如今最大的一些AI数据中心消耗的电力相当于一座小城市。随着这些设施为从AI到金融交易和全球通信等各种应用提供动力,对可靠、可持续能源的需求增长速度超过了支撑它们的电网。
在美国,数据中心已经占到总电力消耗的约4%——根据美国能源部的数据,这一比例到2028年可能上升到12%。仲量联行全球数据中心趋势2025报告指出,电力供应已成为主要枢纽市场发展的主要制约因素之一。
数字化扩张与能源容量之间的这种紧张关系正在重塑商业策略。正如普华永道《推动美国增长:AI、能源和制造业的创新与敏捷性》报告所强调的,竞争力将越来越取决于组织如何围绕能源供应和基础设施进行创新。
这就是为什么更多数据中心运营商正在探索核能——因为其清洁、全天候的电力供应与24小时运营相匹配。当有效实施时,核能项目可以提供数十年的可靠电力,并帮助释放原本受限于有限电网容量的增长潜力。
为什么核能项目的成败取决于供应链
核能项目是现代基础设施中最复杂的资本项目之一。每个项目都涉及数千个专业组件、严格的安全标准和全球分布的供应商。许多现有供应链并非为当今加速的时间表或模块化、可重复部署而设计。如果没有周密规划,成本可能攀升,时间表可能推迟,发展势头可能丧失。
对于数据中心领导者来说,这使得供应链设计成为战略优先事项,而不是下游采购任务。它直接决定了新产能何时何地能够上线,以及扩展的效率如何。
改善交付的创新
好消息是,供应链、劳动力模式和治理框架方面的创新正在使核能交付变得比以往任何时候都更加实用。通过将这些进步嵌入其资本项目中,组织可以定位自己按时大规模交付:
更智能的采购。随着贸易动态的变化和强调国内生产的新产业政策,项目领导者正在重新评估全球采购模式。区域化和本地化采购可以降低波动性风险并缩短交货时间,而AI驱动的工具正在帮助团队绘制供应商图谱、建模风险,并在问题出现之前模拟交付条件。这种主动方法有助于提高韧性并减少代价高昂的意外情况。
标准化。设计协调是降低供应链风险的最有效方法之一。标准化的技术设计和接口要求使供应商能够更高效地建设产能、加强质量控制并加速项目开发,同时为监管协调创造机会。
早期参与。供应链往往被视为下游物流。领先的组织现在在设计过程的最早阶段就让制造商、物流提供商和监管机构参与进来。这建立了共同责任,改善了需求预测,并在项目动工前实现技术协调。通过将供应链规划转移到更早阶段,组织可以降低后续风险并保持项目按计划进行。
数字化工具。预测分析、数字孪生和集成项目管理平台正在改变供应链监控方式。这些工具可以提供有关瓶颈、劳动力生产率和合规里程碑的实时见解,为项目领导者提供在延误升级之前进行干预的前瞻性。
对数据中心领导者的影响
在未来几年,数据中心的增长将与能源基础设施交付同样依赖于数字基础设施。成功执行的核电项目可以为长期可靠性和可持续性提供途径。为了做好准备,数据中心领导者应该开始绘制潜在核能合作伙伴关系图谱,投资实时供应链可视化工具,并将采购策略与模块化反应堆时间表保持一致。那些提早规划的人将能够最好地定位自己,建设下一个十年所需的容量和韧性。
Q&A
Q1:数据中心为什么需要核能?
A:数据中心消耗电力相当于小城市规模,美国数据中心已占总电力消耗4%,到2028年可能升至12%。核能提供清洁、全天候的电力供应,与数据中心24小时运营需求匹配,可提供数十年可靠电力并释放受电网容量限制的增长潜力。
Q2:核能项目面临哪些主要挑战?
A:核能项目是最复杂的基础设施项目之一,涉及数千个专业组件、严格安全标准和全球分布供应商。现有供应链未为加速时间表或模块化部署设计,缺乏周密规划会导致成本攀升、时间推迟和发展势头丧失。
Q3:如何改善核能项目的交付效率?
A:通过更智能的采购(区域化本地化采购、AI工具)、标准化设计、早期参与供应商和监管机构,以及使用预测分析、数字孪生等数字化工具进行实时监控。这些创新可以降低风险、缩短交货时间、提高韧性。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。