細節: 作者 IT Pro; 分類: Blog; 發佈: 2025年11月22日; 點擊數: 5480

导言

在2025年,对AI特定数据中心基础设施投资的大规模激增是不容置疑的. 从技术巨头的数十亿资本承诺到主权基金都积极支持新的设施,世界数字经济正向“AI计算武器竞赛”的方向发展。下面,我们探索驱动公司向AI-data-centre倒注数十亿的主要力量,支持转变的建筑和操作变化,商业模式如何适应,以及风险和未来对像你们这样的组织的影响(对基础设施,基准,计算卸载等有着浓厚的兴趣).

Why_Companies_Are_Pouring_Billions_Into_AI_Data_Centers_in_2025.png

投资规模

为了抓住这一势头,这里有一些具有代表性的数据点:

微软计划 800亿美元 在2025年财政年度,建立由AI驱动的数据中心,特别是在美国。路透社( 路透社)
全球数据中心投资繁荣与AI相关, 估计以万亿计:有一篇文章指出, 卫报
根据对数据中心投资者的2025年审查,布莱克斯通,拜仁资本等企业正积极将资本部署入大型超规模和GPU富含设施. STL 合作伙伴

这些数字表明,这不是递增的增长,而是基础设施的大规模战略性转变。

为什么是现在?

1. AI模型复杂性和需求的爆炸

大型语言模型(LLM)的兴起,基因-AI系统,模拟工作量和其他计算繁重的任务,从根本上改变了数据中心的需求状况:

需要大规模的培训和推断质量 GPU集群,高密度机架,高级联网和冷却.
如一篇文章所描述的:“人工智能算法产生的每一个额外令牌都取决于这一层。” 增益
公司正在从以CPU为中心的传统工作量转向以GPU/ASIC为加速的工作量,这驱动着新的建筑要求(功率密度,冷却,连接).

简言之:计算需求在水平上(更多模型/用户)和垂直上(更大模型,更多参数,更多数据)都在增长.

2. 竞争优势和先行投资

对许多大型科技公司和云端供应商来说,

微软、亚马逊AWS、Google Cloud和Meta等公司并不满足于简单地 " 租赁 " 基础设施,它们正在建造自己的下一代设施,以获得运作、耐用、成本和控制方面的优势。 174 全球电力+1 键
对于企业(包括您自己的基准背景,GPU卸载,虚拟化等),拥有专用基础设施的接入提供了一种不同的方法:更快的模型迭代,更低的延迟推论,更高的吞吐量培训.

因此,公司现在愿意承诺“十亿”,以锁定这一未来价值。

3. 基础设施作为战略资产

数据中心不再仅仅是静态的“托管”资产,而是大赦国际的战略基础设施:

它们代表了寿命很长的资产(10年以上),并越来越多地被当作关键的工业基础设施(电力、冷却、纤维和可再生能源)处理。
投资者和基础设施基金正在转移:“顶级数据中心投资者”名单现在包括将数据中心视为核心增长平台的基础设施/实体资产公司。 STL 合作伙伴
AI计算的性质意味着,重要的不仅仅是“更多的服务器”,而是“在正确地点的正确服务器”(具有高效功率、低延迟、高带宽)。

因此,对于公司来说,建立正确的AI-data-centre往往意味着建设其企业的未来.

4. 能源、地点和规模经济学

大规模人工智能数据中心是电力密集、热能密集、空间密集的数据中心,并受益于规模经济:

一份技术文件显示,将AI数据中心与再生发电和智能能源管理系统合用同一地点可如何大大减少成本和环境影响。阿尔谢夫
另一个显示分布式的,有网格意识的数据中心如何在吸收大量计算负荷的同时帮助稳定网格. 阿尔谢夫
战略位置、获得廉价/再生电力的机会、有利的电网政策、土地和所有许可。试图以AI为中心的公司不仅在计算成本,而且还在计算“计算+能+冷却+房地产+连通性”成本。

5. 主权、监管和地缘战略关切

不仅在商业上而且在政治上计算问题:

最近对775个非美国数据中心的研究发现,控制数据中心基础设施(哪个国家,哪个运营商)日益成为数字主权的杠杆。阿尔谢夫
一些国家明确试图吸引AI数据中心投资,以获取国内下游AI价值。
公司除了时间/成本之外,还在考虑风险:监管风险、出口管制、供应链限制——所有这些都推动拥有或严格控制基础设施。

" 准备就绪的数据中心 " 是什么意思 -- -- 关键的建筑转变

为AI工作量建造数据中心与传统的企业或云宿数据中心在实质上不同. 一些关键差异:

功率密度:AI机架每架可能需要数十千瓦,而不是少数. 冷却和电力分配必须支持这一点。
冷却系统:液体冷却,直取芯片冷却,浸润冷却现在对于密集的GPU集群越来越常见.
连接和间隔:大型GPU集群通常需要非常快的互联(NVLink,CXL,PCIe,高速以太网)和低纬度连接到存储,网络,边缘服务.
模块设计和快速部署:一些较新的运营商正在设计模块化的“GPU-pods”或集装箱化数据中心,以便它们能够迅速部署大容量。
二. 能源和可持续性基础设施:由于电力价格昂贵并日益被仔细审查,许多设施都同时配置了可再生能源,使用智能载荷转换,在有廉价电力的场地上建造,或者谈判大规模的电力交易.
专用硬件生命周期:与典型的服务器不同,AI集群依赖于GPU/加速器刷新周期(例如每~18-24个月),指基础设施必须支持升级,冷却,高密度的功率负载.
地点战略:接近AI模型研究中心,数据源,用户端点,并连接到云/hybrid设置物质.

对于您领域的任何人(AI基准,重的GPU用法,虚拟化等),外购是: 基础设施现在是一个主要的不同因素,而不仅仅是成本.

商业模式的影响——公司为何投资

从商业角度看,大量投资AI-data-centre基础设施的逻辑是属于几个桶:

• 促成新的收入来源

公司认为向AI的过渡是创建了新的业务线:模式培训,推论-as-service,企业AI咨询,边缘AI部署. 为了支持他们,你需要基础设施。没有它,你的风险是依赖第三方。

• 费用控制和差值改进

公司通过拥有或控制优化于人工智能工作量的基础设施,旨在降低每个推论或培训时间的业务费用。对于超规模公司来说,规模经济可以将成本降低到足以使新的服务具有有吸引力的幅度。

• 战略优势和锁定

基础设施投资创造了护城河:一旦一个组织拥有或控制了重大的AI计算能力,竞争对手就更难相匹配. 另外,与专有硬件,软件堆栈,自定义冷却等的集成也增加了切换成本.

• 支持内部创新

在你的GPU-offload世界中,AI基准化,虚拟化,工具开发:获得大型计算设施可以更快地迭接,更大的实验,以及内部的竞争优势. 这不仅仅是基础设施,

• 作为他人服务的基础设施

一些公司正在建设AI数据中心,以满足自己的需要。和向他人(如AI创业公司、SaaS公司)提供能力。这种双重模式允许将过剩的能力货币化。

• 风险套期保值和控制

由于AI成为商业模式的核心,对外部供应商或云的依赖可能成为一个瓶颈或风险(相关性、数据主权、成本通膨等)。投资基础设施是一种套期。

区域和工业动态

投资繁荣全球:亚太,欧洲,中东都寻求AI-compute校园. 例如,法国宣布进行重大投资,以“重返赛场”,专门开设AI-超级计算/数据中心校园。世界报.fr
由于土地、电力或监管优势(特别是对能源密集型AI基础设施而言),新兴市场可能具有吸引力。
纯技术以外的行业也参与其中:金融服务、汽车、保健、制造业越来越多地投资于人工智能内部基础设施,从而刺激了对“人工智能数据中心”的需求。

主要挑战和风险

虽然理由很充分,但这些投资并非没有重大的风险和复杂性:

高资本强度:这是数十亿美元的承诺,在还清之前前景很长。
技术的迅速变化:AI的硬件,冷却,网络景观发展迅速;对今天的建筑的投资在几年内可能变得不尽人意(例如新一代GPU,新记忆/建筑,光学相通).
能源和可持续性压力:随着AI计算的增长,能耗和碳足迹也在增长. 监管者、社区和公司面临确保可持续性的压力。报纸显示,可更新的“合用”数据中心可如何发挥作用,但它们也增加了复杂性。阿尔谢夫
网格和权力限制:许多地区都在努力提供必要的电力或可靠的连接,或可能面临许可/电力合同的拖延。
地缘政治/监管风险:基础设施可能受到出口管制、数据主权法、政府干预。研究非美国数据中心的论文表明操作者的国籍和控制很重要。阿尔谢夫
需求不确定性:虽然对AI的需求正在增长,但未来工作量的确切形态,时间安排和业务模式仍然不确定. 如果需求变化不同,则有可能发生产能过剩或浪费。
冷却/热风险:随着机架密度的升高,冷却管理成为了非三角性(故障风险,降低热量,成本上升).
投资回报压力:投资者(基础设施基金、REIT等)正在评估AI-data-centre的收入模式将是什么,而不是“仅仅托管”。

这意味着什么(以及你应该考虑什么)

鉴于你对GPU基准、AI工作流程、虚拟化和基础设施的兴趣,

计划提高计算能力

如果您正在开发AI基准套件或卸载策略(GPU/CPU/DirectML/ONNX等),预计大型组织将越来越多地能够使用内部或外包的“AI准备”集群。
如果你只依赖商品云/虚拟化,你可能会发现与拥有自定义AI数据中心的组织相比,成本/性能次优.

基础设施战略应不断发展

考虑你的工作量运行在哪里: 内部集群对第三方对超规模的AI-data-centre.
评估您的基准或提供工具是否适应了新的“密集GPU集群”模式(例如高频宽互联、直通芯片冷却、架子 > 50千瓦)。
考虑可伸缩性,能耗,冷却和电力基础设施作为你堆叠的一部分(不仅仅是计算).

可持续性和能源应是规划的一部分

随着计算负荷的增加,能源/冷却成本也会增加。在获得可再生能源的高效地点建设或使用人工智能基础设施,可能会对总汇和调度产生重大影响。
如果使用基准系统,则包括每推量能或每推量能。

供应商和硬件生态系统问题

组件供应链(GPU,ASICs,互联,内存)与大型数据中心部署的联系日益紧密. 这意味着你所衡量或开发的基础设施将迅速演变,并可能取决于伙伴关系或规模。
获取下源AI硬件(如为数据-中心尺度设计的GPU,自定义ASIC,CXL互通,液相冷却)可能是不同的.

减少风险战略

由于投资周期大而长,应考虑多样化(hybrid yuncle + on-prem + ledge),而不是假设所有计算会转移到“AI-数据中心”。
监控数据中心所在的监管/主权风险,
了解可能存在能力过剩的情况,这种情况可能会降低数据中心运营商的利润率(这可能影响可用性、定价)。

制定基准和工具机会

你对AI-Benchmark套件、GPU卸载和虚拟化的兴趣可以与“AI-data-centre”架构的新趋势相配合。将有机会制定新架构的基准,比较 " 预想 " 和 " 云与AI专用数据中心 " ,模拟能源/成本/通量权衡。
在建立自己的AI-data-centre对超规模运营商的租赁能力有意义时,考虑建立有助于企业评估的模块/工具。