数据中心的建设地点选择是一个具有长远影响的重要决策。在 Data Center World 2025 多个会议中,讨论了数据中心的布局问题,特别是那些专为高性能工作负载服务的新形态 “AI 工厂”。
选址几乎影响着数据中心规划的各个方面 – 从建设成本和租赁费率,到获取技术人才和接近客户。同时,这也会影响电力价格、税收优惠的可获得性,以及地理和地缘政治风险的暴露。尽管存在这些复杂性和明显风险,数据中心建设正以前所未有的速度加速推进。
“2024 年公布了 35 个 GW 级项目,其中 28 个位于美国,还有大约 15 个项目规模略低于 1 GW,而前一年仅有三个此类项目,” DC Byte 美洲区总经理 Colby Cox 表示,其公司运营着全球数据中心情报平台。
在上周的 Data Center World 会议上,Cox 提到,就许可电力容量而言,2024 年全球共置数据中心服务商和超大规模运营商共增加了 122 GW 的容量。然而,如此强劲的发展势头也意味着某些市场中的容量极为紧缺甚至完全无法获得。共置数据中心服务商和超大规模运营商在此领域占据最大影响力,而其他运营商可能会在部分地区被排挤出去。
热门新兴数据中心市场
Cox 提出了几个新兴的潜力市场。例如,印第安纳州西北部在 2023 年末的容量仅为 213 MW,如今已增长至 2.4 GW。同样,宾夕法尼亚州的容量从 404 MW 飙升至 4 GW;肯塔基州过去一年增加了 690 MW,未来预计还会有更多增长;而堪萨斯城都市区在 2024 年实现了 3 GW 的爆发性增长。
此外,北卡罗来纳州的多个大都市区拥有丰富的共置机会。在德克萨斯西部,一个新兴趋势是加密矿业公司转型为 AI 工厂;与此同时,西弗吉尼亚州则通过简化购地和审批流程打开了数据中心市场的大门。
“这些地区之所以具有吸引力,是因为它们同时拥有充足的能源和光纤连接能力,” Cox 说道。
Data Center World 2025 上周在华盛顿 (D.C.) 举行。
全球有前景的数据中心市场
在美国之外,加拿大阿尔伯塔省在一年内的容量由 174 MW 增长至 6.2 GW,这得益于 Shark Tank 的 Kevin O’Leary 宣布了 “Wonder Valley” 项目。该省依靠监管支持、社区认同、充足的土地供应和电力潜力,为数据中心的落地提供了便利条件。
目前正在建设中的离网式 Wonder Valley AI 数据中心预计将于 2027 年底以 20 亿美元竣工,而这仅仅是首期 1.5 GW 的项目。整个 6,000 英亩的园区还将新增 6 GW 的容量。
在 Data Center World 周四的主题演讲中,O’Leary 表示:“数据中心是当今的淘金热。阿尔伯塔是北美滞留天然气的重镇,我们正利用这些天然气为现场购买的 10 台燃气轮机供电。”
此外,越南去年新增了 1 GW 的数据中心容量;意大利米兰增加了超过 1 GW,而澳大利亚在 2024 年开放了 4.3 GW 的新容量。
“新建数据中心必须做好万全准备,” Cox 表示,“这不仅意味着要具备充足电力,还需要有合适的土地资源。”
税收优惠与关税
Cox 表示,在美国数据中心可能获得的税收优惠并不多。许多州对数据中心可能占用他们急需的电力保持谨慎态度。他建议新项目应谋求成为电网的共生伙伴 – 类似于 Wonder Valley 的模式。
“多数设施的运行负载在 60-70% 之间,而 AI 工厂将会面临极高的负载波动性,” Cox 说,“当电网需要时,其中部分电力可以回馈到电网。”
关于关税,尽管在持续的贸易谈判过程中,某些组件将受到一定影响,但另一个需要注意的关税问题来自地方公用事业部门。
“Omdia 首席分析师 Alan Howard 表示:‘公用事业部门可能会征收大负载关税,这将对数据中心的选址产生巨大影响。’”
他还提到了“土地储备”现象,指出超大规模运营商及其他数据中心运营商正在购买大量潜在数据中心用地,因为相较于其他建设成本,土地价格相对低廉。
一切都关乎电力
虽然有许多因素会影响数据中心的选址,但现阶段电力供应无疑是最为关键的因素。
Omdia 云与数据中心业务研究主任 Vlad Galabov 表示:“电力供给是限制 AI 创新和应用速度的最大瓶颈。AI 将推动全球数据中心容量的超过 50%,并带来超过 70% 的收入机遇,因为 AI 正在推动各行各业实现大幅度的生产力提升。”
然而,现有的电网难以满足 AI 的需求。据 Omdia 预测,到 2030 年,数据中心将有多达 35 GW 的电力实现自给。诸如 Wonder Valley 这样的项目正着眼于那些隐藏着庞大滞留电力资源的非传统区域。借用一句古语:“如果电力不来数据中心,那么数据中心就会转向电力。”
随着 AI 重塑数字经济,数据中心运营商面临着新的挑战:跟随电力的脚步。不论是在德克萨斯西部、阿尔伯塔还是宾夕法尼亚,未来的 AI 基础设施不仅会依据需求选址,更会选择那些能源充足、政策友好的地方。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。