NTT全球数据中心在其与ThoughtLab联合发布的最新报告《数据中心能否跟上AI的步伐?》中指出,AI基础设施建设面临的核心挑战已不再是需求不足,而是落地执行能力。报告预测,全球AI驱动的数据中心需求将在2030年前以每年23%至30%的速度增长,但警告称电力供应、设备短缺、土地限制以及劳动力不足等问题,可能导致供给端难以跟上需求步伐。
电力:最关键的制约因素
报告将电力列为行业面临的最主要限制因素。NTT指出,电网容量和公用事业并网问题正在成为多个核心市场的重大瓶颈,尤其是美国和欧洲地区。在这些地方,能否获得充足电力,正日益成为AI数据中心项目能否按期推进的决定性条件。
供应链压力全面上升
除电力问题外,NTT还着重指出基础设施供应链所承受的多重压力。处理器、变压器、开关设备及备用发电机等关键设备交货周期长,直接拖慢了项目部署进度。与此同时,熟练建筑工人短缺和社区对新建项目的反对情绪日益增加,进一步延长了项目建设周期。这些因素叠加,正在深刻影响运营商规划AI基础设施投资和管理项目风险的方式。
提升效率与扩大容量同等重要
报告强调,提升基础设施运行效率与扩大容量同样重要。NTT建议行业加快推广先进冷却技术、AI驱动运营管理、工作负载优化,并推动电能使用效率(PUE)和水资源使用效率(WUE)等指标的统一规范披露。NTT认为,围绕效率指标加强透明度,并尽早与公用事业机构及设备供应商开展协调,将是支撑AI基础设施下一阶段增长的关键举措。
行业动态速览
SK电信宣布计划在韩国建设最高15GW的AI数据中心容量,押注大规模算力基础设施将巩固韩国在亚洲快速扩张的AI经济中的地位。
三星重启1.4纳米芯片制程商业化进程,将量产目标调整至2029年,较原计划推迟两年,与此同时,台积电和英特尔也在推进类似的先进制程节点。
据报道,OpenAI正在讨论向美国政府提供5%股权份额的方案,旨在让公众共享AI发展红利,并争取更广泛的政治支持。
据悉,Anthropic正在考察三星2纳米代工产能及先进封装技术,以开发定制AI芯片,降低算力成本并强化长期供应链保障。
布鲁克菲尔德计划在伦敦金丝雀码头建设AI数据中心,扩大其AI基础设施版图,押注长期需求增长和政府支持将持续推动市场发展。
微软联合Lightstorm、塔塔通信等机构,共同建设全长3600公里的I-2SEA海底电缆,旨在加强印度、马来西亚和新加坡之间的AI、云计算及超大规模互联能力。
新电信正在考虑设立房地产投资信托或永久资本载体,为未来数据中心和主权AI领域的投资提供资金支持,目前在Nxera和RE:AI项目上的支出正持续加速。
布鲁克菲尔德将与Bloom Energy的融资框架从50亿美元扩大至250亿美元,为全球超大规模AI工厂提供可快速部署的电力基础设施支撑。
Q&A
Q1:NTT报告中提到AI数据中心需求增长有多快?
A:根据NTT全球数据中心与ThoughtLab联合发布的报告,全球AI驱动的数据中心需求预计将在2030年前以每年23%至30%的速度持续增长。但报告同时警告,电力供应不足、关键设备短缺、土地限制以及熟练劳动力匮乏等多重因素,可能导致供给端无法有效跟上这一增长速度。
Q2:电力问题为什么会成为AI数据中心建设的最大瓶颈?
A:NTT报告指出,电网容量有限和公用事业并网困难,正在成为美国、欧洲等核心市场的重大制约。AI数据中心耗电量巨大,而电力基础设施的扩建周期较长,导致项目能否获得充足电力,直接决定了建设能否按期推进。这使得电力成为当前AI基础设施扩张中最难突破的关键瓶颈。
Q3:NTT对提升AI数据中心效率有哪些具体建议?
A:NTT建议行业从多个维度入手提升效率:一是推广先进冷却技术;二是引入AI驱动的运营管理系统;三是优化工作负载调度;四是统一规范披露电能使用效率(PUE)和水资源使用效率(WUE)等关键指标。此外,NTT还强调,运营商应尽早与公用事业机构及设备供应商开展协调,以有效支撑AI基础设施的下一阶段增长。
好文章,需要你的鼓励
今天讲的出海案例是联合动力,这家新能源汽车电驱和电源系统供应商,正在泰国把海外商用车定点项目转成批量交付。
这项研究提出DataEvolver框架,把被丢弃的"不合格训练图片"转化为改进数据收集策略的反馈,让AI文字图像生成训练数据的构建流程能自我进化,在相同数据量下显著提升文字渲染质量。
苏格兰国家党(SNP)全国委员会通过动议,拟对苏格兰境内新建数据中心实施全面暂停令,此举可能动摇英国AI战略的核心支柱。苏格兰因拥有丰富可再生能源,一直是英国官方力推的数据中心首选地。目前苏格兰已有24个超大规模数据中心项目处于规划阶段,合计用电量将超过苏格兰峰值需求的1.5倍。与此同时,英国AI"增长区"计划也因虚报投资、项目落空等问题备受质疑,英国AI主权战略的独立性同样引发议会关注。
这项研究构建了含382个职场任务的AFTER基准测试,系统评估AI程序性记忆在不同任务、角色和模型间的迁移能力,揭示多模型混合经验显著优于单一来源的规律。