一家新能源大厂，如何撑起全球最大AI算力超级单体？

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 一家新能源大厂，如何撑起全球最大AI算力超级单体？ 克雷西 2026-08-11 19:36:42 来源： 量子位 克雷西 发自 凹非寺 量子位 | 公众号 QbitAI AI算力竞赛的天平，正在向 电力 倾斜。 这一判断，在乌兰察布出现了一个具体样本： 8月6日，远景科技集团在这里宣布 「远景乌兰察布星河基地」 正式投产，园区内全球最大的AI算力超级单体同步亮相。 这座超级单体建筑面积超过12万平方米，相当于20个标准足球场，其所在的星河基地总规划容量达到2GW，规划支持百万卡并行和百万P级算力。 这样的规模，放在两年前还很难想象。 当时，AI行业的注意力更多集中在模型参数、GPU数量和单卡算力上。如今，单个集群正在从万卡迈向十万卡、百万卡，IT负荷也从兆瓦级走向百兆瓦乃至GW级。 这时候，一座AI数据中心能不能真正跑起来，已经不只取决于「有没有芯片」。 电从哪里来、能不能稳定供应；数十万张芯片瞬间拉升负荷时，供电系统能不能接得住；更高的功率密度带来的热量，又能不能及时带走。 这些过去位于后台的基础设施问题，正在走到AI竞争的前台。 而这也带来了一个有意思的问题：做AI数据中心的，过去通常是电信运营商、专业数据中心开发商和互联网大厂。 为什么这一次，造出全球最大AI算力超级单体的，却是一家新能源企业？ 答案，要从AI数据中心的变化说起。 电力，正在从配套变成AIDC的核心能力 算力扩张的压力，已经不再只集中在芯片上。 随着单个集群的规模从万卡迈向十万卡、百万卡，功耗也从兆瓦级跳到吉瓦级。一座大型AI数据中心的用电量，已经接近一座中型城市。 电力正在从后台配套，变成决定算力扩张速度的前台变量、变成能不能持续扩张的前置条件。 英伟达CEO黄仁勋曾把AI拆解成五层：能源、芯片、基础设施、模型和应用。能源被放在最底层，因为没有它，后面几层都无从谈起。 需求在涨，供给端扩容却没有那么快。 全球数据中心持续扩张，规模已达32吉瓦，但输电线路、变电站和电源设施的建设周期，通常远长于服务器的采购和数据中心土建周期。 不少项目都面临服务器已经到货，配套电力却没有同步就绪的情况。 而且，电量够不够只是第一层问题。 对于十万卡乃至百万卡集群来说， 供电的稳定性同样重要 。 训练任务往往持续数周甚至更久，电压波动、瞬时中断都可能影响集群利用率。 一旦任务被迫中断，重新加载检查点、恢复集群同步状态，本身就是额外的时间和计算成本。 更重要的是，AI负荷也变得越来越「难伺候」。 数万张甚至更多芯片同步启动、训练阶段切换以及推理请求的实时变化，都会让负荷快速波动。 AIDC的规模来到GW级之后，普通意义上的「不断电」已经不足以满足数据中心的需要，必须要有一套可以同时处理容量、稳定性、动态响应和效率的能源系统。 这恰恰改变了中国算力竞争的坐标系。 过去，能源企业更多向数据中心提供电力或单一设备；但当IT负荷进入百兆瓦乃至GW级，能源获取、储能、供配电和热管理便开始成为基础设施上限的决定性因素。 中国长期积累的风光资源、电力装备、储能制造和大规模工程建设能力，也因此获得了新的使用场景。 国家能源局数据显示，2026年中国风电光伏新增装机约3亿千瓦，新型储能装机规模也已突破1亿千瓦。 这些原本服务于电网侧的产能，正在变成算力基础设施可以直接调用的资源。 但有风、有光、有储能，并不意味着就能直接给GPU用。 要让这些资源真正在AIDC中落地，还必须 把新能源资源转化成稳定、高质量、可连续供应的「算力能源」 。 这正是远景进入AIDC的逻辑起点。 一家新能源大厂的AI跨界 中国拥有丰富的风和光资源，并不意味着这些能源可以直接供给AI。新能源具有波动性，百万卡集群却要求持续稳定运行，两者天然存在矛盾。 远景乌兰察布星河基地要完成的核心转换，就是把波动的绿色能源，变成可预测、可调度、可连续供应的算力能源。 这件事对远景并不完全陌生。 过去二十年，从风机、储能、电力电子到能源管理，远景长期面对的就是同一道物理问题，那就是 如何预测自然能源的波动、如何储存和调度电力，以及如何让不稳定的新能源最终成为工业系统可以依赖的稳定能源 。 当AI数据中心进入GW级时代，这套能力第一次与算力基础设施发生了高度重合。 这场转换首先需要资源基础，为了满足这一需求，远景把其AIDC的选址，落在了乌兰察布。 这里风、光资源丰富，全域绿电占比高达67%，远景通过自建风电场和专线，把绿电直接送进了数据中心。 有了资源，接下来要解决的是， 怎么让这些资源真正适应AI 。 远景的做法，是形成一套「预测—决策—执行」的实时闭环。 「远景天机」气象大模型负责预测，对风光出力做高精度判断，把原本不可控的天气变化，变成可以提前预判的能源变量。 「远景天枢」能源大模型负责调度，根据发电、储能、算力负荷和电价的实时变化，动态优化电力分配，把每一度电送到更需要它的设备。 EnOS智能物联操作系统负责执行，把风机、储能、电力设备和算力设施接入同一个控制底座，让预测和调度的结果实时落到设备上，同时把设备的运行数据反馈回预测和调度环节，持续修正下一轮判断。 与此同时，储能承担了绿电与GPU之间的缓冲作用。 经过这几层处理，波动的新能源才有可能变成算力负荷可以持续使用的稳定能源。 此外，数据中心的供电链路长期存在一笔隐性成本。 电以中压交流形式进入机房，直到变成芯片最终使用的直流电，中间需要经过多级变换，每一次转换都会产生损耗。 过去机柜功率较低时，这些损耗并不算显眼。但随着AI机柜进入数百千瓦级，转换效率、设备占地和铜耗都被同步放大。 远景采用SST加BESS的800V直流供电方案，进而减少中间转换环节，提高GPU侧供电效率，避免将电能损耗在供电链路上。 对GW级AIDC来说，哪怕只有几个百分点的效率差异，放到整个园区规模上，也会变成巨大的能源和运营成本增长。 热管理同样如此。 AI芯片消耗的电力最终大部分都会转化为热量。芯片部署越密集，单位面积的热流密度越高，如果热量不能及时带走，GPU就无法长期保持稳定、高负荷运行。 因此，远景在供电之外，还把冷却系统纳入整体设计，根据不同功率密度结合风冷、液冷以及乌兰察布当地的自然冷源条件，降低非算力能耗。 从这个角度看，一座超级单体真正需要优化的绝不仅仅是某一个孤立指标。 电从风场进入园区，再经过储能和供配电到达GPU，最终转化成计算和热量， 这一整条能量转化链，需要被系统性优化 。 链条中每减少一点等待和损耗，就意味着同样一度电能够支撑更多算力。 这些技术最终指向同一个问题—— 同样一度电里，有多少真正流向了计算？ 而这个问题的答案，也决定了一座AIDC能够承载多大的算力规模。 所以，远景造的远不只是一栋楼，更是一座AI算力超级单体。 依托AI电力系统和高比例绿电直连，经远景测算，其同等面积算力输出规模可达到传统数据中心的10倍。 这一密度的实现不依靠机柜数量的堆叠，靠的是将能源获取、供电、储能、散热和算力部署作