--- id: "mb-20261101-456504" kind: "deep" title: "AI 算力狂飙撞上物理之墙：从 104 吉瓦用电到 800 伏机柜的基建瓶颈" description: "到 2030 年全球 AI 数据中心每年新增用电需求预计冲到 104 吉瓦，单机柜功率密度直逼 285 至 500 千瓦。从 48 伏跳变至 800 伏直流供电、全液冷散热以及大型变压器的漫长交期，正在成为卡死 AI 规模扩张的真正物理瓶颈。" domain: "ai" domain_label: "AI 与大模型" canonical_url: "https://mubeitech.com/deep/mb-20261101-456504" markdown_url: "https://mubeitech.com/deep/mb-20261101-456504/markdown" json_url: "https://mubeitech.com/api/interpretations/mb-20261101-456504" topic: "AI 算力狂飙撞上物理之墙：从 104 吉瓦用电到 800 伏机柜的基建瓶颈" source_type: "generated" status: "published" generated_at: "2026-11-01 21:26:57" frame_type: ["机制"] legal_anchor_count: 0 transcript_citation_count: 0 --- # AI 算力狂飙撞上物理之墙：从 104 吉瓦用电到 800 伏机柜的基建瓶颈 如果把四五百户人家的全部用电，硬塞进一个冰箱大小的铁柜子里，会发生什么？ 电线会当场融化，整个铁柜子会变成电炉。 这可不是什么科幻灾难片。 这是今天每一个顶级 AI 数据中心正在迎头撞上的物理死线。 大家都在盯着英伟达又出了什么新芯片，算力又翻了几倍。 但行业里刚拉出来的一组预测数据，看得人后背发凉。 到 2030 年，全球每年新增的 AI 数据中心用电容量，预计会直接翻四倍，冲到 104 吉瓦（GW）。 104 吉瓦是什么概念？ 一个吉瓦是一百万千瓦，三峡大坝的总装机容量大约是 22.5 吉瓦。 也就是说，到 2030 年，全世界每年为了给 AI 供电，要平地建出将近五个完整的三峡大坝。 分摊到各大科技巨头头上更直观： 英伟达 GPU 独占大约 50 吉瓦，吃掉将近一半； 谷歌自研的 TPU 占 21 吉瓦； 亚马逊自研的 Trainium 占 15 吉瓦； AMD 的 GPU 占 9 吉瓦。 建发电厂哪怕再难，把钱砸够、找核电厂合作，电总能发出来。 真正要命的瓶颈，藏在把电送进芯片、再把热量抽出来的最后几十米。 这就是机柜功率密度。 过去普通机房一个服务器机柜，功率通常只有 5 到 10 千瓦，吹吹冷风就能散热。 到了英伟达的 Blackwell NVL72，单机柜直接飙到 130 千瓦左右。 而按照最新的产业预测，到 2030 年，AI 机柜的平均功率密度会翻三倍以上，达到 285 千瓦。 像天弘科技（Celestica）这样的硬件工程制造厂，甚至已经在动手设计 500 千瓦的极限机柜。 单机柜 500 千瓦是什么概念？ 半兆瓦的电能，集中在一个两米多高、一米见方的铁柜子里。 折算下来，正好相当于 400 到 500 户普通家庭日常全部用电的总和。 这会遇到什么问题？ 先看初中物理就学过的基本公式：功率等于电压乘电流。 传统服务器机柜，内部普遍采用 48 伏直流电供电。 如果要用 48 伏的电压送出 500 千瓦的功率，电流需要多少？ 超过一万安培。 家用入户电闸通常只有几十安培。 一万安培的电流流过去，光是铜线本身的电阻发热，就能把电线直接烧成红炽状态。 如果非要扛住这一万安培，机柜里的铜导电排就得做得像树干一样粗，铜排的重量比服务器本身还要沉。 这要怎么解决？ 只能升压。 就像国家电网跨省输电必须用特高压一样，机柜内部的供电架构必须全面跳到 800 伏直流电。 电压拉高到 800 伏，电流立刻缩减到几百安培，铜排才不会被烧化。 但新的物理麻烦又来了。 机柜主母线进的是 800 伏高压，可主板上的 GPU 芯片核心，实际工作的电压只有不到 1 伏。 从 800 伏一路直降到 0.8 伏，还要在极短的时间里响应芯片上千安培的电流骤变。 普通的硅基电源芯片根本扛不住这种高压和转换损耗。 于是半导体产业链里掀起了一场隐秘的争夺战： 纳微半导体（Navitas）和安森美（onsemi）都在猛推碳化硅和氮化镓功率器件，专攻 800 伏直流机架电源； 安森美甚至在洽谈收购专门做芯片级集成稳压器的 Ferric，试图把最终降到 1 伏以内的稳压模块，直接做进芯片封装表面。 电送进去了，发出来的热量怎么办？ 半兆瓦的热量集中在不到两立方米的空间里，风冷已经彻底失效了。 空气的比热容太小，就算在机房里装上航空涡轮引擎般的狂风，也带不走芯片核心表面的热流。 机柜必须全换成液冷。 冷板直接贴死在发热芯片上，冷却液在微通道里飞速奔流，再通过维谛技术（Vertiv）这类专门做温控的机柜冷却分配单元（CDU）循环带走。 而且连接管道必须做到绝对密封，哪怕渗出一滴带导电离子的液体，几百万美元的算力集群就会当场短路报废。 更残酷的现实是，代码和模型可以用互联网速度狂飙，但重工业的物理世界不能。 一个大模型几个月就能迭代一代，一张新架构算力芯片 18 个月就能流片出货。 但重型电力设备呢？ 通用电气旗下的电气巨头 GE Vernova，还有做大型开关设备与预制变电站的 Forgent Power Solutions，手里的大型电力变压器订单已经排到了三四年之后。 造一台大型变压器，特种取向硅钢要等排期，高压套管要订货，重型绝缘线圈需要经验丰富的技工花费几个月手工绕制，根本没有快捷键可按。 算力可以呈指数级增长，但铜矿的开采、变压器的绕制、冷却液管道的焊接，依然遵循着一百年前的物理和工业节拍。 大家原以为决定这场 AI 竞赛胜负的，纯粹是顶尖算法科学家的智慧与先进制程晶圆厂的产能。 可跑到深水区才发现，真正勒住 AI 规模扩张脖子的缰绳，拴在变压器的铜线圈、机柜里的 800 伏高压母排，以及那一根根绝不能漏水的液冷管道上。 _Canonical: · Source: 墓碑科技 MUBEITECH (mubeitech.com)_ _Rendered by mubei-terminal._