导读
今年3月GTC大会上，英伟达CEO黄仁勋提出“Token经济学”概念。在AI产业中，Token正在成为衡量模型推理和AI应用规模的重要指标，数据中心也开始从传统的数据存储与处理基础设施，向承载大规模Token生成与处理的“Token工厂”转变。
变化首先体现在算力需求的快速增长。 华为副董事长、轮值董事长汪涛 华为副董事长、轮值董事长汪涛在2026 AIDC产业发展大会上透露，中国Token日均消耗量已经从2024年初的千亿级增长至2026年的约500万亿，两年增长近5000倍；展望未来十年，全社会算力总量预计还将增长10万倍。 他表示随之而来的是集群形态的重构，10万卡以上的超节点集群到2027年将成为基础配置。 数据中心需要承载越来越高的计算密度。但问题在于，AI算力增长并不是简单增加更多服务器就能解决的。 随着GPU、CPU等芯片持续迭代，新一代芯片的计算能力不断提升，功耗也随之增加。尤其进入智能体时代后，AI从训练走向大规模推理，长上下文、多轮交互以及复杂任务执行进一步推高了计算资源需求。 华为公司董事、华为云CEO周跃峰表示，过去算力基础设施的部署已经暴露出不少挑战。如今芯片几乎一年迭代一代，每一代芯片的能力和能耗都在增长。“模型参数从几百B增长到几个T，未来还会到十个T、几十个T。”在他看来，未来5至10年，AI基础设施将进入高速发展时期。 这意味着，数据中心面对的已经不只是“算力不够”的问题，而是如何在有限的空间、能源和基础设施条件下，承载不断增长的算力。 这一变化已经直接反映在机柜功率上。 过去风冷时代，数据中心单机柜功率通常只有几千瓦、十几千瓦；如今，随着高密度AI算力集群部署，机柜功率已经提升至100千瓦、200千瓦级，未来仍可能继续提高。算力密度的提升，也同步给数据中心的供电、散热、空间利用以及基础设施建设方式带来新的压力。 数据显示，全国数据中心用电量预计将从2025年的约1700亿千瓦时增长至2030年的8000亿千瓦时，占全社会用电量的比重也将从1.6%提升至约6%。《“十五五”规划纲要》因此提出，算力基础设施要向“规模化、集约化、绿色化、普惠化”方向发展。 但仅仅扩大建设规模，并不意味着算力资源就能得到充分利用。 中国电子技术标准化研究院副院长郭楠 中国电子技术标准化研究院副院长郭楠此前用一组数据揭示了这一矛盾：全国数据中心平均上架率仅约58%，部分智算中心甚至不足30%。 这意味着，在算力需求持续增长的同时，行业面对的并非单纯的“算力缺口”，还存在既有算力资源利用效率不足的问题。 因此，AI时代数据中心需要解决的问题正在发生变化：过去更多关注“建设多少算力”，如今则需要进一步考虑，如何用有限的能源和空间，承载更多有效算力。 这也意味着，数据中心的竞争开始从单纯的规模扩张，走向基础设施效率和架构能力的竞争。 问题不只是“空间够不够”，还包括高功率设备如何供电、高密度算力如何散热，以及网络、供电和制冷系统如何在更大的集群规模下保持高效运行。 数据中心需要重新思考的，已经不是简单“扩建多少”，而是“基础设施应该如何组织”。 很多人对3D数据中心的第一反应，是“把数据中心盖成高层”，但这只是最表层的理解。3D并不只是简单增加建筑高度，其核心在于功能分层解耦、立体部署：将传统数据中心中混合部署的供电、制冷和IT系统重新组织到不同空间，通过垂直架构缩短供电、供冷等基础设施与算力设备之间的距离。 这一思路与高端制造工厂的空间组织方式有些类似——动力系统负责能源供给，生产系统专注产品制造，两者在空间上分离、在功能上解耦。 从更微观的角度看，这种思路也与高密度芯片设计存在一定的相似性。芯片通过垂直供电、垂直互连等方式提升空间利用率，而3D数据中心则试图把类似的立体化思路进一步放大到数据中心基础设施层面。 其核心并不是“把楼盖高”，而是让空间、能源和算力之间建立新的组织关系。 就在2026 AIDC产业发展大会的现场上，华为发布全球首个3D数据中心架构。华为称，该架构可作为建设10万卡以上超级算力集群的参考架构。 华为3D数据中心采用典型的四层立体架构。 第一层是底层供冷系统层。制冷设备集中部署在底部，通过垂直管路向上为算力层提供冷量。 第二层是算力系统层，也就是IT层。服务器、交换机等算力设备集中部署于这一层，是整个数据中心的“生产区”。 第三层是供电系统层。配电设备集中部署在算力层上方，通过垂直供电架构向下为IT设备提供电力。 第四层则是屋面备电层。储能系统集中部署于顶部，并配套相应的安全防护设计。 这种架构最核心的变化，是把原本混杂在同一平面内的供电、制冷和IT系统进行重新分工。 首先是链路变短。传统数据中心大量依赖水平走线，而3D架构将供电和制冷转变为垂直贯通，缩短能源和冷量从动力系统到算力设备的传输路径，更适合高功率、高密度AI算力场景。 其次是功能分区更加清晰。动力系统与IT系统分层部署，可以针对不同区域进行更精细的温度和能源管理，减少冷热气流相互干扰，也为集中式制冷和群控提供条件。 更重要的是系统可以独立演进。AI芯片的迭代周期越来越短，而供电、制冷等机电基础设施的生命周期更长。如果两者高度耦合，算力设备升级就可能牵动整个数据中心基础设施；通过分层解耦，可以让IT系统按照芯片和服务器的迭代速度更新，而供电、制冷等基础设施保持相对稳定。 这实际上解决的是AI数据中心一个越来越现实的矛盾：算力迭代越来越快，而基础设施的建设和生命周期却相对更长。 对于超大规模AI集群而言，3D架构最终仍然要回到两个最现实的问题：装得下、跑得稳。 随着大模型参数规模不断增长，训练集群需要部署的GPU数量越来越多，单机柜功率也从传统十千瓦级逐渐走向百千瓦级。此时，单纯横向增加机房面积，不仅意味着更大的土地和建筑投入，也会进一步增加供电、制冷和网络系统的建设压力。 3D架构则尝试通过垂直空间重新组织这些基础设施，将供电、制冷和IT设备进行集中化、立体化部署，从而提高有限建筑空间内的算力承载能力。 在网络侧，高速交换设备集中部署在IT层的核心区域，可以缩短计算节点与网络设备之间的物理距离，为大规模AI集群提供低时延、高带宽的通信基础。 散热方面，集中供冷、分区散热以及空调群控等方式，则可以针对高密度算力进行更精细的热管理。在超大规模集群中，再配合N+1冗余设计，可以在可靠性和能源效率之间进行平衡。 据华为介绍，其3D数据中心架构面向10万卡以上超大规模算力集群设计，单栋机房可支持168MW供电能力，并通过供电、制冷、IT等系统的立体分层，提升高密度算力基础设施的空间利用和能源承载能力。 从传统数据中心的“平面化建设”，到面向AI算力的“立体化部署”，数据中心正在发生的变化，已经不只是服务器数量的增加，而是承载算力的整个基础设施架构开始重新设计。 当Token需求持续增长、芯片迭代不断加速，未来数据中心需要面对的核心问题或许不是“还能建设多少算力”，而是如何让空间、能源、供电、散热和网络等基础设施，与AI算力的增长速度真正匹配。
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表