超大规模数据中心运营商在过去三年中为应对AI热潮,基础设施支出增长近两倍,每季度新增运营容量增长了170%,目前尚无放缓迹象。
Synergy Research发布了追踪超大规模公司增长的最新数据,这些公司包括亚马逊、微软、谷歌等大型云服务提供商,以及Meta、阿里巴巴、腾讯和甲骨文等其他公司。
虽然该市场长期以来一直保持强劲增长,但Synergy的数据和图表显示,自2022年底ChatGPT推出后,市场进入了超高速发展阶段。此后,似乎全世界都想训练自己的生成式AI模型,对合适的IT基础设施和数据中心的需求激增。
因此,据该公司研究显示,超大规模运营商报告的季度资本支出大幅膨胀,增长近180%,今年第三季度达到1420亿美元。每季度新增的数据中心容量也增长了170%。
这种影响体现在超大规模提供商运营的大容量数据中心数量上,目前全球已达到1297个,几乎是2018年数量的三倍。
在同一时期,总运营容量增长了四倍多,这是因为数据中心本身变得越来越大。以前典型设施可能支持数十兆瓦(MW)的IT基础设施,现在正增加到数百兆瓦甚至千兆瓦(GW)的容量。
例如,Meta今年早些时候宣布了几个多千兆瓦数据中心集群的计划,包括一个名为"Hyperion"的2GW集群,该集群可扩展到5GW,占地面积几乎与曼哈顿岛一样大。
美国已经是世界上最大的数据中心市场,占全球安装容量的近一半。但据Synergy数据,美国在超大规模运营容量中占据了更大份额,目前为55%,比三年前的52%有所上升,巩固了其作为大型数据中心主导枢纽的地位。
Synergy披露,这些数据来自对全球21家主要云计算和互联网服务公司数据中心布局的分析,包括SaaS、IaaS、PaaS、搜索、社交媒体、电子商务和游戏领域的最大运营商。
正如预期的那样,覆盖范围最广的公司是三大云服务提供商,他们现在合计占所有超大规模数据中心容量的58%。
与此同时,没有明显的放缓迹象。Synergy表示,目前已知的未来超大规模设施管道在全球有770个,这些设施处于规划、建设或装配的不同阶段。
首席分析师John Dinsdale表示:"基于这项分析,Synergy上调了几个核心指标的五年展望。该公司现在预计超大规模数据中心总容量将在仅仅12个多季度内翻一番,这突显了AI驱动的基础设施投资重塑全球云相关市场的规模和速度。"
然而,人们越来越担心,如果AI投资泡沫破裂,所有这些额外的数据中心容量会发生什么。金融巨头高盛最近警告称,如果行业无法将AI模型货币化,数据中心投资可能无法获得回报,在这种情况下,从现在到本十年末,容量实际上可能会下降。
Q&A
Q1:超大规模数据中心运营商的资本支出增长了多少?
A:过去三年中,超大规模数据中心运营商的季度资本支出增长了近180%,今年第三季度达到1420亿美元。每季度新增的数据中心容量也增长了170%。
Q2:目前全球有多少个超大规模数据中心?
A:目前全球超大规模提供商运营的数据中心数量已达到1297个,几乎是2018年数量的三倍。总运营容量在同一时期增长了四倍多。
Q3:AI投资热潮会带来什么风险?
A:金融巨头高盛警告称,如果行业无法将AI模型货币化,数据中心投资可能无法获得回报。如果AI投资泡沫破裂,从现在到本十年末,数据中心容量实际上可能会下降。
好文章,需要你的鼓励
谷歌Agent Development Kit(ADK)革新了AI应用开发模式,采用事件驱动的运行时架构,将代理、工具和持久化状态整合为统一应用。ADK以Runner为核心,通过事件循环处理用户请求、模型调用和外部工具执行。执行逻辑层管理LLM调用和工具回调,服务层提供会话、文件存储等持久化能力。这种架构支持多步推理、实时反馈和状态管理,为构建超越简单聊天界面的生产级AI应用提供了完整框架。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
苹果在iOS 26中推出全新游戏应用,为iPhone、iPad和Mac用户提供个性化的游戏中心。该应用包含五个主要版块:主页展示最近游戏和推荐内容,Arcade专区提供超过200款无广告游戏,好友功能显示Game Center动态并支持游戏挑战,资料库可浏览已安装游戏并提供筛选选项,搜索功能支持按类别浏览。iOS 26.2版本还增加了游戏手柄导航支持,为游戏玩家提供更便捷的操作体验。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。