又一家企业加入了从加密货币转向AI赛道的行列——Core Scientific于本周一宣布,计划将位于德克萨斯州佩科斯的一处300兆瓦比特币挖矿设施,改建为一座1.5吉瓦的AI数据中心园区。
从加密货币到AI Token的转型浪潮
Core Scientific是众多抢在泡沫破裂前完成从加密货币挖矿转型为AI Token运算的企业之一。该公司近期宣布计划发行33亿美元的高收益债券,以支撑此次转型。在这一领域,最具代表性的转型企业还包括CoreWeave和Crusoe——前者此前已与Core Scientific签约,租用其位于德克萨斯州丹顿的数据中心容量。
新设施建设进展
这家昔日的比特币矿商已于今年早些时候启动了新设施的建设,首个新数据机房预计于2027年初投入运营。建成后,Core Scientific估计该设施将提供约1吉瓦的可租用容量,相当于一座大型核反应堆的发电量。不过,这一切的实现都有赖于该公司能否获得充足的电力供应。
电力保障方案
Core Scientific表示,已从当地电力公司获得额外300兆瓦的电力供应,并计划通过某种"可扩展的表后电力解决方案"加以补充。至于具体方案,公司目前尚未透露详情。事实上,在数据中心现场自建发电设施以维持GPU持续运转,Core Scientific并非先例。
过去一年间,各大超大规模云服务商纷纷采用非传统储能或发电技术,有些方案甚至颇为前卫。谷歌、甲骨文、AWS等公司均押注小型模块化反应堆(SMR)——即可部署于现场的小型核电站——以满足其AI业务的电力需求。与此同时,Meta本周与Overview Energy签署协议,计划从轨道上向地面传输1吉瓦的太阳能电力,但前提是相关阵列须先成功入轨。然而,与SMR一样,这一计划最早也要到2030年后才能落地。
电力供应成为关键制约
电力短缺已成为AI基础设施扩张的重要瓶颈,AWS、谷歌、xAI等主要模型开发商甚至开始探讨在轨道上建设数据中心的可能性,但此类部署的经济可行性目前仍存在较大争议。
在更为现实的选项中,Bloom Energy的燃料电池技术(可将氢气或天然气转化为电能、水和二氧化碳)以及xAI旗下Colossus数据中心所采用的便携式燃气发电机,或许是当前最可能被采用的解决方案。
目前,我们已就具体供电方案联系Core Scientific寻求置评,如有回应将及时跟进报道。
Q&A
Q1:Core Scientific为什么要将比特币矿场转型为AI数据中心?
A:Core Scientific是一批正在从加密货币挖矿转向AI算力服务的企业之一,此次转型是在加密货币市场前景不确定的背景下做出的战略调整。该公司计划将德克萨斯州佩科斯的300兆瓦比特币挖矿设施改建为1.5吉瓦的AI数据中心园区,并已宣布发行33亿美元高收益债券为转型提供资金支持。
Q2:Core Scientific新AI数据中心的建设进度和规模如何?
A:Core Scientific已于2025年初启动新设施建设,首个数据机房预计2027年初投入运营。建成后,整体设施将提供约1吉瓦的可租用容量,相当于一座大型核反应堆的发电量,是目前规划中规模较大的AI数据中心项目之一。
Q3:AI数据中心面临的电力问题有哪些解决方案?
A:电力短缺是当前AI数据中心扩张的主要瓶颈。主流解决方案包括:小型模块化核反应堆(SMR),谷歌、AWS、甲骨文等均有布局,但最早2030年后才能落地;轨道太阳能传输,Meta已与Overview Energy签约探索;以及更为现实的Bloom Energy燃料电池技术和便携式燃气发电机,后者已被xAI的Colossus数据中心采用。
好文章,需要你的鼓励
火箭实验室(Rocket Lab)宣布计划以现金加股票方式,斥资80亿美元收购主要卫星运营商铱星通信(Iridium Communications),交易预计于2027年中完成。铱星目前运营着由66颗活跃低轨卫星组成的星座网络,拥有约255万活跃用户,2024年营收达8.717亿美元。收购完成后,Rocket Lab计划借助其新型重型运载火箭Neutron及Lightning卫星平台,扩大铱星星座规模,开拓未被覆盖的市场并降低发射成本。
腾讯等机构提出ViQ框架,通过两阶段渐进量化训练,让离散视觉编码在多模态理解和图像重建上同时追平连续特征编码器,训练速度最高提升70%。
音乐流媒体平台Tidal宣布,将于7月中旬启用自动化工具,对完全由AI生成的音乐添加"AI"标识,并移除具有欺诈性质的曲目。平台还将取消AI生成音乐的版税资格,仅向真人创作、演唱的原创音乐开放变现渠道。此外,Tidal明确将高频异常上传、干扰真实艺术家等行为列为欺诈活动。Deezer、Spotify等竞争对手此前已推出类似检测机制,流媒体行业正加速构建AI内容治理体系。
香港科技大学与华为联合提出LISA训练方法,通过让副网络对齐"似然分数",将ControlNet等图像生成模型的训练收敛速度提升逾2.78倍,同时改善图像质量与条件控制精度。