> **来源：[研报客](https://pc.yanbaoke.cn)** # AI DC 白皮书总结 ## 核心内容 AI DC（智算数据中心）是企业智能化转型的关键基础设施，承载AI模型的训练、推理和应用。它标志着数据中心从传统的成本中心向创新中心的转变，成为推动AI发展和应用的核心引擎。 ## 主要观点 - **算力是新“黑金”**：随着AI技术的爆发，算力成为推动智能社会发展的关键资源，AI DC是其核心载体。 - **AI是趋势，不是潮流**：AI已深入各行各业，重构传统业务模式，提升生产效率，推动社会向认知社会转变。 - **AI DC是AI基础设施的核心**：AI DC不仅是算力提供者，更是企业价值创造的驱动力，支持从“生成式AI”到“智能决策”的全过程。 - **AI DC是未来数据中心的定义**：AI DC具备五大特征变化，包括新架构、新计算、新存储、新网络和新管理，以应对AI对算力、效率和可持续性的高要求。 - **企业AI发展需以场景为纲**：AI业务价值三角强调场景、数据、模型和算力的协同作用，以实现高效、智能和可持续的AI应用。 - **AIDC建设需兼顾效率与成本**：企业需结合自身业务需求，合理规划AI DC的规模和类型，从超大型、大型到小型，各有其适用场景。 ## 关键信息 ### AI DC 的五大特征变化 1. **新架构**：采用全互联对等架构，打破冯·诺依曼架构的限制，提升算力效率。 2. **新计算**：以GPU和NPU为中心的智能计算，提升并行处理能力和计算效率。 3. **新存储**：NPU/GPU直通存储技术，缩短数据读写时间，提升训练效率。 4. **新网络**：支持高带宽、低时延的网络架构，如400GE/800GE和动态NSLB技术。 5. **新管理**：跨域协同管理，包括全链路可视化监控、快速故障定位与修复。 ### AI DC 的主要建设场景及类型 1. **全量预训练**：用于基础模型训练，需超大规模算力。 2. **二次训练 + 中心推理**：适用于行业头部企业，支撑行业模型的优化和推理。 3. **二次训练 + 边缘推理**：支持边缘部署和实时决策，适用于集团化企业。 4. **轻量化推理**：适用于对数据安全要求高的场景，如医疗、金融等。 ### AI DC 的主要挑战 - **电力供应**：超大规模AI DC的电力需求极高，需创新解决方案。 - **散热技术**：高功率密度要求高效的液冷或风液混合散热。 - **资源利用率**：提升算力资源使用效率，避免浪费。 - **运维复杂性**：需建设高效的运维平台，支持快速故障定位和恢复。 - **能效与可持续发展**：推动绿色算力发展，采用可再生能源和节能技术。 ### 企业AI发展的价值三角 - **场景**：从解决实际问题出发，确保应用落地。 - **数据**：数据质量与多样性决定模型效果。 - **模型**：结合行业知识与数据，构建适合场景的模型。 ## 建设倡议 1. **适度超前建设AI DC**：提前布局，确保算力供给。 2. **集约化与绿色发展**：提升资源利用率，采用绿色能源。 3. **开放协作的行业AI生态**：联合产业链各方，推动AI应用落地。 4. **筑好三个底座**：算力底座、数据底座和模型底座，支持AI发展。 ## 未来展望 AI DC将推动智能时代的到来，通过系统级架构创新、算存网协同、软硬协同等手段，解决算力瓶颈，实现高效、智能和可持续的AI发展。AI将重塑各行各业，从传统生产到创新服务，带来前所未有的变革和机遇。