OpenClaw—AI研究OpenClaw—AI研究
  • AI动态
  • OpenClaw教程
  • 技术解读
  • 用户故事

AI从训练走向推理,数据中心为何开始重做供电与互联

AI从训练走向推理,数据中心为何开始重做供电与互联

2026年11月15日 by WoodStone

瑞萨这篇技术观点指出,AI基础设施正在从“堆更多GPU和ASIC”的训练竞赛,转向以推理、代理式AI和物理AI为核心的新阶段。变化并不只是计算任务变了,而是服务器必须同时承载持续数据搬运、复杂供电和精确控制,过去以处理器性能为中心的扩容逻辑,正扩展为系统工程问题。

图1

第一代AI基础设施主要解决模型能否训练起来的问题,xPU提供大规模并行算力,海量GPU与AI ASIC投资也因此快速扩张。如今重点变成让已经训练好的模型实时回答问题、执行决策并控制现实设备,这要求系统不仅算得快,还要稳定获得电力、低延迟访问内存,并管理大量机架中的供电与散热。

其机制在于,推理往往不断读取模型参数和中间数据,通信、供电和控制开销因此更容易成为系统瓶颈。仅升级xPU无法消除这些物理约束,CPU、内存接口、数字电源、功率半导体与控制器必须协同设计,才能把昂贵处理器的实际利用率转化为可交付的服务。

文中把数字电源、内存接口和控制列为三类关键支撑技术。数字电源覆盖从机架级转换到处理器附近稳压,内存接口改善处理器与内存之间的数据移动,控制则负责服务器复杂的电源与控制平面;这种拆分也意味着AI基础设施的机会正从单一计算芯片外溢到周边器件。

图2

供电架构是更棘手的一环。随着xPU密度上升,新一代AI机架功耗可能超过一兆瓦,行业因而转向800V直流配电。原理上,提高输送电压可在相同功率下降低电流,从而减少导线发热和导通损耗;但这只是把难题后移,高压器件、绝缘安全、故障隔离和热管理必须一起满足要求。

垂直供电是其中一种应对思路:用模块化、高密度、多相方案把大电流能力做得更靠近处理器,并以氮化镓开关参与高压转换,减少转换损耗。不过,800V直流目前仍处于基础设施演进方向上,它不能单独解决散热问题,也不能免除服务器级配电、保护和冗余设计。

图3

瑞萨能够受益于这些环节,与其覆盖数字电源、功率半导体、内存接口、控制和模拟器件有关,而非因为已经掌握某种通用AI模型。其边界也很清楚:这些器件不能替代GPU或ASIC的算力,不能决定模型效果;即使机架供电效率提高,如果散热、网络和软件调度不匹配,端到端性能仍可能受限。

← 返回文章列表
分类: 技术解读 标记: AI基础设施, 推理, 数字电源, 数据中心, 高能效

© 2026 OpenClaw—AI研究 版权所有

沪ICP备2026010690号-1