本文作者：龍玥
來源：硬 AI
近期，摩根大通與 Scale AI 數據科學家、Meta 前高級數據科學家 Sri Kanajan 舉行電話會議，深入探討超大規模 AI 數據中心架構趨勢。
Kanajan 認為，AI 基礎設施部署仍處於早期階段，對產能過剩的擔憂有限。算法進步正降低訓練算力消耗，基礎設施通過 “訓練轉推理” 實現高效循環利用，訓練集羣在新一代 GPU 推出後被快速重新配置為推理工作負載。不過，電力和冷卻問題仍是擴展下一代數據中心的主要瓶頸。
<h2>算法革新：算力需求從訓練向推理遷移</h2>
據摩根大通報告，近期算法突破——如混合模型（含 DeepSeek）、精度訓練及策略性強化學習——顯著降低了整體 AI 模型訓練所需的計算量。這促使行業將優化重點轉向推理環節。
Kanajan 指出，當前，業界正積極採用模型蒸餾、壓縮等技術精煉模型，力求在不大幅增加原始算力投入的前提下提升性能。
<h2>基礎設施：動態部署，擔憂產能過剩尚早</h2>
Kanajan 認為，AI 基礎設施部署仍處早期階段，特別是考慮到雲服務商對其投資的長期回報預期，當前對產能過剩的擔憂有限。
一個關鍵的動態利用策略是：當訓練週期結束且新一代 GPU 上市時，現有訓練集羣會被快速重新配置，以支持推理工作負載。這種 “訓練轉推理” 的生命週期轉換，確保了計算資源能高效適配從密集訓練到均衡推理的需求變化。
在建設模式上，訓練集羣通常部署在專為優化離線 GPU 利用率而新建的隔離設施（“綠場”）；而推理集羣則傾向於通過擴建現有數據中心（“棕地”），尤其在大都市區，以支撐持續的在線 AI 服務。
<h2>能源挑戰：電力冷卻成最大瓶頸</h2>
電力和冷卻挑戰仍是擴展下一代數據中心的主要瓶頸。
在 Kanajan 看來，隨着數據中心追求更高密度和承載更密集的計算負載，電力供應和散熱問題已成為下一代數據中心規模擴展的普遍性瓶頸。
超大規模企業正積極探索創新方案，如在 I 型架構設計中採用液冷技術，甚至評估核能或替代能源以實現 7x24 小時穩定供電。同時，強大的電網互聯策略對保障數據中心不間斷運行至關重要。
<h2>Meta 引領數據中心架構創新</h2>
在數據中心設計方面，摩根大通報告重點提及了 Meta 的創新做法。與傳統超大規模廠商設計支持多租户雲的 H 型佈局不同，Meta 選擇了專門針對內部 AI 工作負載的 I 型校園式配置。
據報告，這種設計在功耗、冷卻和機架密度方面實現了改進，這些因素對支持高性能訓練集羣至關重要。
在硬件策略上，Meta 正在平衡品牌解決方案與白盒方案。網絡方面，雖然 Arista 的強大能力在當前基礎設施中仍然必不可少，但 Meta 正與 Celestica 等白盒供應商合作，長期目標是將其內部軟件與白盒硬件集成。
 
本文來自微信公眾號 “硬 AI”，關注更多 AI 前沿資訊請移步這裏
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a2d73611-121b-4320-b724-153afec77339.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="416" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a2d73611-121b-4320-b724-153afec77339.png"/>

摩根大通最新專家訪談揭示，AI 基建 “產能過剩” 擔憂為時過早，算法輕量化與硬件循環利用正緩解算力焦慮，但數據中心頭頂的 “電力問題” 與 “散熱難題”，才是 AI 狂奔路上更現實的減速帶。

- 摩根大通與 Sri Kanajan 探討超大規模 AI 數據中心架構趨勢。  
- Kanajan 指出 AI 基礎設施仍處早期階段，電力和冷卻是主要瓶頸。  
- Meta 採用 I 型設計，優化功耗和冷卻，推動數據中心架構創新。  

摩根大通專家訪談：AI 數據中心 “產能過剩” 了嗎？訓練和推理基建如何部署？