数据中心在变成AI工厂：机柜功率从8kW涨到140kW

本文解读：《2025AIDC发展路径与未来展望-北电数智&中国信通院》 · 共 39 页 · 原文

这份白皮书想说的核心只有一句：AIDC 不是把机房换成 GPU，而是把生意从收租改成产出。

最直观的差别在功率密度。传统 DC 以 CPU 为核心，单机柜功率密度约 4 到 8kW；AIDC 以 AI 加速芯片为核心， 单机柜功率密度在 10 到 140kW 之间。同一个机柜位置，承载的东西已经不是同一个量级。

价值衡量标准也跟着换了。传统 DC 看机柜上架率、带宽出租率和 PUE，业务本质是不动产租赁的数字化延伸； AIDC 看总算力、模型训练推理能力，卖的是"智能"的生产能力。

驱动这套变化的是两股力量：政策端从"东数西算"到"人工智能+"行动，需求端从传统行业智能化转型到 AI 原生业态井喷。

从卖空间到卖智能，这才是 AIDC 与传统 DC 真正的分界。

图源：《2025AIDC发展路径与未来展望》（第1页）

一、政策给的是目标，地方给的是钱

国家级政策的脉络很清楚。2023 年《算力基础设施高质量发展行动计划》提出到 2025 年算力规模超过 300EFLOPS， 智能算力占比达到 35%。

2023 年 12 月的"东数西算"实施意见更具体：到 2025 年底，国家枢纽节点新增算力占全国 60% 以上， 实现 1-5-20ms 三级时延算力网示范，枢纽节点新建数据中心绿电占比超 80%。

2025 年的《关于深入实施"人工智能+"行动的意见》定了一个很硬的进度表：2027 年智能终端与智能体 普及率超 70%，2030 年应用普及率超 90%，2035 年全面步入智能经济与社会新阶段。

地方政策则直接上钱。北京对符合条件的算力部署给予最高 3000 万元支持，平台最高 3000 万到 5000 万元； 深圳每年"训力券"最高 5 亿元，企业租用智能算力按合同金额最高 50% 资助，初创企业 60%，单个最高 1000 万元。

报告把三种地方范式总结为：北京是场景与治理驱动，上海是生态与自主驱动，广东深圳是制造与普惠驱动。三类范式并行的结果是，同一份国家文件在不同省份会落地成完全不同的项目形态。

图源：《2025AIDC发展路径与未来展望》（第3页）

二、需求侧：两条河汇进一个池

报告用一句话概括需求：传统行业的"智能化转型"与 AI 原生行业的"井喷式涌现"，如同两条江河， 最终汇入 AIDC 这片算力的海洋。

传统行业这一侧，AI 加制造是用视觉模型识别微米级缺陷，把漏检率降到万分之一以下，并通过设备数据 预测故障，变事后维修为事前维护；AI 加金融是在毫秒内完成数万维度的交易行为分析，做反欺诈和量化投资。

AI 加医疗是把靶点发现、化合物筛选效率大幅提升；AI 加政务则是本地化部署，保证数据全链路加密、 敏感信息不出域。

AI 原生这一侧诞生的是新物种：AIGC 背后是千亿参数的多模态大模型，需要持续训练迭代与高并发推理； AI 加具身智能采用"大脑在云、小脑在端"，靠 AIDC 做场景理解与任务规划。

报告还点了一个最容易低估的：AI 加低空经济。上万架无人机要在一个城市上空自主飞行， 需要中央大脑实时处理定位、状态、感知数据并做全局路径规划，没有 AIDC 就没有真正规模化的低空经济。

规模上的参照是，预计到 2026 年中国人工智能产业市场规模将达 10394 亿元，2024 年是 5784 亿元。

AIDC 不是可选配套，是这些新业态能不能成立的物理前提。

图源：《2025AIDC发展路径与未来展望》（第4页）

三、四个坐标的切换

报告用一张表把传统 DC 到 AIDC 的跃迁做了四组对照，每一组都改的是生意本身。

核心范式上，从计算、存储、网络资源的集中供给，变成面向 AI 任务的全栈智能处理平台。 核心功能上，从以通算芯片为主提供稳定通用算力，变成以智算芯片为主提供高性能专用化智能算力。

建设目标上，从高可靠、低成本、易维护、追求 PUE 优化，变成高效率、高智能、强赋能，追求算力效能 与产业赋能效果。交互模式上，从被动响应、按需分配资源，变成主动赋能、提供从算力、框架、模型到场景的 一体化解决方案。

技术上最容易被忽略的是耦合。传统 DC 架构是松散耦合，计算、网络、存储相对独立，可以靠标准协议组合、 单独升级；AIDC 则强耦合于系统协同。

这份报告的原文件放在运营动脉（www.yydm.cn）上，图表、口径说明和样本量都写得很清楚。

想看原文的完整版，搜标题就能打开，图表和数据附录都是齐的，不用注册。

原因很直接：数千张 GPU 卡做分布式训练时，任何单个环节的短板——卡间通信延迟、存储 IO 瓶颈、 电源散热不均——都会像木桶效应一样，让整个集群的利用率急剧下降。

AIDC 的算力利用率不是加法的结果，是木桶最短那块板决定的。

图源：《2025AIDC发展路径与未来展望》（第6页）

四、老机房怎么改成智算中心

报告给了三步法：前期评估、核心改造、验证与迭代。三步都不是拍脑袋，都有具体动作。

评估要聚焦"资源、需求、可行性"的闭环。先看外部条件，包括电网容量、新能源可接入性、储能系统部署空间； 再做物理勘测，重点检测机房楼板荷载能力，通过现场测温和三维建模识别空间布局、气流组织的潜在问题。

软硬件层面则是在"利旧与升级"之间找平衡：盘点服务器、存储、网络设备的性能参数，筛选可通过升级复用的设备， 把老旧配电设备替换为智能母线、三相 PDU 等适配高密负载的组件。软件层要验证操作系统、数据库与 AI 框架的兼容性。

核心改造从六个维度突破：算力层面做"部分替换加模组升级"，架构层面构建算网协同的调度体系， 能效层面构建低碳高效加稳定可靠的保障体系，运维层面引入 AI 做故障预判，AI 赋能层面部署训练平台， 安全层面构建数据防护体系。

最后是验证闭环。性能层面用实验室基准测试加现场监测，检测算力效率和 PUE；经济层面核算投资回报率； 环境层面确保符合双碳要求。随着大模型规模扩大，再逐步扩容液冷系统与 GPU 集群。

改造的成败不在 GPU 卡上，在楼板荷载和气流组织这些土建细节里。

图源：《2025AIDC发展路径与未来展望》（第7页）

五、快交付靠预制，绿靠液冷

报告给了三条工程路径，每条都带着可量化的收益。第一条是模块化。一体化电气模块把高压配电、变压器、低压配电、UPS 在工厂内完成预制集成与测试， 形成标准化电力模块，实现"工厂制造加现场拼装"，平均可压缩 50% 的工期。

第二条是液冷。高密度 AI 集群的散热需求呈非线性爆发，传统风冷触及天花板。 报告推荐的是"冷板式液冷加分布式风冷"混合架构，冷板承担芯片级散热，风冷处理辅助负荷， CDU 预留 30% 流量冗余以应对算力扩容，这套组合可有效降低 PUE。

液冷还有个副产品：系统产生的中高温余热有回收价值，可用于园区采暖、工艺加热或生活热水， 让数据中心从"耗能大户"变成"能源节点"。

第三条是运维前置。设计阶段就联合运维团队梳理需求，在硬件上优先选模块化、可及性高的方案， 在软件上做"算力、能耗、散热"一体化监控。报告引用的数据显示，这种前置化实践能减少 15% 到 25% 的 后期工程变更和现场签证费用。

余热回收这一条，是把成本中心改造成收入中心的少数机会之一。

图源：《2025AIDC发展路径与未来展望》（第8页）

六、国产算力的难处是生态不是算力

报告对国产 AI 芯片的判断很直白：挑战在于"算力不通、生态力不足"，而不是单卡峰值不够。破解之道有三条：构建异构计算统一调度平台、建立产用协同评测体系、共建软件栈自主化生态。

报告以北电数智的统一调度平台为例，把不同架构的国产芯片统一池化，实现"算力、拓扑"感知的智能调度 与绿色调度，提升集群资源利用率 20% 以上。

另一条是评测认证。报告认为需要从算力、存力、网络、安全、场景性能及算效等多个维度， 对芯片与算力设施做深度评估，实现以"测"促优、以"评"促建，为产业选型提供可靠依据。

设计理念也在变，从"机房"转向"AI 工厂"。空间上从无差别封闭机房变成分级分区管控， 核心区域绝对安全、非核心区域有序开放。

功能上则从算力供给变成价值创造，配上算力展厅、论坛剧场、开放办公区，把算力供给、技术研发、 产业应用串成一条链。

国产芯片的短板不在峰值算力，在不同卡之间的调度与适配。

图源：《2025AIDC发展路径与未来展望》（第10页）

七、运营要往自感知自优化走

报告把运营分两个阶段，第一阶段靠数字孪生，第二阶段靠 AI 智能体。

数字孪生在建设阶段先建"虚拟镜像"，把建筑结构、电力系统、冷却系统与 AI 基础设施堆栈整合起来， 把供电、电气和冷却设备做成可仿真的资产。建成后，算力负载、资源占用、设备温度、能耗数据实时同步进仿真环境。

此时数字孪生就从静态模型变成动态的操作系统，能对物理实体做实时监控、深度检查与流程优化，以三维可视化 形式实现全局管控。

第二阶段是 AI 智能体驱动的自学习系统，报告列了五个优化方向：自动生成机柜排布、制冷架构、绿电保障的 设计方案；实时调整算力分配；预测 PUE 变化并调整制冷与配电。

后两个方向是识别网络波动与潜在故障并提前干预，以及对运营运维状态做全流程监测。 最终目标是"自感知、自决策、自优化、自恢复"。

运维的终点不是自动化，是系统自己能发现"今天这套策略不太对"。

八、落地案例里的几个硬数字

报告在第四章和第五章放了一批应用案例，这些数字比概念更能说明 AIDC 现在能干什么。科研侧，AlphaFold3 对生物分子复合结构的预测准确度比传统方法至少高出 50%，部分重要相互作用的预测精度 甚至可提升 100%，为药物靶点发现提供了新工具。

材料侧，AI 加计算模拟设计的富锂层状正极材料，300 次循环后容量保持率达 95.8%；全球首个 Ah 级电芯 电解液智能研发平台"无穷 1.0"，能把电解液研发周期从半年以上缩短到约 3 个月。

产业侧，北电数智的"骄阳"AI 工业大模型在制造企业落地，实现计划外停机减少 50%，维护成本降低 10% 到 40%。

政务侧，深圳 AI 政务助手整合千万级政策数据，一次解答精准率达 90%，场地推荐方案的生成时间从一周压到数小时； 昆山"12345"热线的智能分类系统，让制单受理时间压缩 30%，派单流转时间缩短 90%。

民生侧，云南教育项目覆盖昆明 2900 余所学校、10 万余名教师；四川简阳的智慧康养体系连接 7000 余台设备， 预警 30 余起风险事件，应急响应时间比传统模式缩短 60%。

这些案例的价值在于，它们把"算力"翻译成了停机时间、响应速度和病例质量。

九、计量和标准才是最后的门槛

报告第五章提了一个容易被跳过、但很关键的视角：国家质量基础设施，也就是计量、标准、认证。计量解决的问题是可比性。AIDC 技术复杂、负载多样，不同厂商的性能数据没法横向比，采购方也就无从判断 钱花得值不值。

报告的建议是建立适配 AIDC 技术架构的测量技术规范，研制能适配多元业务负载的计量装置， 推动产业从"粗放扩张"转向"精准运营"。

标准解决的是秩序。报告提到一套涵盖基础设施、资源协同、平台服务与安全保障四个层次的标准化体系正在形成， 其中新建项目 PUE 需控制在 1.25 以下，强制推行液冷等绿色技术，并通过多平面网络设计保障高性能需求。

产业链协同上，报告勾勒的分工是：上游芯片厂商主攻 RISC-V 架构、存算一体，设备商推 64 卡超节点服务器， 光模块企业实现 800Gbps 及以上速率量产；中游形成云厂商加运营商的协同，一个主导大模型与平台，一个靠骨干网 做广域覆盖。

技术演进方向的判断是分布式协同加高速互联，随着大模型参数迈向十万亿级，网络架构要从 ScaleUp 向 ScaleOut 乃至 ScaleOutside 跨越，速率从 400Gbps 向 800Gbps、1.6Tbps 跃升。

没有统一的计量和分级，算力就只是一种说法，不是一件商品。

十、往后看三年的三个判断

把报告散在各章的判断并起来，未来三年有三个相对确定的结论。第一，AIDC 的竞争力会从"规模"转向"生态"。报告反复强调的是芯片、软件栈、数据安全的完整体系， 而不是单纯的卡数。谁的生态里应用跑得最顺，谁的单机柜就更值钱。

第二，"云端训推加边缘响应"会成为主流架构。模型轻量化与边缘计算融合之后，低延迟与高算力之间 才找得到平衡点，液冷规模化则会解决高密度机柜的部署问题。

第三，算力会像电网和水网一样成为社会化公共资源。报告的原话是，让最广泛的中小企业与研究机构 乃至民众都能低成本调用顶级 AI 能力。这句话翻译过来，AIDC 最终卖的不是机柜，是随时可取的算力。

报告也没有回避挑战：技术瓶颈、生态薄弱、成本高企都还在。但它给出的路径是从"算力工厂" 升级为"智能生态枢纽"。39 页的完整章节、政策一览表和实施路径图，都在运营动脉（www.yydm.cn）上， 搜报告名就能打开。