# 数据中心 — 如何运作以及为何扩张

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
Locale: zh
Published: 2026-07-29
Updated: 2026-07-29
Canonical: 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

## 摘要

- 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。
- 组件、服务器、机架与设施的功率是不同的度量。
- 人工智能机架可以非常密集，但并不代表典型设施。
- 容量取决于多层工业环节；瓶颈可能在其间转移。

## 目录

- [系统](#o-sistema)
- [类型与指标](#tipos-e-metricas)
- [人工智能架构](#arquiteturas-de-ia)
- [基准测试与效率](#benchmarks-e-eficiencia)
- [依赖链条](#cadeia-de-dependencias)
- [仍未测量的内容](#o-que-ainda-nao-e-mensurado)

<a id="o-sistema"></a>

## 系统

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)

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)

<a id="tipos-e-metricas"></a>

## 类型与指标

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)

还必须区分：

- 组件功率；
- 服务器功率；
- 机架功率；
- 设施总功率；
- 随时间的消耗；
- 已完成的计算工作。

TDP 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)

<a id="arquiteturas-de-ia"></a>

## 人工智能架构

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)

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)

<a id="benchmarks-e-eficiencia"></a>

## 基准测试与效率

MLPerf 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)

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)

<a id="cadeia-de-dependencias"></a>

## 依赖链条

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)

当某一层扩张快于另一层时，瓶颈可能转移。

<a id="o-que-ainda-nao-e-mensurado"></a>

## 仍未测量的内容

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。

同样没有可比较的全球测量：

- 服务器与加速器利用率；
- 空闲功率；
- 按机架的密度分布；
- 各层交付周期；
- 已安装容量与可用容量。

采用率代理指标不会被呈现为物理或能源份额。

## 参考文献

1. <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.
2. <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.
3. <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.
4. <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.
5. <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.
6. <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.
7. <a id="ref-7"></a>[MLCommons — MLPerf Inference benchmark documentation](https://docs.mlcommons.org/inference/). MLCommons. 查阅于 24 jul. 2026.
8. <a id="ref-8"></a>[MLCommons — MLPerf Inference power measurement methodology](https://docs.mlcommons.org/inference/power/). MLCommons. 查阅于 24 jul. 2026.
9. <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.
10. <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.
11. <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.