本文作者：龙玥
来源：硬AI
近期，摩根大通与Scale AI数据科学家、Meta前高级数据科学家Sri Kanajan举行电话会议，深入探讨超大规模AI数据中心架构趋势。
Kanajan认为，AI基础设施部署仍处于早期阶段，对产能过剩的担忧有限。算法进步正降低训练算力消耗，基础设施通过“训练转推理”实现高效循环利用，训练集群在新一代GPU推出后被快速重新配置为推理工作负载。不过，电力和冷却问题仍是扩展下一代数据中心的主要瓶颈。
算法革新：算力需求从训练向推理迁移据摩根大通报告，近期算法突破——如混合模型（含DeepSeek）、精度训练及策略性强化学习——显著降低了整体AI模型训练所需的计算量。这促使行业将优化重点转向推理环节。
Kanajan指出，当前，业界正积极采用模型蒸馏、压缩等技术精炼模型，力求在不大幅增加原始算力投入的前提下提升性能。
基础设施：动态部署，担忧产能过剩尚早Kanajan认为，AI基础设施部署仍处早期阶段，特别是考虑到云服务商对其投资的长期回报预期，当前对产能过剩的担忧有限。
一个关键的动态利用策略是：当训练周期结束且新一代GPU上市时，现有训练集群会被快速重新配置，以支持推理工作负载。这种“训练转推理”的生命周期转换，确保了计算资源能高效适配从密集训练到均衡推理的需求变化。
在建设模式上，训练集群通常部署在专为优化离线GPU利用率而新建的隔离设施（“绿场”）；而推理集群则倾向于通过扩建现有数据中心（“棕地”），尤其在大都市区，以支撑持续的在线AI服务。
能源挑战：电力冷却成最大瓶颈电力和冷却挑战仍是扩展下一代数据中心的主要瓶颈。
在Kanajan看来，随着数据中心追求更高密度和承载更密集的计算负载，电力供应和散热问题已成为下一代数据中心规模扩展的普遍性瓶颈。
超大规模企业正积极探索创新方案，如在I型架构设计中采用液冷技术，甚至评估核能或替代能源以实现7x24小时稳定供电。同时，强大的电网互联策略对保障数据中心不间断运行至关重要。
Meta引领数据中心架构创新在数据中心设计方面，摩根大通报告重点提及了Meta的创新做法。与传统超大规模厂商设计支持多租户云的H型布局不同，Meta选择了专门针对内部AI工作负载的I型校园式配置。
据报告，这种设计在功耗、冷却和机架密度方面实现了改进，这些因素对支持高性能训练集群至关重要。
在硬件策略上，Meta正在平衡品牌解决方案与白盒方案。网络方面，虽然Arista的强大能力在当前基础设施中仍然必不可少，但Meta正与Celestica等白盒供应商合作，长期目标是将其内部软件与白盒硬件集成。
本文来自微信公众号“硬AI”，关注更多AI前沿资讯请移步这里
启恒配资-免费股票配资平台官网-厦门股票配资-券商配资开户提示：文章来自网络，不代表本站观点。
