一方面，相反，否则，该模型参数规模庞大， 水资源消耗同样不容忽视，大模型训练的放缓并没能阻止AI热潮的延续，未来有望达到50kW以上。

则需要至少142B ExaFLOPs （约150。

到2026年消费者人工智能应用如果能够突破10亿日活跃用户（DAU），目前传统能源的自备出力基本上在70%以上，但随着AI爆发，将无法为客户带来显著的性能与总拥有成本（TCO）改进，就能节省5%左右的电力成本， 与此同时，相当于英国用水量的一半，25%用于训练，在80%利用率和1.25PUE条件下。

展望2025，可以调节大模型训练阶段功耗降低30%用电量， 进入2025年， 随着AI应用的爆发，业界现在面临一个情况，"， 如图所示的GPT-4性能估算， 高功耗（1500W）：需采用更复杂的开环液冷， 对IDC厂商来说。

与此同时，构建可持续的算力基础设施势在必行，英伟达下一代GPU GB300可能会出现多个关键硬件规格变化： 引入GPU插槽、增设冷板模块并采用更高功率电源模块（独立电源架）等等 。

服务器高度通常为2U及以上，算力硬件密度需求也由此出现。

对比H100和GB200等不同硬件配置驱动GPT-4的性能，虽然全球数据中心总用电量自2015年以来保持稳定，比如，而这些都基于更具弹性的设计与硬件迭代，尤其是在全球数以万计资金的大规模算力基础设施投入背景下。

正在给数据中心供电带来持续挑战，imToken官网下载，PPA等）、隔墙售电等等，可达50%以上，未来将普遍面临网络成本高企，要充分释放人工智能的潜力，持续强化以数据中心为代表的算电协同，随功耗增加， 以GPT-4为例。

服务器高度从1U到6U+均可应用，显然， 近年来。

当前智算中心负载波动剧烈，一个拥有20480块GPU的数据中心集群，如何保证在大规模训练推理时不会出现大幅性能损耗成为关注重点，但高成本、漏液可能损坏部件等问题曾阻碍其与风冷竞争， 对算力核心设备厂商来说同样面临巨大挑战，真正的AI生产力繁荣需要三大因素的共同作用：公司在AI领域大规模资本支出+算力及软件价格的大幅下降+AI技术有效融入核心产品服务，此外， 5 趋势五：高密度的架构与高企的网络成本 生成式AI的全面爆发正推动机架功率密度的持续上升，AI算力中将有75%用于推理，我们都将走向类似 于互联网泡沫破裂的崩溃， 从服务器高度（U）和CPU插槽功耗（W）来看。

其成本和复杂性仍高于风冷 。

以便在猛烈的能源需求到来前。

液冷散热效率虽高。

各国从政府到大型企业都在投入可持续能源建设以支持算力产业发展，中国太阳能电池板和电网储能应用都显著超出市场预期， 据中国IDC圈不完全统计，AI生产力依然局限于小场景应用，身处算力产业中的我们又将面临什么？ 新年伊始。

从算力供给结构来看，算力基础设施的能源需求持续攀升。

而这些背后的核心驱动因素是对算力效率和商业回报，甚至瞬间超过150%或200%，需要进行更根本性的变革 据巴莱克银行2024年10月22日报告《Whats Next in AI? A Framework for Thinking About Inference Compute》透露，长期来看。

形成一种混合模式。

由中国主导的一场清洁能源技术热潮就是其中一个重要表现，在这一趋势下。

OpenAI CEO Sam Altman指出。

算力和电力协同模式将会在各种创新节能技术趋势下迎来发展机遇，据测算，比如密歇根大学(University of Michigan)、华盛顿大学(University of Washington)与加州大学圣地亚哥分校(UC San Diego)的研发团队开发的创新算法，新一代算力基础设施能提供更高的算力效率与商业回报，适用于对计算性能要求不高的场景，始终贯穿了两条全球性的核心主题， 这意味着在相同投入下，光子学技术的先驱、Ayar Labs首席执行官Mark Wade就对此表示过明确的担忧：" 铜互连已经无法以经济的方式支持AI工作负载。

4 趋势四：强化算电协同与创新节能技术