{
  "schemaVersion": "1.0",
  "kind": "nilu.article",
  "id": "datacenters-sistema-fisico-demanda",
  "slug": "shuju-zhongxin-wuli-xitong-xuqiu",
  "locale": "zh",
  "sourceLocale": "pt-br",
  "localizationStatus": "translated",
  "title": "数据中心 — 如何运作以及为何扩张",
  "summary": "关于服务器、机架、工作负载、电力、冷却以及制约数据中心扩张的物理链条的指南。",
  "author": "NiLu",
  "publishedAt": "2026-07-29T00:00:00.000Z",
  "updatedAt": "2026-07-29T00:00:00.000Z",
  "canonicalUrl": "https://blog.nilu.pro/zh/blog/shuju-zhongxin-wuli-xitong-xuqiu/",
  "representations": {
    "html": "https://blog.nilu.pro/zh/blog/shuju-zhongxin-wuli-xitong-xuqiu/",
    "markdown": "https://blog.nilu.pro/zh/blog/shuju-zhongxin-wuli-xitong-xuqiu.md",
    "json": "https://blog.nilu.pro/zh/blog/shuju-zhongxin-wuli-xitong-xuqiu.json"
  },
  "bodyMarkdown": "# 数据中心 — 如何运作以及为何扩张\n\n关于服务器、机架、工作负载、电力、冷却以及制约数据中心扩张的物理链条的指南。\n\nAuthor: NiLu\nLocale: zh\nPublished: 2026-07-29\nUpdated: 2026-07-29\nCanonical: https://blog.nilu.pro/zh/blog/shuju-zhongxin-wuli-xitong-xuqiu/\nMarkdown: https://blog.nilu.pro/zh/blog/shuju-zhongxin-wuli-xitong-xuqiu.md\nJSON: https://blog.nilu.pro/zh/blog/shuju-zhongxin-wuli-xitong-xuqiu.json\n\n## 摘要\n\n- 数据中心将 IT 设备与电力、冷却、连接、安全和运营结合在一起。\n- 组件、服务器、机架与设施的功率是不同的度量。\n- 人工智能机架可以非常密集，但并不代表典型设施。\n- 容量取决于多层工业环节；瓶颈可能在其间转移。\n\n## 目录\n\n- [系统](#o-sistema)\n- [类型与指标](#tipos-e-metricas)\n- [人工智能架构](#arquiteturas-de-ia)\n- [基准测试与效率](#benchmarks-e-eficiencia)\n- [依赖链条](#cadeia-de-dependencias)\n- [仍未测量的内容](#o-que-ainda-nao-e-mensurado)\n\n<a id=\"o-sistema\"></a>\n\n## 系统\n\n数据中心集中信息技术设备以及使其保持通电、连接、冷却和可用所需的基础设施。IT 层包括服务器、加速器、内存、存储和网络。设施则增加电力转换、UPS、配电、冗余、冷却、物理安全和建筑。 [[1]](#ref-1) [[2]](#ref-2)\n\n云不是与人工智能、视频或数据库等同的应用。它是一种交付与运营模式，不同工作负载在其中共享基础设施。 [[3]](#ref-3)\n\n<a id=\"tipos-e-metricas\"></a>\n\n## 类型与指标\n\n设施可以是企业自有、托管（colocation）、超大规模、边缘或专用型。这些类别取决于所分析的问题，并不一定构成互斥分组。 [[2]](#ref-2)\n\n还必须区分：\n\n- 组件功率；\n- 服务器功率；\n- 机架功率；\n- 设施总功率；\n- 随时间的消耗；\n- 已完成的计算工作。\n\nTDP 并不衡量服务器或站点的消耗。PUE 描述在既定边界内设施总能耗与 IT 能耗之间的关系；它不衡量软件效率、工作负载价值或完整环境影响。 [[1]](#ref-1) [[4]](#ref-4)\n\n<a id=\"arquiteturas-de-ia\"></a>\n\n## 人工智能架构\n\n高密度加速器系统会改变机架。NVL72 配置集成计算托盘、NVLink 交换机、供电与液体冷却，NVIDIA 文档中的功率约为 120 kW。这是一种特定配置。 [[5]](#ref-5)\n\n在 Uptime 2025 调查中，709 名运营商中有 82% 表示其设施中已部署的最高密度仍低于 30 kW。该调查衡量的是每个应答设施的最高密度，而非所有机架的分布。因此，高密度产品与典型机架属于不同的总体。 [[6]](#ref-6)\n\n<a id=\"benchmarks-e-eficiencia\"></a>\n\n## 基准测试与效率\n\nMLPerf Inference 在既定模型和情景中衡量性能。当提交功率数据时，系统的 AC 功率在运行期间被测量。比较要求模型、精度、情景、软件和配置兼容。 [[7]](#ref-7) [[8]](#ref-8)\n\n基准测试结果不应直接换算为年消耗、平均利用率或整个数据中心的能耗。 [[7]](#ref-7) [[8]](#ref-8)\n\n<a id=\"cadeia-de-dependencias\"></a>\n\n## 依赖链条\n\n容量取决于一条可能包括晶圆厂、先进封装、HBM、网络芯片、光学器件、服务器、机架、冷却、电力设备、建设与调试的序列。公司报告显示部分环节存在依赖与供应受限，但并不提供可比较的全球平均交付周期。 [[9]](#ref-9) [[10]](#ref-10) [[11]](#ref-11)\n\n当某一层扩张快于另一层时，瓶颈可能转移。\n\n<a id=\"o-que-ainda-nao-e-mensurado\"></a>\n\n## 仍未测量的内容\n\n没有稳健的公开来源可在全球范围内将容量划分为人工智能、视频、数据库、网络服务、分析、HPC、存储及其他工作负载。权威研究将这一缺失视为不确定性，而不是授权用代理指标近似份额。\n\n同样没有可比较的全球测量：\n\n- 服务器与加速器利用率；\n- 空闲功率；\n- 按机架的密度分布；\n- 各层交付周期；\n- 已安装容量与可用容量。\n\n采用率代理指标不会被呈现为物理或能源份额。\n\n## 参考文献\n\n1. <a id=\"ref-1\"></a>[U.S. EPA ENERGY STAR — Data center rating FAQ and PUE definition](https://nepis.epa.gov/Exe/ZyPURL.cgi?Dockey=P100TSZE.TXT). U.S. EPA. 查阅于 24 jul. 2026.\n2. <a id=\"ref-2\"></a>[LBNL — 2024 United States Data Center Energy Usage Report](https://eta-publications.lbl.gov/publications/2024-lbnl-data-center-energy-usage-report). Lawrence Berkeley National Laboratory. 查阅于 24 jul. 2026.\n3. <a id=\"ref-3\"></a>[NIST — The Definition of Cloud Computing (SP 800-145)](https://csrc.nist.gov/pubs/sp/800/145/final). NIST. 查阅于 24 jul. 2026.\n4. <a id=\"ref-4\"></a>[NVIDIA — H100 Tensor Core GPU specifications](https://www.nvidia.com/en-us/data-center/h100/). NVIDIA. 查阅于 22 jul. 2026.\n5. <a id=\"ref-5\"></a>[NVIDIA — DGX GB Rack Scale Systems Hardware Guide](https://docs.nvidia.com/dgx/dgxgb200-user-guide/hardware.html). NVIDIA. 查阅于 24 jul. 2026.\n6. <a id=\"ref-6\"></a>[Uptime Institute — 2025 Global Data Center Survey](https://uptimeinstitute.com/about-ui/press-releases/uptimes-15th-annual-global-data-center-survey-results-shows-both-commitment-and-hesitancy). Uptime Institute. 查阅于 24 jul. 2026.\n7. <a id=\"ref-7\"></a>[MLCommons — MLPerf Inference benchmark documentation](https://docs.mlcommons.org/inference/). MLCommons. 查阅于 24 jul. 2026.\n8. <a id=\"ref-8\"></a>[MLCommons — MLPerf Inference power measurement methodology](https://docs.mlcommons.org/inference/power/). MLCommons. 查阅于 24 jul. 2026.\n9. <a id=\"ref-9\"></a>[NVIDIA — FY2026 Form 10-K](https://www.sec.gov/Archives/edgar/data/1045810/000104581026000021/nvda-20260125.htm). NVIDIA / SEC. 查阅于 24 jul. 2026.\n10. <a id=\"ref-10\"></a>[AMD — FY2025 Form 10-K](https://www.sec.gov/Archives/edgar/data/2488/000000248826000018/amd-20251227.htm). AMD / SEC. 查阅于 24 jul. 2026.\n11. <a id=\"ref-11\"></a>[Arista Networks — FY2025 Form 10-K](https://www.sec.gov/Archives/edgar/data/1596532/000159653226000013/anet-20251231.htm). Arista / SEC. 查阅于 24 jul. 2026.\n"
}