谷歌计划在2026年投入高达1850亿美元建设配备最先进AI加速器的新数据中心,这意味着需要大量电力支持。本周一,这家搜索和广告巨头与法国能源基础设施供应商道达尔能源签署电力采购协议,将在德克萨斯州部署1GW太阳能发电容量,为其AI发展战略提供电力保障。
太阳能发电项目详情
该电力采购协议包括在德克萨斯州中部和中北部建设两个太阳能发电场。根据道达尔能源的规划,威奇托和野马溪项目将分别提供805MWp和195MWp的太阳能发电容量。
超大规模云服务商通常通过电力采购协议快速获得新的电力来源。在这种协议下,客户预先承诺在数年期间内以优惠价格购买所发电力。这些产能通常接入现有电网基础设施,而非直接连接负载,不过近年来表后协议变得更加普遍。
该协议代表了道达尔能源可再生能源版图的重大扩张。该公司目前在美国运营约10GW的太阳能、风能和储能容量。
项目时间表和发电预期
两座发电站计划于2026年第二季度破土动工,在15年合同期内预计将为谷歌数据中心提供约28TWh的可再生电力。当然,这取决于天气条件。不过,德克萨斯州确实是建设太阳能发电场的理想选择地之一。
根据落基山国家实验室数据,这两个太阳能发电场平均每天每平方米应能接收4.75至5.25千瓦时的太阳辐射,这比美国大多数州的条件都要好。
太阳能发电的挑战与解决方案
太阳能发电的一个长期缺陷是需要阳光照射才能产生电力,而根据季节变化,日照时间每天只有几个小时。为了克服这一问题,谷歌要么需要将最耗电的任务安排在日照时间内进行(对于训练工作负载来说这完全可行),要么部署某种储能系统来支持傍晚和夜间用电。
虽然谷歌过去曾讨论过其在二氧化碳电池储能方面的工作,但尚未透露是否计划将该技术与道达尔能源协议结合使用。
AI数据中心建设的资金需求
电力并非谷歌支持数据中心建设投资的唯一需求。AI数据中心建设成本昂贵,且装载快速折旧资产,意味着它们只有很短的盈利窗口期。
为了资助这一扩张计划,谷歌母公司Alphabet正在进入债券市场。据彭博社报道,该公司计划在周一通过美元债券发行筹集200亿美元,同时在海外市场推出罕见的100年期债券,债券期限几乎是谷歌成立时间的四倍。
Q&A
Q1:谷歌为什么要在德克萨斯州建设太阳能发电场?
A:谷歌计划在2026年投入高达1850亿美元建设AI数据中心,需要大量电力支持。德克萨斯州是建设太阳能发电场的理想地点,平均每天每平方米能接收4.75至5.25千瓦时的太阳辐射,比美国大多数州条件都要好。
Q2:这个太阳能项目的规模有多大?
A:该项目总容量为1GW,包括威奇托和野马溪两个发电站,分别提供805MWp和195MWp的发电容量。预计在15年合同期内为谷歌数据中心提供约28TWh的可再生电力。
Q3:太阳能发电只在白天工作,谷歌如何解决夜间用电问题?
A:谷歌有两个解决方案:一是将最耗电的AI训练任务安排在日照时间内进行;二是部署储能系统支持傍晚和夜间用电。谷歌曾讨论过二氧化碳电池储能技术,但尚未透露是否会在此项目中使用。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。