IT硬件、创造核心价值的区域。然而，驱动200千瓦至400千瓦服务器配置所需的电流，会直接压垮现有的低压配电架构。

到目前为止，云设施通常遵循开放计算项目标准，将交流电输送至机架，再由内部电源将其转换为48伏或54伏直流电供应服务器。然而，当机架密度超过200千瓦时，这种方式在机械与结构层面已变得不切实际。

“当你尝试沿用这套架构时，会逐渐失去回旋余地。”施耐德电气AI与数据中心首席倡导者Steven Carlini解释道。“这实际上是机械与电气的双重难题。目前，这些高密度机架需要接入八根电源线。当功率接近兆瓦级时，需要32根更粗的电缆接入，这根本难以实现。”

为突破这一瓶颈，数据中心设计正果断转向800伏直流电供电。更高的电压意味着更低的电流，进而可以使用更细的线缆。通过将配电架构升级为高压直流电，数据中心运营商可大幅减少进入机柜的铜线厚度、重量与复杂性。

这种电气转型需要全新的供电设计。例如，针对混合环境或棕地改造的“边车架构”——将电力转换基础设施从主IT机架中分离，置于计算硬件旁边；或针对绿地站点的集中式配电，即交流到直流的转换在设施层、配电间或行尾进行。

芯片级变革的连锁反应

将数据中心重新设计到芯片级别，从根本上改变了基础设施的设计与维护方式。当计算集群以当前速度扩展时，任何微小的电气异常或温控波动，都可能带来灾难性的商业后果。

“数据中心正在发生根本性变化。”施耐德电气安全电源与数据中心执行副总裁Manish Kumar表示。“我们认为，数据中心正演变为规模与复杂性都极为庞大的AI工厂。你必须重新构想如何设计、建造、推向市场，并在整个生命周期中进行全面考量。”

这种工业复杂性始于物理部署之前的数字孪生建模。由于AI开发人员常常因等待GPU供电而面临巨额罚款，提前模拟热负载与电气选择性，有助于降低资本支出风险并缩短部署周期。

同时，向800伏直流电架构的过渡也引出了系统保护问题。与交流系统不同，高压直流电路缺乏容易切断电路的零点。这需要开发专用的固态断路器：若在刀片层面发生单点故障，仅该断路器跳闸，而不会导致整个价值数百万美元的训练集群瘫痪。

数据中心正站在十字路口。运营商与企业级基础设施面临战略性抉择：要么放弃传统风冷与低压电力传输，要么在AI时代的物理现实面前，面临被淘汰的风险。

直接芯片冷却是否意味着本地数据中心的终结？

首席信息官们曾长期处于一种舒适平衡状态：企业数据模型演变为混合模式。在这种模式下，非关键弹性工作负载迁移至公共云，而敏感核心业务系统、专有数据集与可预测的处理负载，则保留在企业内部的传统风冷本地服务器机房中。

AI可能打破这种平衡。随着从标准中央处理器计算转向加速GPU集群，现代AI硬件的物理要求已无法与传统本地设计兼容。

那么，当下一代芯片强制要求直接芯片液冷与前所未有的功率密度时，这是否意味着本地企业数据中心的终结？

液冷对大多数企业不可行？

正如所见，基础设施的拐点根植于AI硬件的热强度。

对业界部分人士而言，部署液冷架构所需的复杂性与资本支出，意味着本地AI对绝大多数企业来说并不现实。

过去，企业可以建造高质量的数据中心建筑，安装电力与冷却基础设施，然后在15年内稳定运行三代、四代甚至五代连续的IT硬件更新，而无需更改底层设施。

AI硬件打破了这一模式。芯片设计的加速意味着每一代AI处理器都会带来新的物理尺寸、功率配置与流体流动需求，这些要求与仅在一年前建造的基础设施完全不兼容。

“在数据中心的旧时代，你建造建筑、设施、电力与冷却系统，然后可以支撑三次、四次甚至五次IT更新。”Cloudflare客户经理Chris Burnett表示。“今天的数据中心……很少有人会为下一代建造双倍规模的电力和冷却系统。你是为当下建造的，这极具挑战性。”

对企业首席信息官而言，商业影响十分直接：建造一个能处理200千瓦机架的本地数据中心，需要数百万英镑的专业前期资本支出。如果这个定制设施在单个IT生命周期内就变得过时——因为下一代芯片需要完全不同的流体动力学或更高电压——那么财务投资回报将瞬间蒸发。

因此，外包给大型公共云超大规模提供商或专业多租户托管提供商的理由，显得尤为充分。

还是实现全民化部署？

但也有人认为，现在宣布企业数据中心消亡还为时过早。从这个视角看，企业AI的长期未来不会仅仅由单一的基础模型训练构成——这部分无疑属于专业的超大规模环境。相反，普通企业的真正商业价值在于，利用专有企业数据微调更小、高度安全且特定领域的模型。

“企业会部署直接液冷吗？还是说这超出了他们的能力范围？我认为他们肯定会。”施耐德的Carlini表示。“他们一定会转向直接芯片液冷。”

他认为，随着直接芯片液冷技术逐步成熟，市场将经历一个工业标准化过程。届时，基础设施提供商将提供模块化、自包含的“即插即用”液冷机柜，专为适配现有企业空间而设计。

Carlini强调，一旦跨越最初的机械障碍，液冷系统固有的热力学效率就会为企业带来优势。“凭借液冷的效率与可运行的较高温度，水资源消耗将大幅减少。”

通过在明显更温暖的流体温度下运行，这些系统消除了对大型、复杂外部制冷装置的需求，有可能使本地化高密度计算在运营上比传统风冷系统更高效。

混合模式或成关键

与此同时，另一种可能正在浮现：采用围绕AI生命周期阶段构建的混合方法。

对于资源密集型的训练阶段——数千个GPU必须紧密集群，在数周或数月内处理PB级数据——企业数据中心完全无法胜任。这项工作必须外包给那些拥有原生800伏直流电配电与高容量液冷回路的专业超大规模或托管环境。

但一旦模型训练完成，运营重点便转向推理。每次查询所需计算密度大幅降低，而且推理必须在物理上靠近公司的运营数据存储，以最小化网络延迟并符合数据保护法规。

这正是Carlini描述的本地液冷服务可能找到的应用场景。在这种情况下，企业数据中心将被改造，以支持紧凑、高效的液冷推理区域。

首席信息官应评估自身需求

直接芯片液冷的出现，已彻底颠覆了传统数据中心设计指南。传统企业服务器机房根本无法适应现代加速芯片的物理特性。

试图将AI工作负载强行塞入传统风冷配置的首席信息官，可能会遭遇热降频、能源浪费与成本飙升。但同样，那些试图在本地复制超大规模数据中心的人，也面临基础设施资本锁定的风险——这些设施可能在下一代芯片问世时就被淘汰。

正确的路径需要一种严格、以应用为导向的基础设施规划方法。首席信息官应拆分AI应用管道，区分高密度训练需求与本地化推理需求，并分别进行审核。

混合模式可以充分利用专业托管提供商的规模来承担繁重的训练任务，同时，企业团队可为安全推理准备标准化的闭环液冷系统。

Q&A

Q1：为什么GPU必须使用液冷技术？

A：当单个GPU处理器功耗超过700瓦阈值时，空气无法快速流动，也无法吸收足够热量以防止芯片降频或损坏。现代AI训练环境的机架功率通常达到140-150千瓦，甚至200千瓦，传统风冷方法已完全过时，液冷成为强制性标准而非可选方案。

Q2：800伏直流电供电相比传统供电有何优势？

A：当机架密度超过200千瓦时，传统低压配电需要大量粗大电缆；在接近兆瓦级时，甚至需要32根或更多大型电缆，这在机械与结构上难以实现。800伏直流电供电采用更高电压、更低电流的方式，可大幅减少进入机柜的铜线厚度、重量与复杂性。

Q3：本地数据中心是否会因AI技术而完全消失？

A：不会完全消失，更可能形成混合模式。资源密集型的AI模型训练需要外包给专业的超大规模数据中心，但模型训练完成后的推理阶段，企业仍需本地部署以减少网络延迟并符合数据保护法规。企业数据中心将被改造为支持紧凑、高效的液冷推理区域。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AI数据中心物理特性是否让本地部署不再可行要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题