6.3 功率密度与机房配电约束

6.3 功率密度与机房配电约束

一个 AI 机柜要上百千瓦的电，但绝大多数现存机房单柜只能给到几千瓦到十几千瓦——这意味着，AI 集群不是"想装哪儿就装哪儿"，它对机房有硬性的反向约束。

6.3.1 功率密度：机柜的"胃口"

功率密度指的是单位空间（通常以机柜为单位）的功耗。普通服务器机柜的功率密度大约在 5–15 kW/柜，一些高密度服务器机柜能到 20–30 kW/柜。而 AI 集群机柜的功率密度是另一个量级——单柜几十千瓦到上百千瓦。

这个差距意味着什么？意味着一个 AI 机柜的"胃口"相当于十几个甚至几十个普通机柜。如果一个现有机房按普通密度设计（比如每柜 10 kW），它根本喂不饱一个 AI 机柜——配电容量、电缆截面、UPS 容量都不够。

功率密度量级对比：

普通办公服务器：    5 kW/柜 ──────
高密度服务器：     20 kW/柜 ─────────────
AI 集群机柜：    100+ kW/柜 ─────────────────────────────
                                        ↑
                              量级跃迁，不是渐进升级
​

💡 认知要点：AI 集群和传统数据中心，在功率密度上是"量级差异"而非"程度差异"。这种差异决定了 AI 集群不能简单"塞进"现有机房，而需要专门设计的 AI 数据中心。

6.3.2 机房配电：从总量到分支

功率密度带来的第一个约束是机房配电容量。一个机房的配电总容量是有限的（由变压器、进线、UPS 决定），AI 机柜的大胃口意味着同样面积的机房能容纳的机柜数大大减少。

举一个直观的对比：一个配电总容量 1 MW 的机房，按 10 kW/柜能放 100 个普通机柜；按 100 kW/柜只能放 10 个 AI 机柜。同样面积的机房，AI 集群能放的"柜子数"只有传统的十分之一。这就是为什么 AI 算力竞赛背后，数据中心选址和配电扩容成了核心议题。

配电还要考虑分支电缆——每个 AI 机柜从机房配电盘到机柜的电缆，要承受上百千瓦的电流，电缆截面极大（可能比手臂还粗）、重量惊人、弯曲半径受限。这些都对机房的电缆桥架、走线通道提出了远超普通机房的要求。

配电差异（同样机房面积）：

传统机房（10 kW/柜）：
机柜机柜机柜机柜机柜机柜机柜机柜机柜机柜  ← 100 个机柜

AI 数据中心（100 kW/柜）：
机柜  ────────  机柜  ────────  机柜  ← 10 个机柜
（每个柜配电粗电缆、专用通道）
​

6.3.3 PUE 与能效门槛

第 1.4 节提过 PUE（电源使用效率）——数据中心总能耗与 IT 设备能耗之比。PUE 越接近 1，说明制冷和辅助设施的额外开销越小。普通风冷机房的 PUE 常在 1.4–1.6 之间，即每 1 度电给 IT 设备，还要额外花 0.4–0.6 度电制冷和损耗。

AI 集群因为功耗密度极高，风冷几乎无法胜任（详见第 7 章），必须用液冷。液冷能显著降低制冷能耗，使 PUE 降到 1.1–1.2 甚至更低。这不仅是能效问题，更是经济问题——百千瓦级的集群，PUE 每降 0.1，每年节省的电费都是可观的数字。

⚠️ PUE 的局限：PUE 只反映"制冷和损耗的效率"，不反映"芯片本身的能效"。一台 PUE 1.1 但芯片能效差的机房，可能比一台 PUE 1.3 但芯片能效优的机房更费电。评估 AI 数据中心的能效，要把 PUE 和芯片能效合在一起看（详见第 10 章）。

6.3.4 选址门槛：不是哪儿都能建

功率密度的约束最终落到选址上。AI 数据中心的选址有几个硬性门槛：

• 电力供应：百千瓦级单柜、MW 级机房总功耗，需要充足的市电接入能力。很多地区电网根本供不起大型 AI 数据中心。
• 散热条件：液冷虽然高效，但最终还要把热量排到外界（通过冷却塔、干冷器），需要水源或适宜的气候。
• 网络与生态：AI 训练需要大规模集群互联，机房要有充足的网络带宽和到主干网的接入。
• 政策与成本：电价、土地、税收、监管政策都影响选址，这往往决定了 AI 算力的地理分布。

AI 数据中心选址四要素：

  电力供应（MW 级接入）
       │
散热条件（水源/气候）──┼── 网络生态（带宽/主干）
       │
  政策成本（电价/土地/税收）

四者缺一不可，限制了 AI 算力的地理分布。
​

这就是为什么全球 AI 算力高度集中在少数地区——这些地区恰好同时满足电力、散热、网络、政策四要素。中国的西部（电力充足、气候凉爽）、美国的部分州、北欧国家等，都是 AI 数据中心选址的热点。

💡 算力竞赛的地理维度：AI 算力竞赛不只是芯片竞赛，更是"在哪建数据中心"的竞赛。一个国家或地区如果无法提供满足上述四要素的选址，即使有钱也建不起大规模 AI 集群。这是算力基础设施的地理硬约束。

6.3.5 两大平台面对的同样约束

需要强调的是，无论 NVL72 还是昇腾 SuperPod，它们面对的功率密度和机房约束是相同的——两者都是百千瓦级高密度机柜，都需要液冷和专门设计的机房。差异只在于具体方案和供应链来源（NVIDIA 依赖全球数据中心生态，华为依赖国内供配电和液冷生态），但物理规律面前两者一致。

这也解释了为什么本章和第 7 章的内容对两大平台都适用——"体"的物理学是通用的，平台差异主要体现在产业链层面（第 8、9 章）。

思考与延伸

1. 假设你要为一个 1000 柜的 AI 数据中心选址，四要素里你最看重哪个？如果某地电力便宜但气候炎热（散热难），你会去吗？
2. PUE 1.1 vs 1.5 的差距，对一个 100 MW 的 AI 数据中心意味着每年多少电费差异？这种差异会如何影响 AI 训练的成本结构？
3. 功率密度不断提高的趋势下，未来是否会出现"单柜 MW 级"的机柜？如果能，它对机房配电和散热会提出什么全新挑战？

本节关键词：功率密度、机房配电、PUE、选址门槛、AI 数据中心　返回：第 6 章支柱页　下一节：6.4 供电可靠性与能效