施耐德电气：电力约束下高密度AI智算中心该如何规划
热行业冷知识丨先功率or先电力，智算中心到底该咋规划？
施耐德电气在「热行业冷知识」第六期内容中，解答电力容量约束下高密度AI智算中心的规划问题，提出统筹电力与热管理全链路系统的规划思路。文中援引行业数据称，行业机架平均功率一年内从16kW升至27kW，仅不足20%的运营商可支持50至70kW的AI场景机架，美国部分主要市场新增电力并网排队周期达三至四年；全球数据中心电力需求2026年为132GW，预计2030年将达290GW。
原创 施耐德电气 2026-09-09 20:25 上海
在可获取的电能上限之内，重新审视AI数据中心建设思路
从“能增加多少计算资源”到“计算资源能部署在哪”——AI正在从根本上改变数据中心的规划逻辑。随着机架功率密度持续攀升，冷却能力、电力基础设施与公用设施接入三者之间形成了深度耦合的约束体系。
施耐德电气深度栏目「热行业冷知识」第六期，让我们站在数据中心架构师、设施负责人与AI基础设施团队的视角重新审视：如何在现有电力容量约束下，尽可能提升AI算力输出？
AI基础设施正大幅超越传统设施的原始设计指标。数据显示，行业机架平均功率已在短短一年内从16kW攀升至27kW，未来将进一步逼近40kW，新一代AI平台单机架功率甚至可达246kW。但仅有不足20%的运营商能支持AI场景下常见的50至70kW机架的能力。
全球数据中心电力需求也随之水涨船高，2026年已达到132GW，预计2030年将攀升至290GW。而在美国的一些主要市场中，新增电力容量的并网排队周期已长达三至四年，甚至超过数据中心自身的建设周期。
如何解决更高功率在有限机架中高度集中带来的散热难题？
如何在有限的配电容量中容纳下更高密度的算力部署？
散热能力与电力需求已成为AI数据中心发展部署的关键变量。
功率密度飙升的需求，直接引发了全行业对芯片液冷技术的更高关注。
从功率密度维度看，它实现了风冷无法企及的机架级散热能力；
从运营效率维度看，它能够显著提升设施的电源使用效率、降低数据中心运营成本。
传统风冷数据中心的PUE值通常在1.55至1.67之间，约三分之一的输入电力消耗于非IT负载。采用直接芯片液冷技术后，PUE值可降至1.10至1.20区间、将冷却能耗减少30%至60%，从而释放更多电力容量用于IT负载。
对被电网配额牢牢限制的运营商而言，每减少1MW的制冷功耗，就意味着释放出1MW用于计算负载的容量——无需等待电网扩容，就能直接转化为实打实、可部署的AI算力。
一套成功的高密度AI基础设施规划，需要实现从电网接入、供配电架构、UPS不间断电源、机架供电、冷却分配、全链路监控运营的全链路协同。施耐德电气提出“电网到芯片”与“芯片到冷源”的系统性方法论，将电气和热管理视为一个统一系统，将行业话题重心转向综合电源架构、部署速度、模块化能力、长期运营成熟度的全局规划。
对于需要在为传统计算设计的现有设施中引入更高密度AI负载的改造项目而言，同样需要综合评估可用电力容量、设施年限、部署时间表与业务优先级，才能判定液冷技术改造对于现有基础设施是否可行。通过部署直接到芯片的冷却回路、加装后门热交换器（RDHx）、引入冷却分配单元（CDU）与散热单元（HDU）等方式，可以帮助传统基础设施快速适应更高算力密度。同时，在缺乏冷冻水基础设施的情况下，散热单元还可以将热量排放到空气中，增加部署灵活性。
AI算力竞赛的下半场，关键在于能否在电力供给、冷却策略与部署节奏之间找到“平衡点”。当电网容量成为算力的硬约束，以电力为核心的规划思维，将成为AI数据中心建设、AI算力拓展的必修课。
往期推荐
＋
＋
＋
＋
＋
来源：施耐德电气 · mp.weixin.qq.com