股票 
板块 
用户 
资讯 前段时间，某AI大模型突然大规模无法正常使用，让不少重度用户抓狂。
不知从什么时候起，AI已经悄悄嵌入了我们生活的各个角落。日常陪你聊天、写文案，工作时帮你查资料、敲代码；在产业端，AI辅助新药研发、工业设计与科学研究；在城市运转的幕后，它也在默默支撑着智能交通、安保监控与反诈预警。
所有这些智能和便利背后，都需要强大的算力支撑。而算力的物理载体，就是数据中心。
如果说AI现在是风光无限的明星，数据中心就是幕后扛下所有的功臣。
对话生成、复杂任务自主处理等应用普及，带动Token消耗量呈指数级攀升，万卡甚至数十万卡的超大规模算力集群已经不再是实验室概念，而是AI产业发展的现实刚需。有预测认为，未来十年，全社会算力总量将增长10万倍。
但是，现有的数据中心真的能支撑这种指数级增长的算力需求吗？
一个数据中心的平稳运行需要极度稳定的电力、高效的制冷，还得有一支能扛住海量设备协同的运维团队。
传统机房通常是将4-8千瓦的单机柜平铺在一个大平面上，像一个巨大的“大通铺”。但现在，AI机柜动辄100千瓦，甚至向300千瓦演进，运行时产生巨大的热量，需要更高效的散热系统。然而，“大通铺”通常统一制冷，一旦遇到AI训练任务忽高忽低的负载波动，可能会出现散热跟不上导致的芯片降频。如果为了少数高负载机柜持续供冷，就会白白浪费大量冷量。
平铺不仅占地，更致命的是长距离的供电路径和制冷管路。线缆拉得越长，损耗越高；管路拉得越长，热惯性就越大，系统对突发热负载的响应就越滞后。
从规划错配（AI芯片一年一换，机房寿命却有10到15年），到改造困难（从8千瓦升级到100千瓦的改造成本，接近甚至超过新建），多重矛盾交织在一起，逼着整个行业思考：面对爆发式的AI算力洪流，为了未来AI的平稳运行，数据中心到底该怎么建？
在新书《3D数据中心：重构AI基础设施》中，华为提出了另一种解法。
《3D数据中心：重构AI基础设施》
吕阳明 木斌 编著
2026年10月
点击卡片，即可购买
像搭乐高一样，把10万卡算力装进一栋楼
传统“大通铺式”的数据中心从土建到机电完整交付通常需要12到18个月。往往是机房刚建好，新一代芯片又出来了。原来的数据中心设计和新的芯片很有可能无法适配。
为了破局，华为的研发团队提出了一种新的设想：既然平面铺不开，不如把机房“竖起来”，把尽可能多的算力装进一栋楼里。
这不是简单地把平房改成楼房，而是对数据中心内芯片微观的垂直高密度供电、散热、互联原理进行重新构建。
在华为的3D数据中心设计中，整栋楼自下而上被划分成四层：一层是制冷系统，二层是算力系统，三层是供电系统，屋顶则是备电电池。这个排兵布阵极其精妙：IT层被夹在中间，上不挨电池、下不挨水路；供电母线从上往下直插机柜，制冷管路从下往上直达芯片。水电彻底分离，互不干扰。
3D数据中心分层解耦，立体堆叠
传统平铺不仅占地，光纤拉长还会导致芯片间的通信时延变大；而把算力“叠”在一栋楼里，这种极简的垂直链路让物理距离最短，海量数据之间的“沟通”也就最快，直接减少了一级配电和一级换热，把传输损耗降到了最低。
分层的设计也让电力、制冷、IT三套系统拥有了更加灵活调整的能力。新一代AI芯片调整时，只需更新中间的IT层，不需要把整栋楼推倒重来。
同时，通过“池化调度”，电力、冷量可以全局共享，像水池一样灵活分配。这实现了“机电长周期稳定”与“算力短周期迭代”的错位配合，避免了因芯片换代造成巨大的沉没成本。
这个新的解法，让数据中心拥有了可以进化的力量。
3D数据中心的建造借鉴了汽车和半导体工业的“工厂预制”理念。主体大楼采用钢结构，6个月封顶；机电模块可以同步大楼建造时在工厂内完成预制和调试，最后只需像拼乐高一样组装，3个月即可交付。90%的工作可以预制化完成，大约10个月就可以开始部署算力预制化。把过去风吹日晒的“工地建造”，变成了标准化的“工厂制造”。
水力模块吊装
听上去轻巧，但这背后是极其严苛的工程挑战。将微观芯片的垂直供电供冷放大到楼宇规模，楼层设备及管道的对接精度要求达到了毫米级。这已类似外太空空间站的舱体对接，差一点都无法有效连接。
目前，在芜湖落地的3D数据中心，单栋建筑就能支撑10万卡AI算力集群，IT容量达168兆瓦，专门适配十万亿参数级别大模型的训练与推理。
运营一个省力省钱的超级数据中心
楼建好了，算力装了，但如何让这个十万卡规模的庞然大物高效平稳地运行，同样极具挑战。
十万卡规模的机房汇聚了海量设备，系统极度复杂。传统运维往往“巡检靠人、发现靠看、处置靠经验”，一个故障就能引发几十条连锁告警，让人手忙脚乱。
华为在设计这个超级数据中心时引入了具有自主决策能力的AI Agent（代理式人工智能）进行主动运维。
硬件上，3D数据中心分层解耦的设计方案让故障被天然隔离，哪个楼层出问题就去排查哪里，局部故障不会蔓延至其他板块。软件上，数字孪生底座把物理世界一一映射到虚拟世界，故障定位Agent能在1分钟内从上千条告警中精准定位根因，变更推演Agent会在操作前进行模拟，视频分析Agent则能自动识别违规作业。
但这套系统的真正价值不仅是“被动响应”，而是“主动预测”。针对高密度液冷系统，运维Agent开始通过融合热力学机理与数据驱动，建立液冷管路可靠性模型。当供回水压力出现细微的异常偏差，系统就能提前研判出是否是微小泄漏，并精准定位。针对屋顶的备电锂电池，系统通过分离趋势项与残差项，剥离出电池在充放电循环中的老化轨迹，在性能明显下降前，就能识别出异常自放电或电芯一致性不良的潜在失效风险。
除了省力，省钱也是相当关键。
过去评价数据中心，看的是PUE（电能利用效率），主要衡量“用了多少电”。但在AI时代，这已经不够了。这就像评价一辆油车看“百公里几个油”，而评价电车则要看“每度电跑了多少公里”。
华为研发团队提出了一个新指标：PUT（词元能效），即衡量“每度电产出了多少Token（词元）”。从关注基础设施能效，到关注全栈算力能效，这其实是在倒逼数据中心精打细算：不仅要少耗电，还要多产出。
为了提升PUT，数据中心开始探索“算电网协同”。在空间上，高耗能的模型训练任务调度到西部绿电充沛的地区，对时延敏感的推理任务留在城市节点；在时间上，利用电价峰谷进行灵活调度，电力便宜时多算，贵时少算。综合成本由此得到有效控制。
词元工厂将电力转换为词元
当成本降低，算力才真正走向普惠。如今，国内绝大多数城市访问算力枢纽的时延被控制在10毫秒以内。算力资源可以跨地域灵活调度，绿电利用与低时延诉求得以兼顾。当中小企业不用自建机房、购买重资产设备，也能像用水用电一样按需获取AI算力时，撬动的就绝不仅仅是一栋楼的生意了。
顺着算力基建往下看，其实是一场极其庞大的产业重构。
最直观的，是资本正在加速涌入。2026年全球IT基础设施支出预计达1.69万亿美元，其中数据中心系统支出直接从5000亿美元冲到了8000亿美元以上。中国数据中心市场规模预计2030年增长至1.2万亿元。全球九大云服务商2026年合计资本支出预估增加至8300亿美元，年增速提升至79%。从GPU、光模块、液冷设备到电力设备、储能系统，算力网建设正在带动一系列配套产业的景气度抬升。
《3D数据中心》一书将产业链清晰地切成了三层：最上面是芯片、光模块、HBM、高性能PCB这些高壁垒核心元器件；最下面是算力运营服务；而夹在中间的土地、电力、液冷、供配电等基础设施层，被业内公认为“确定性最高的产业增量环节”。
其中缘由也不难理解。因为上层芯片的技术路线还在激烈博弈，而下层基建的需求却是实打实的——只要AI还要发展，这层物理底座就必须先建好。据国家发改委测算，“十五五”时期算力网建设新增投资将达4万亿元。由于算力建设以企业为主体，这将极大激发民间投资活力，并通过乘数效应带动上下游产业链。
底座的完善将会带来商业模式上更深远的变化。过去企业搞AI，得先砸重金买服务器、租机柜；但在未来，算力可能不再以“机柜”来卖，而是直接按“产出了多少Token（词元）”来计费。这就像发电厂不卖发电机，只卖电一样。当算力变得像水电一样按需取用、按量计费时，哪怕只有几个人的创业团队，也有了真正入场的门票。
未来的AI发展需要高可靠的算力底座。过去几年，大模型还在拼参数规模；未来，AI要进入具身智能、自动驾驶、科学计算这些硬核领域，对时延和稳定性的要求极其苛刻。没有这样的超级算力工厂，这些应用根本跑不起来。
同时，高密度AI算力集群的部署，也对未来供电架构（如800V直流）、全液冷技术提出了明确的演进需求，这为电力电子、新材料、智能控制等环节带来了长周期的技术红利。
这注定不是某一家企业能独立完成的长跑。这也是华为选择将3D数据中心的设计图纸与专著正式开放的原因。
《3D数据中心》一书由华为云数据中心运营部部长吕阳明与华为基建机电及暖通设计管理部部长木斌联手撰写。两位作者深耕数据中心领域二十余年，一位主攻“怎么建”，一位主攻“怎么管”，将一线实战经验尽数沉淀于书中。
这套架构可以作为全行业建设超节点集群的参考。华为将底层逻辑开源，是希望技术方案开放能够让整个行业少走弯路，支撑大模型与千行百业智能化的持续发展。
毕竟，在AI基础设施重构的这场长跑里，最终所有参与者都能从产业做大中获益。
华为解码AIDC新范式
打造超级词元工厂
点击卡片，即可购买
-End-
2026.10.27
编辑：闪闪 | 审核：孙小悠
扫码报名
点「在看」，给阿信加鸡腿
评论 (0)