Skip to Content Facebook Feature Image

AIDC「能效之戰」:中興通訊如何重構算力「能量底座」

商業事

AIDC「能效之戰」:中興通訊如何重構算力「能量底座」
商業事

商業事

AIDC「能效之戰」:中興通訊如何重構算力「能量底座」

2026年11月17日 08:57 最後更新:09:21

深圳2026年11月17日 /美通社/ -- 當單機櫃功耗從10kW躍升至600kW,傳統數據中心的供電和散熱邏輯已然力不從心。面對AI算力的急速膨脹,中興通訊的答案並非漸進式升級,而是AIDC「能量底座」的系統性重構。

算力狂奔,電成「稀缺資源」

人工智能時代,算力需求迎來爆發式增長。國家數據局披露,截至2025 年底,全國在用算力設施機架數超過 1373 萬標准機架,建成萬卡智算集群42個,智能算力規模達到159萬 PFLOPS,位居全球第二。進入2026年,這一增長勢頭有增無減:截至7月底,全國智算總規模已達245萬PFLOPS。

算力狂奔的必然結果,是算力中心用電量的急速攀升。國家能源局相關數據顯示,2025年全國算力中心總用電量達1700億千瓦時,占全社會用電量1.6%;預計到2030年,算力中心用電規模將突破8000億千瓦時,占全社會用電量比重攀升至6%左右。

然而,問題不僅僅是用電總量。傳統數據中心單機櫃功耗普遍維持在10-20kW,而進入AIDC智能算力時代,GPU集群高密度部署成為常態,單機櫃算力負載快速突破100kW,高端智算場景更是達到600kW甚至1MW級別。

傳統供電架構的短板隨之暴露:從變壓器到服務器的多級電能轉換鏈路會產生明顯的電力損耗。以10MW級數據中心為例,供電鏈路綜合效率僅為94%左右,每年因電力損耗產生的額外運營成本高達數百萬元。面對單櫃功率密度的跨越式提升,傳統供電方案已無法適配高密智算機櫃的運行與迭代需求,供電架構革新迫在眉睫。

散熱則面臨同樣嚴峻的挑戰。風冷技術的工程極限大約在單機櫃20-30kW,一旦突破這一閾值,空氣對流帶走熱量的能力將急劇衰減。當GPU集群熱流密度遠超風冷的能力邊界,在高密度算力與低碳建設雙重驅動下,液冷不再是「可選項」,而是「主流解」,是高價算力穩定、滿負荷輸出的核心保障。

與此同時,AIDC的競爭標尺正在從「算力規模」轉向「算力效率」, AI算力的長效發展,越來越取決於能源供給的上限,取決於從Energy到Token的全鏈轉化效率。這正是中興通訊切入的核心命題。

800V高壓直流系統:從源頭攻堅電力損耗

中興通訊給出的第一個答案,是800V高壓直流系統。這無疑是對傳統數據中心供電架構的底層革新,憑借高效拓撲設計、DC/DC智能電池管理、多元應用模式與卓越擴展能力,賦能AI數據中心實現高密高效、綠色可靠的直流供電,切實解決高密算力基礎設施的核心供電難題。

傳統400V架構的根源性缺陷在於輸電線路損耗:當機櫃功率從10kW躍升至600kW,電壓不變意味著電流暴漲,損耗急劇放大。而800V高壓直流系統的核心價值首先便體現在高密高效:電壓翻倍,輸電電流大幅降低,有效減少配電鏈路傳輸損耗,系統端到端供電效率可突破98%。同時,電流降低可減少50%-60%的線纜銅材用量,精簡配電設備體積,大幅節省機房空間與基建投入,實現能效升級與成本優化「雙贏」落地。此外,高壓直流架構電壓轉換層級更少、供電鏈路更簡潔、故障節點更少,能夠完美適配AI算力7×24小時高負載、不間斷運行的嚴苛場景需求。

800V高壓直流系統的另一重「硬實力」在於場景適配,它已成為多類核心算力項目的「剛需解法」。例如,在新建超高密智算中心場景中,針對單機櫃600kW以上高功率算力集群,800V高壓直流電力模塊方案成為保障算力穩定、高效運行的核心基礎設施,可支撐規模化部署與彈性擴容。而面對存量機房智算升級改造需求,針對傳統機房架構老舊、無法承載高密算力設備的痛點,800V HVDC方案能利用舊有變壓器及配電,快速接入HVDC電源系統、即插即用,無需整體重構機房供配電體系,以低成本、高效率完成傳統機房向AIDC智能算力機房的升級迭代。

800V高壓直流系統在智能管理層面同樣實現了跨越。系統支持一站式全鏈路管理,實現全系統可管可視:故障錄波、關鍵位置測溫、上下級選擇性保護模擬等功能,有效助力穩定運行。而在健康度管理方面,從模塊故障預測、系統故障預測、電池壽命預測三級維度進行關鍵設備預測性維護,運維更省心。

不僅如此,依托雙制式兼容、模塊化彈性設計,中興通訊800V高壓直流系統可靈活切換電壓制式(±400V/800V),適配新舊場景平穩過渡;支持容量按需擴容,有效降低項目初期投資壓力。目前,產品全面覆蓋集中式大型算力基地與分布式邊緣算力升級場景,可滿足運營商、互聯網企業、專業算力投資方等全類型客戶的建設與改造需求。

兆瓦級液冷CDU:創新鑿破「熱力」天花板

當供電側通過800V高壓直流實現效率躍升,散熱側同樣需要一場能力重構。中興通訊推出冷板式液冷CDU產品,為客戶實現全生命周期制冷成本最優與全天候機房散熱安全保障。

這款面向高密智算場景的液冷CDU,單機散熱能1.5MW,可擴展到2.4MW,可靈活配置2-5個CDU櫃。此外,輔助模塊可按需選配,客戶無需一次性高額投入,可隨業務增長逐步升級,大幅降低初期投資與後期改造浪費。

不僅如此,基於流量、壓力、溫度等多類傳感器的集成設計,1500kW液冷CDU能實現±0.5℃精准溫控和±0.1bar壓力控制,從根源保障高密度算力設備穩定運行。它還同步配備了設備健康度指示與狀態可視化功能,實現智能運維管理,大幅降低人力成本與業務中斷風險;並搭載N+X熱備冗余、雙路供電等多重安全設計,支持7×24小時不間斷運行。 

800V高壓直流與1500kW液冷CDU全新方案的有力組合,無疑描畫了AIDC「進」與「出」的高效通道:供電側以最低損耗將每一度電送入服務器,散熱側以最高效率將每一度電產生的熱量排出機房,將PUE穩定控制在1.15以內。

檢驗技術成效的唯一標桿無疑是落地應用。面向數字經濟時代的智算中心建設需求,南京濱江數據中心的改造升級率先為行業寫就了示范答卷。在這裡,中興通訊落地了功率密度高達60kW的液冷一體化解決方案,采用高效配電HVDC及母線,結合32℃送風與群控調優,最終PUE值僅為1.15,展現出智算中心極致的能效表現。面向AI算力長期增長需求,中興通訊近日攜手合作伙伴建成巴基斯坦規模最大智算數據中心——喀喇昆侖一號數據中心,采用冷板式液冷、預制電力模塊和智能母線等創新技術,實現機房彈性制冷、彈性供電,為AI智算提供可靈活擴容、持續演進的高密算力基礎設施,為國家數據主權保障與數字經濟發展打造堅實基礎。

然而,比亮眼數據更重要的是,它們所代表的並非單點技術革新,而是中興通訊在AI浪潮下的構建堅實算力底座的能力錨點。AIDC時代真正的「系統級TCO最優」,是從電力、熱力到算力的全鏈路效率最優,那便是Watt、Heat與Bit極致協同的悅耳「交響」。

Watt、Heat與Bit的極致「交響」

傳統數據中心規劃中,算力、供電、制冷、運維等版塊通常分拆規劃、獨立建設;而AIDC時代,算力密度躍升意味著任一環節的短板都可能被成倍放大。當「拼圖式」策略難以為繼,身為「能量底座」的數據中心正呼喚一場系統性建設邏輯重構。

對此,中興通訊的解法已呼之欲出:將算力、電力、熱力協同設計與管理,改變各系統分立建設運營的傳統思路,從項目源頭統籌算力調度、電力輸配、熱量消散,打通算力‑電力‑熱力全鏈路。通過多維度資源動態匹配與聯動管控,優化能源流轉,實現算力資源、電力能源、熱力資源的綜合效益最大化,賦能 AIDC 智算中心降本增效與綠色低碳發展。

在基礎設施協同層面,中興通訊致力於打造基於源網荷儲一體化的AIDC智能算力中心,搭建算力與電力基礎設施聯動底座。通過800V高壓直流供電、全鏈路液冷散熱等前沿技術,大幅降低算力中心能耗水平;同時,依托多級儲能BESS、iDCIM、iEMS智能管控系統,實現算力負荷、電力供給、儲能調度的全鏈路智能調控,破解算力中心能耗高、調度難、適配性弱的行業痛點。

在算力核心賦能層面,中興通訊堅持軟硬協同,夯實算電融合技術根基。在硬件端,攜手產業伙伴打造正交超節點智算服務器,從物理層解決了高密度場景下的可靠性和可維護性問題,實現「一組超節點就是一座『AI工廠』」,憑借卓越的技術先進性與工程價值,獲得業界高度認可;在2026世界人工智能大會上,攜手合作伙伴憑借「基於OEX+dOCS架構的國產高性能Matrix超節點」項目,二度榮膺WAIC SAIL大獎。在軟件端,依托智能體工廠實現全流程賦能,通過AI訓推全流程優化技術,提升算力利用效率、降低算力能耗損耗,實現算力與電力資源的精准匹配。

在能源綠色升級層面,中興通訊落地全場景智能光儲一體化解決方案,全面覆蓋智能光伏電站、電網側儲能、AIDC算力中心儲能、光儲微網四大核心場景,全方位助力能源體系綠色低碳轉型。並針對工商業、大型算力基地、園區等不同場景,推出125KW/261KWh工商儲能一體櫃、5MWh集裝箱儲能等標准化儲能產品,搭配iEMS智慧能源管理系統,實現綠電生產、存儲、調度、利用的一體化管控,最大化提升綠電就地消納比例,為算力產業提供穩定、綠色、低成本的電力支撐。

自啟程到如今,中興通訊已在全球20多個國家交付500多個項目,超40萬個機櫃,總裝機容量超過3200兆瓦,總建築面積達350萬平方米,成為領先的端到端數據中心解決方案提供商。在國內,寧夏中衛、安徽蕪湖、貴州貴陽等地均有大型智算中心項目落地;在海外,相關方案已成功交付至印度尼西亞、烏茲別克斯坦、墨西哥、意大利、巴基斯坦、阿爾及利亞、智利等多個國家和地區。中興通訊豐富的跨地域實踐,不僅印證了產品方案的場景適應力,更體現了開放解耦、生態協同之於AIDC規模化演進的關鍵作用。

算電協同:從紙上藍圖到地上工程

今年,「算電協同」首次寫入政府工作報告,「十五五」規劃綱要進一步提出「推動綠色電力與算力協同布局」。宏觀戰略的定調,亦在推動算力基礎設施的底層邏輯重構。當比特與瓦特不再各行其道,而是形成智能閉環,AIDC才能真正進入效率時代。

中興通訊深知,算電協同不是簡單的「把數據中心建在電站旁邊」,而是一場重構算力與電力關系的系統性工程。面向未來,我們將依托自身技術研發與交付實力,將800V高壓直流系統、1500kW液冷CDU等亮點產品轉化為可復制、可推廣的行業標准方案。同時,持續深化與能源龍頭企業的協同創新,重點發力技術標准制定、電力專用芯片研發、行業定制化產品開發等方向。讓「算電協同」從宏觀藍圖,落地為每一個AIDC園區實實在在的工程;也為我國將能源優勢真正轉化為AI時代的算力競爭優勢,貢獻企業智慧與力量。

傳媒查詢:
中興通訊股份有限公司
品牌部
電郵:ZTE.press.release@zte.com.cn

AIDC「能效之戰」:中興通訊如何重構算力「能量底座」

AIDC「能效之戰」:中興通訊如何重構算力「能量底座」

** 本新聞稿由 PR Newswire 通過自動發布系统提供,內容由客戶承擔全部責任。**

NAND Research 最新報告強調,GPU 繁忙程度不能準確反映有效產出,並提出全新的「推論經濟效益評分卡」,按實際完成的有效工作量衡量推論基礎設施。這套框架已應用於與 Nebius 合作進行、採用 NVIDIA HGX B300 GPU 及 WEKA NeuralMesh 的八小時基準測試。

芝加哥 2026年11月17日 /美通社/ -- 在 Supercomputing 2026 大會上,AI 數據及記憶體基礎設施公司 WEKA 聯同市場情報公司 NAND Research,今日推出「推論經濟效益評分卡」。這套全新通用框架按實際完成的有效工作量,衡量推論基礎設施的生產力及經濟價值,而非單看 GPU 有多繁忙。評分卡訂出九項指標,包括每瓦特的詞元產出、每次推論成本及上下文保留能力。評分卡亦訂立四項測試規則,包括每次運行至少八小時,以及只計算成功產出。這套框架已應用於與 AI 雲端服務公司 Nebius 合作進行的基準測試。與此同時,推論正佔據愈來愈大比例的 AI 基礎設施開支,而買家亦面對電力、記憶體及機架空間的限制。

新研究發現:買家已開始以不同方式看待推論 S&P Global 旗下 451 Research 的最新研究顯示,機構已開始作出調整。研究預計,推論佔 AI 基礎設施開支的比例,將由 2026 年的 34% 增至 2030 年的 46%;研究亦發現,在執行推論的機構中,41% 會為推論採購與其餘 IT 架構截然不同的基礎設施。

S&P Global 旗下 451 Research 高級分析師 Greg Macatee 表示:「AI 的價值最終透過推論實現,而我們的研究顯示,推論正重塑機構採購基礎設施的方式。AI 代理正帶動詞元數量呈指數級增長;記憶體、電力及供應方面的限制,令機構難以單靠增添 GPU 來追上需求。」

為何 GPU 使用率不足以衡量推論效能

多年來,訓練一直是主要的 AI 工作負載。訓練透過大型、可預測的運算任務,讓 GPU 持續忙碌,因此 GPU 使用率成為衡量 AI 基礎設施生產力的常用指標。推論,尤其是代理式推論,對 GPU 的要求卻截然不同。AI 代理並非只回應一個提示,而是透過多個步驟完成任務,並在每一步重新讀取先前建立的上下文。當 GPU 為其他用戶及工作階段騰出空間,而將這些上下文從記憶體移除後,便必須在任務恢復執行時重新計算。在這項工作完成之前,任務無法繼續推進。結果是 GPU 雖然滿負荷運作,卻因多次重算相同詞元而浪費運算週期,未能帶來有效產出。

推論經濟效益評分卡以生產環境規模衡量推論系統:觀察系統在大量用戶同時使用的情況下,持續數小時而非數分鐘所完成的請求。

WEKA 聯合創辦人兼行政總裁 Liran Zvibel 表示:「業界一直沿用訓練時代的成績表來評核推論。GPU 使用率只能告訴你晶片很繁忙。它卻無法說明工作究竟已經完成、被重複執行,還是最終遭到捨棄。對 AI 代理而言,大量工作其實都在重複進行。如今,電力、供應及機架空間與資金一樣,都是限制因素。推論基礎設施需要新的衡量方式:在符合用戶預期回應時間的前提下,每瓦特、每個機架及每美元能產生多少有效工作量。推論經濟效益評分卡將這套衡量方式具體化,而 WEKA 亦會與其他供應商一樣,接受同一標準的評核。」

從繁忙到高效:評分卡如何運作 推論經濟效益評分卡訂出九項推論效能及經濟效益指標:每瓦特的詞元產出、每個機架的詞元產出、每次推論成本、GPU 有效吞吐量、首個詞元回應時間及端到端延遲、記憶體使用效率、運作密度、AI 代理並行數,以及上下文保留能力。評分卡亦為各項指標訂立測試規範:

  • 所有受測系統採用相同工作負載及服務目標
  • 衡量整個推論服務堆疊
  • 每次測試運行至少八小時
  • 僅將成功產出計入成果

NAND Research 首席分析師兼創辦人 Steve McDowell 表示:「現時 AI 基礎設施最昂貴的錯誤,就是按峰值吞吐量採購,卻為重複工作付費。AI 代理工作負載令這個問題更容易被忽略,因為長時間任務的每一步,都會重新讀取上下文,而繁忙的 GPU 可能需要從頭重建這些上下文。我們設計這張評分卡,讓買家能以相同標準評核任何系統:以數小時為單位衡量已完成的工作,並記錄每次失敗。Nebius 的基準測試展示了這套規範能揭示甚麼,因為測試完整運行了八小時,並將每宗失敗或逾時的請求納入統計。」

實際驗證:真實 AI 代理負載,持續運行八小時 WEKA 與 Nebius 最近在 NVIDIA HGX B300 系統上進行聯合基準測試,採用評分卡的測試規則,並公佈多項指標的結果。測試使用一個配備八個 GPU 的節點,運行 DeepSeek-V4-Pro,為 512 個活躍工作階段提供服務。這些工作階段選自一個包含逾 5,000 個真實 AI 代理編程工作階段的資料集。每種配置均持續運行八小時,並將每宗失敗或逾時請求納入統計。

採用配備 Augmented Memory Grid 的 WEKA NeuralMesh 後,系統將叢集內的 NVMe 資源匯集成共享上下文儲存層。與同一批 GPU 僅使用高頻寬記憶體(HBM)提供服務相比,該節點每個 GPU 每小時的輸出詞元數達到 3.7 倍。在成功完成的請求中,97% 能在五秒內收到首個詞元,高於僅使用 HBM 時的 44%。僅使用 HBM 提供服務時,60% 的預填充運算,是重新計算叢集在同一工作階段中先前已處理過的上下文;採用 Augmented Memory Grid 後,這個比例降至 6.8%。按實測速率計算,僅使用 HBM 的節點約需 30 小時,才能達到 Augmented Memory Grid 在八小時內完成的產出。完整基準測試已刊載於 weka.io 及 nebius.com 的網誌。

Nebius 產品副總裁 Narek Tatevosyan 表示:「峰值吞吐量展示的是系統在幾分鐘內能做到甚麼,但我們的客戶會讓 AI 代理運行數小時、數天,甚至更長時間,因此真正重要的是持續完成有效工作。在完整工作時段內,隨著上下文被移出記憶體,以及逾時請求增加,僅使用 HBM 的配置表現逐漸落後;WEKA NeuralMesh 則在整個測試期間維持穩定的首個詞元回應時間。這改變了我們規劃容量的方式:我們按一個工作天內能完成的工作量配置資源,而非基準測試的峰值。推論經濟效益評分卡讓我們能以共同的衡量方式,向客戶展示這個數字。」

「代理式推論是塑造 AI 工廠的關鍵工作負載,對記憶體及上下文提出極高要求。在大規模運作下,問題已不再是 GPU 能容納多少上下文,而是在無需重新運算的情況下,能於整個叢集內將上下文容量擴展至多大規模。」NVIDIA 儲存技術副總裁 Jason Hardy 表示。「WEKA 及 Nebius 在 NVIDIA HGX B300 系統上的測試結果,展示了共用上下文層如何提升持續吞吐量及回應速度。隨著推論規模不斷擴大,採購者將需要更清晰的方法,根據各系統實際完成的工作量作比較。」

以可重現為設計原則:開放執行軌跡及工具 基準測試所用的執行軌跡及工具均已開源,任何人都可在自己的系統上運行相同工作負載,並在同等條件下比較結果。這些執行軌跡來自真實 AI 代理編程工作階段,而非合成負載,涵蓋實際工作中多變的時序及複雜度,為各團隊提供貼近實際生產情況的測試負載。其他機構亦已開始在此基礎上開發工具:SemiAnalysis 的 AgentX 基準測試以這些執行軌跡為基礎,而 NVIDIA AIPerf 基準測試工具亦提供相應的資料載入工具。

SemiAnalysis 創辦人兼行政總裁 Dylan Patel 表示:「代理式推論基準測試必須反映真實生產流量,包括長時間運行的 AI 代理、不斷增長的上下文、包含子代理的複雜多代理工作流程,以及實際部署中常見的突發、難以預測的流量模式。能達到這個標準的基準測試寥寥可數,而我們建立 AgentX,正是為了填補這個缺口。這亦是 AgentX 採用 WEKA 開放的 kvlab 執行軌跡格式,基於真實 AI 代理軌跡運行的原因,讓任何人都能重播相同的多輪工作流程,並在同等條件下比較結果。隨著 AI 代理成為主要推論工作負載,這種可重現的測量方式,將讓業界不再局限於峰值數字,而能看清基礎設施可持續維持的表現。」

SemiAnalysis 計劃隨著測試進展,分享 WEKA NeuralMesh 上的 AgentX 測試結果。如欲了解更多資訊,請瀏覽 https://inferencex.semianalysis.com/agentx。

更多資源

  • 推論經濟效益評分卡及 NAND Research 配套報告可於此處查閱。
  • 按此免費下載 S&P Global 旗下 451 Research 的報告《From inference to agentic AI》。
  • 閱讀 WEKA 行政總裁 Liran Zvibel 的網誌文章。 
  • 如欲了解資料擷取工具背後的工程設計,以及各項測量指標的定義,請按此瀏覽。
  • 歡迎於 11 月 16 至 20 日蒞臨芝加哥 SC26 大會的 WEKA 2519 號展位,進一步了解如何將推論經濟效益評分卡應用於您的推論工作負載。

關於 WEKA
WEKA 是一家 AI 數據及記憶體基礎設施公司,致力改變代理式 AI 的經濟效益。WEKA NeuralMesh 平台將高效能數據儲存與擴展 GPU 記憶體整合,為企業、AI 雲端服務供應商及 AI 開發者提供統一基礎,支援訓練、推論及 AI 代理工作負載。透過 Augmented Memory Grid,NeuralMesh 可將 GPU 記憶體容量擴展至原來的 1,000 倍,將首個詞元回應速度提升至最高 20 倍,並在相同 GPU 資源規模下,服務原來 10 倍的並行用戶。上述表現已在生產環境基準測試中得到驗證。WEKA 協助機構更快擴展生產環境中的 AI 規模,讓每個 GPU 完成更多有效工作,並降低每個輸出詞元的成本。如欲了解更多,請瀏覽 www.weka.io 或追蹤我們的 LinkedIn 和 X。

WEKA 及 WEKA 標誌為註冊商標,WEKA NeuralMesh 及 Augmented Memory Grid 為 WekaIO, Inc. 的商標。本文提及的其他商標均屬其各自擁有人所有。

** 本新聞稿由 PR Newswire 通過自動發布系统提供,內容由客戶承擔全部責任。**

你 或 有 興 趣 的 文 章