這是《麻省理工科技評論》2026 年“十大突破性技術”深度解讀系列的第九篇內容，關注 DeepTech，關注新興科技趨勢。

在廣闊的農田和工業(yè)園區(qū)里，一棟棟塞滿計算機機架的超大型建筑正拔地而起，為 AI 競賽提供動力。這些工程奇跡是一種新型的基礎設施：它們是專為訓練和運行超大規(guī)模大語言模型而設計的超級計算機，并配備了專用的芯片、冷卻系統(tǒng)，甚至獨立的能源供應。

2025 年，AI 基礎設施的投資規(guī)模已從“數十億美元”的量級躍升至“萬億美元”。1 月 21 日，美國總統(tǒng)特朗普在白宮宣布了“星際之門”（Stargate Project）——由 OpenAI、軟銀、Oracle 和阿布扎比投資基金 MGX 組建的合資企業(yè)，計劃四年內向美國 AI 基礎設施投資 5,000 億美元，首期即刻部署 1,000 億美元。軟銀 CEO 孫正義出任董事長，OpenAI 負責運營。

星際之門正迅速從藍圖變?yōu)楝F實。位于德克薩斯州阿比林的旗艦園區(qū)已于 9 月投入運營，Oracle 開始交付首批英偉達 GB200 芯片機架。到年底，星際之門已宣布五個新址，總規(guī)劃容量接近 7 吉瓦，投資額超過 4,000 億美元。與此同時，OpenAI 還在阿聯酋、挪威和阿根廷啟動國際布局，阿根廷巴塔哥尼亞的“星際之門阿根廷”項目投資高達 250 億美元，將成為拉丁美洲最大的數據中心。

但星際之門只是冰山一角。據 HSBC 估計，全球已規(guī)劃的 AI 基礎設施投資超過 2 萬億美元。亞馬遜承諾投入 1,000 億美元，谷歌 750 億美元，Meta 650 億美元，微軟僅 2025 年就將支出 800 億美元。據一項分析估算，OpenAI 已承諾在 2025 年至 2035 年間向硬件和云基礎設施支出約 1.15 萬億美元，涉及英偉達、AMD、Oracle、微軟、Broadcom 等七家主要供應商。

超大規(guī)模 AI 數據中心將數十萬個 GPU 芯片，如英偉達的 H200 或 GB200，捆綁成協同工作的集群。這些芯片擅長并行處理海量數據，每秒執(zhí)行數萬億次數學計算。數十萬英里長的光纖電纜像神經系統(tǒng)一樣連接著它們，巨大的存儲系統(tǒng)晝夜不停地輸送數據。

但驚人的算力是有代價的。

首先是電力。國際能源署（IEA）預測，全球數據中心電力消耗將在五年內翻一番以上，到 2030 年將超過 1,000 太瓦，相當于整個日本的用電量。僅在美國，數據中心已占全國電力消耗的 4.4%，而 2018 年僅為 1.9%；到 2028 年可能攀升至 12%。在弗吉尼亞州這個全球數據中心最密集的地區(qū)，數據中心消耗了該州約 26% 的總電力。

在建的最大型數據中心可能吞噬超過一吉瓦的電力，足以為約 75 萬戶家庭供電。某些規(guī)劃中的園區(qū)占地 5 萬英畝，耗電量可達 5 吉瓦，超過美國現有最大核電站的容量。Grid Strategies 估計，到 2030 年美國將新增 120 吉瓦電力需求，其中 60 吉瓦來自數據中心，相當于意大利的峰值電力需求。

目前，煤炭以約 30% 的份額成為數據中心最大電力來源，天然氣占 26%，可再生能源約 27%，核能占 15%。盡管可再生能源增長最快，但天然氣和煤炭仍將在 2030 年前滿足超過 40% 的新增需求。

科技巨頭們正競相尋找清潔方案：亞馬遜從賓夕法尼亞州核電站直接獲取約 960 兆瓦電力；谷歌與 Kairos Power 簽署協議部署小型模塊化反應堆；OpenAI 在挪威利用水電資源建立數據中心。但核能從開工到發(fā)電需要 5 至 11 年，資本支出是天然氣的 5 至 10 倍，遠水難解近渴。

第二個挑戰(zhàn)是冷卻。AI 芯片的功率密度從過去的每機架 15 千瓦飆升至 80 至 120 千瓦，傳統(tǒng)空調已無法滿足需求。直接芯片冷卻（D2C）正在成為主流，這種技術將冷板直接安裝在 GPU 上，閉環(huán)系統(tǒng)在熱源處帶走 70% 至 80% 的熱負荷。

浸沒式冷卻則更進一步：服務器被浸泡在非導電液體浴槽中，可將冷卻能耗降低 50%，水耗降低最高 91%。微軟最新設計采用芯片內微流體冷卻，微小通道直接蝕刻在硅芯片背面，使 GPU 溫度降低 65%。

然而，許多設施仍依賴蒸發(fā)冷卻，消耗大量淡水。據估計，2023 年美國數據中心直接消耗約 175 億加侖水，到 2028 年可能翻兩番。僅訓練 GPT-3 就蒸發(fā)了 70 萬升清潔淡水。彭博社報道，自 2022 年以來建造的美國數據中心約三分之二位于高水壓力地區(qū)。

公眾正在為這些建設買單。Dominion Energy 的 2025 年報告顯示，弗吉尼亞州居民電費預計到 2039 年將翻一番以上，主要因數據中心增長。在佐治亞州牛頓縣，某些擬議數據中心每天請求的水量超過整個縣的日用水量，迫使當地官員在拒絕項目、要求替代冷卻方案或對居民實施限水之間艱難抉擇。

地方反對正在加劇。據 Data Center Watch 統(tǒng)計，自 2023 年以來美國已有 180 億美元項目被取消，460 億美元被延遲。僅 2025 年第二季度，被阻止或延遲的項目價值達 980 億美元。居民們因噪音、光污染、水資源枯竭和電費上漲而組織抵制；2025 年 12 月，超過 200 個環(huán)保組織聯名致信國會，呼吁暫停批準新的數據中心。

科技高管們對此不以為然。AMD 首席執(zhí)行官蘇姿豐在被問及 AI 熱潮是否過度時斬釘截鐵：“絕對不是?！彼麄儗⒋鸢冈V諸于 8 億每周 ChatGPT 用戶、40% 大型企業(yè)的 AI 采用率，以及 AI 作為經濟引擎和國家安全優(yōu)先事項的戰(zhàn)略價值。OpenAI 首席財務官 Sarah Friar 引用歷史作為辯護：“當互聯網剛起步時，人們總覺得我們建設過度了?？纯次覀兘裉煸谀睦铮俊?/p>

這些交易的循環(huán)性質以及預測的需求能否兌現，仍是懸而未決的問題。電網規(guī)劃者發(fā)現科技公司正在向多個公用事業(yè)展示同樣的項目以尋求最快的電力接入，使需求預測變得困難。聯邦能源監(jiān)管委員會前主席 Willie Phillips 坦承：“有些地區(qū)預測了巨大的增長，然后又向下調整了?！?/p>

從 1990 年代的本地服務器到 2000 年代的云計算，再到如今的 AI 超級工廠，數據中心的演進從未停止。生成式 AI 已從瓶中釋放，沒有回頭路。但關于經濟預測是否準確、資源供應能否持續(xù)、建成后誰來使用，這些問題的答案，或許只有時間才能揭曉。

超大規(guī)模 AI 數據中心入選 2026 年度十大突破性技術，我們邀請了三位來自產業(yè)與科研一線的代表，圍繞其關鍵技術路徑與產業(yè)影響進行點評。

以下評論內容均為個人見解，不代表《麻省理工科技評論》觀點

從算力堆疊到能源博弈：超大規(guī)模 AI 數據中心的現狀、瓶頸與趨勢

首先需要明確一個核心概念：超大規(guī)模 AI 數據中心，絕對不是傳統(tǒng)數據中心的簡單放大版。它誕生的根本驅動力，是為了滿足大模型對算力近乎指數級增長的海量需求。因此它的架構是革命性的，本質上是把數十萬計的 GPU 通過極高速網絡“粘合”在一起，形成前所未有的單體式超級計算機。

谷歌、微軟、亞馬遜、Meta 等全球科技巨頭，都在投入數千億美元競相布局。但與此同時，這個龐然大物也帶來了一系列前所未有的挑戰(zhàn)：驚人的功耗、棘手的散熱、巨大的能源壓力，以及如何在規(guī)模擴展與效率提升之間找到最佳平衡點。

目前業(yè)界的技術路徑已經比較清晰，核心思路是通過高速互聯技術構建高效的“超節(jié)點”，最大程度減少芯片間的通信延遲和開銷。算力確實已邁入 ZFLOPS 時代，但“內存墻”，即數據搬運的瓶頸，也愈發(fā)突出。另一個無法回避的挑戰(zhàn)是散熱：隨著芯片密度飆升，傳統(tǒng)風冷已力不從心，液冷技術正從“可選項”變?yōu)椤氨剡x項”，配套供電架構也必須同步升級。

而這個產業(yè)也面臨著多維度的瓶頸。首先是能源約束。一個超大規(guī)模數據中心的功耗可超過 1 吉瓦，相當于一座中型城市的用電量。這使它從單純的電力消費者，變成必須像能源公司一樣深度規(guī)劃電力獲取的“準公用事業(yè)體”。獲取穩(wěn)定充足的清潔能源成為首要任務，而全球許多地區(qū)老舊電網的承載能力，已開始反向制約數據中心的選址和規(guī)模。

其次是時間約束。AI 芯片迭代速度極快，約一年一代，遠超傳統(tǒng)數據中心基礎設施兩年左右的更新周期。這導致一個尷尬局面：本代數據中心剛建成，就要準備迎接兩三代新芯片。而市場競爭又要求算力快速上線，建設周期被從近兩年壓縮至一年以內，對預制化、模塊化的快速交付能力構成極致考驗。

最后是生態(tài)與治理約束。算力高度集中必然引發(fā)一系列新問題：市場壟斷的擔憂、數據主權的爭議、對當地水資源和環(huán)境的影響等。產業(yè)競爭也在從純粹的技術比拼，轉向標準與生態(tài)之爭——未來是走向開放協作，還是形成若干封閉的私有體系，將深刻重塑整個算力市場的格局。

往前看，幾個趨勢比較確定：架構將更加立體協同?！霸贫思杏柧殹⑦吘壘徒评怼钡哪Ｊ綍遮叧墒?，“全球算力互聯網”的構想也可能逐步落地，實現跨地域的算力調度與優(yōu)化；它的運營將更加智能高效，用 AI 優(yōu)化數據中心自身能耗會成為標配，行業(yè)關注的指標將從單純的 PUE，轉向更本質的“每瓦特電力產出多少有效算力”；這項技術將更加綠色多元，液冷全面普及之外，余熱回收、水循環(huán)等深度綠色方案會加速落地；芯粒（Chiplet）、光計算等后摩爾時代的新技術，也將從實驗室走向產業(yè)試點。

綜上，超大規(guī)模 AI 數據中心無疑是智能時代最關鍵的基石之一，但它也對能源、基建和治理能力提出了巨大挑戰(zhàn)。數據中心正從支撐業(yè)務的“成本中心”，演變?yōu)轵寗觿?chuàng)新的“智能生態(tài)樞紐”。其成功將取決于能否與電網、社區(qū)共建可持續(xù)的“數字能源共同體”，并對環(huán)境影響實現透明、負責任的管理。

未來能在這一領域脫穎而出的，必定是那些以架構創(chuàng)新破解算力瓶頸、以卓越工程能力贏得時間競賽、同時以生態(tài)責任感構建可持續(xù)未來的實踐者。

從電力成本到模型安全：AI 數據中心的三重挑戰(zhàn)

隨著大模型的規(guī)?；瘧?，AI 數據中心正面臨一系列深層次的產業(yè)挑戰(zhàn)。以下從成本、算力調度和數據安全三個維度，分析當前的關鍵瓶頸與應對方向。

首先，電力成本將成為 AI 服務社會的主要成本。大模型目前在正確性和確定性上仍有待改進：錯誤會快速累積，導致不可接受的結果；而提高正確性，則意味著增加計算量；不確定性帶來的重試機制，又可能引發(fā)新的錯誤，形成惡性循環(huán)。在這一背景下，更廉價的電力意味著在同樣計算成本下獲得更好的模型服務效果。電力成本，正在成為AI能否大規(guī)模服務社會的核心變量。

其次，加速卡的多樣性將持續(xù)提高。隨著時間推移，不同品牌、不同代際的加速卡將長期共存于數據中心。CPU 與 GPU 虛擬化技術以及高速網絡技術的發(fā)展，將使算力調度更加靈活——推理任務可以有效利用不同加速卡從而降低成本，但大型訓練任務的復雜性仍需適應多樣化的算力環(huán)境。短期來看，宏觀的任務調度策略與微觀的通信計算融合策略會有所幫助；長期來看，構建混合加速卡計算框架將是必然選擇。

最后，丟失模型等于丟失數據。大模型有效壓縮了海量數據并支持靈活提取，壓縮比可達十萬倍。丟失一個磁盤容量僅為 700GB 的模型成品，基本等效于丟失 70TB 的原始訓練數據。由于數據的差異化帶來模型的差異化，企業(yè)獨有的數據正在轉化為企業(yè)獨有的競爭力。在數據安全合規(guī)的諸多限制下，企業(yè)需要擁有自有算力，在開源模型基礎上精調自有模型。這意味著，基礎設施在保護核心模型方面面臨的挑戰(zhàn)，比傳統(tǒng)數據安全場景更為嚴峻。

超大規(guī)模 AI 數據中心的關鍵轉向：液冷與新型能源架構

超大規(guī)模 AI 數據中心是人工智能時代的關鍵基礎設施。Scaling Laws 揭示了模型性能與參數規(guī)模、數據量、算力投入之間的冪律關系 [1]，使大模型發(fā)展從經驗探索轉向可預測的工程實踐，并推動 Amazon、Google、Microsoft 等科技巨頭斥資數千億美元構建數十萬塊 GPU 互連的超級計算集群，以滿足大模型訓練的爆炸性算力需求。

然而，當 GPU 機柜的功率密度突破 50 千瓦時（例如英偉達 GB200 NVL72 機柜級系統(tǒng)的功率密度高達 132 千瓦/柜 [2]），傳統(tǒng)風冷散熱技術成為了制約系統(tǒng)的瓶頸。

風冷散熱依賴空氣對流傳熱，其有效功率密度上限為 20-50 千瓦，超過此閾值后，維持散熱所需的風量呈指數級增長，導致風道截面積、風扇功耗、噪音和系統(tǒng)體積急劇上升而難以工程實現。另一方面，全球數據中心預計 2030 年占全球總用電量 4%-7%、單體數據中心能耗將突破吉瓦級 [3]。因此，傳統(tǒng)的風冷與供電模式已難以為繼，行業(yè)正加速向液冷技術及核能等新型能源架構轉型。

液冷技術通過直接接觸式散熱并將余熱用于園區(qū)供暖、工業(yè)供熱，能夠有效改善數據中心的電能使用效率，而核能的穩(wěn)定基荷特性為解決“AI 大模型訓練的持續(xù)高功耗與傳統(tǒng)電網的負荷平衡模式存在本質沖突”這一困境提供了有效途徑。Google、Amazon、Microsoft 等公司均在積極推進核電工程，以滿足超大規(guī)模 AI 數據中心的用電需求 [4]。

此外，瑞士 Deep Atomic 公司和美國愛達荷國家實驗室計劃建造首個核動力人工智能數據中心 [5]，標志著能源-算力一體化數據中心架構正在從概念走向實踐。因此，基于液冷與核能的超大規(guī)模數據中心能夠有效地支撐算力規(guī)模的擴展與躍遷，代表了全球 AI 算力基礎設施形態(tài)的趨勢，也為物理極限約束下的 AI 持續(xù)發(fā)展開辟了新的空間。

參考文獻：

1.Kaplan J, McCandlish S, Henighan T, et al. Scaling laws for neural language models[J]. arXiv preprint arXiv:2001.08361, 2020.

2.Super Micro Computer, Inc., Supermicro NVIDIA GB200 NVL72: Liquid-cooled Exascale Compute in a Rack with 72 NVIDIA Blackwell GPUs, Datasheet.https://www.supermicro.com/datasheet/datasheet_SuperCluster_GB200_NVL72.pdf? Feb. 2025.

3.E. Kok, J. Rauer, P. Sachdeva, and P. Pikul,Scaling bigger, faster, cheaper data centers with smarter designs,McKinsey & Company, Article, Aug. 1, 2025.

4.P. Rooney,AI to go nuclear? Data center deals say it s inevitable.https://www.cio.com/article/3487339/ai-to-go-nuclear-data-center-deals-say-its-inevitable.html Aug. 19, 2024.

5.D. Dalton,Swiss Reactor Company Submits Nuclear-Powered Data Centre Proposal To US DOE. https://www.nucnet.org/news/swiss-reactor-company-submits-nuclear-powered-data-centre-proposal-to-us-doe-12-4-2025. Dec. 4, 2025.

運營/排版：何晨龍