数据中心的开发者和运营商发现获取电力变得比以往更加困难。在这些挑战中,一些数据中心正在重新思考其策略,采用了计量表后配置,即发电和用电在同一地点进行。
据 Boston Consulting Group 介绍,数据中心电力短缺可能超过 45 GW。目前有超过 12,000 个活跃项目正在寻求电网互联,涵盖 1,570 GW 的发电容量和 1,030 GW 的储能容量。由于 AI 的影响,未来五年内,数据中心的电力消费将从占美国电力的 2.5% 增长到 7.5%。
在今年 Data Center World ( 数据中心世界 ) 活动的演讲中,AFCOM 项目主席 Bill Kleyman 阐述了业内任何寻求电力的人所面临的问题。
“AI 数据中心面临的首要制约因素是电力,”Kleyman 说道。引用 AFCOM 2025 State of the Data Center 报告,他表示 62% 的数据中心正在探索现场发电以提升能源效率或增强韧性。接受调查的机构中近五分之一 ( 19% ) 表示他们到 2024 年底已开始实施某种形式的计量表后配电。
计量表后数据中心方案涉及在全新数据中心旁直接建立可再生能源资产。现场发电有助于绕过电网拥堵,避免输电损耗,降低环境影响,加快市场投放速度,并通过减少对停电的脆弱性来提高设施可靠性。
Kleyman 补充道,数据中心对可再生能源的关注和采用依然很高。但由于其实际可用容量仅达到约四分之一,因此 AI 工厂无法依赖可再生能源。相反,他们正转向天然气发电和小型模块化反应堆 ( SMRs ) 作为未来能够满足数据中心需求的数量和可靠性要求的解决方案。
AI 数据中心面临的首要制约因素是电力。
AI 电力需求推动新思路
业内分析师预计,未来几年 AI 工作负载将激增。随之而来的电力需求上升带来了当下亟需解决的挑战。
“随着 AI 在各行各业推动巨大的生产率提升,AI 将驱动全球超过 50% 的数据中心容量和超过 70% 的收入机会,”Omdia 云与数据中心业务研究总监 Vlad Galabov 表示。“到 2030 年,数据中心自发电量将超过 35 GW。”
急于建设所谓 AI 工厂的企业没有耐心等待传统电力公司提供所需电力。电力公司可能需要半个十年甚至更长时间来增加容量。AI 工厂开发者需要立刻获得电力——这意味着采用计量表后配电和自带电源 ( BYOP ) 模式。
Galabov 预测,未来超大规模数据中心运营商、托管服务供应商和 AI 设施开发者将与电力网络各环节的代表加强投资合作和伙伴关系。
据 Omdia 预测,到 2030 年,全球数据中心的年度资本支出投资将达到 1 万亿美元,其中电力物理基础设施将是最大的受益者。
“随着计算能力和机架密度的提升,电力物理基础设施的投资量正在迅速加速,”Galabov 表示。
天然气经济性优势明显
许多下一代数据中心开发者愿意远赴重洋寻找所需电力。一些人前往加拿大,而另一些则在北达科他州、西弗吉尼亚州或西德克萨斯寻找丰富的能源。
由于电力不足,传统的大都市热点区域正被忽视。一些开发者在大型风能和太阳能农场旁寻找地点,但大部分新宣布的巨型数据中心更倾向于选址在天然气盆地附近。
美国境内储藏着大量天然气,其开采技术已十分成熟,价格低廉,并且拥有庞大的管道网络将天然气输送到市场。未来几年,这些因素将促使更多大型数据中心倾向于选址在天然气丰富的区域。
VoltaGrid 数据中心及微电网开发副总裁 Dave Bell 表示,“在 2024 年至 2030 年间,数据中心对天然气的消耗将增长近三倍。到那时,数据中心用于发电的天然气消耗将达到美国总天然气消耗量的 4.5%。”
Bell 建议数据中心应选址靠近现有的天然气储备以及州内外的管道网络区域,这包括西弗吉尼亚州、宾夕法尼亚州、俄亥俄州、弗吉尼亚州、德克萨斯州和俄克拉荷马州。
供电时机
交付最新 AI 服务的竞赛正以快速的步伐继续。最新高性能芯片的竞争激烈,而变压器等电气设备的交付周期则较长。有些燃气轮机的等待时间可能长达三年或更久。小型模块化反应堆 ( SMRs ) 的核能开发、获得许可并投入使用可能需要五年时间,甚至更长。
Applied Digital 首席运营官 Laura Laltrello 表示,“供电速度决定胜负。AI 竞赛青睐那些能快速提供电力的建设者——计算需求不会减缓。”
她的公司偏好北达科他州。Applied Digital 在那里发现了被闲置的电力,计划用来运营其 AI 工厂。该电力将来自一个大型风电场,其供应能力应超过 400 MW。
Laltrello 说道,“最大的瓶颈在于电力。主要都市区的电网已经饱和,受制于电网限制,并且扩展速度缓慢。”
好文章,需要你的鼓励
OpenAI明确表示要成为互联网一切事物的主导界面。AI智能体正在改变用户的数字习惯,从健康记录分析到购物指导,ChatGPT已经在多个领域扩展影响力。用户快速采用AI工具,但企业和生态系统的适应速度滞后。电商领域的权力分配尚不明确,用户偏好AI驱动的答案优先体验,品牌则推动生成式引擎优化。研究旨在了解用户与企业在AI变革中的适应差异。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。