大家好我是市井杂谈，每天给大家带来最新动态 ，内容随缘更，每篇都掏干货；如果你觉得这些信息对生活有用，就点个关注～

最近这两年，大模型、AI应用到处落地，大家能明显感受到人工智能带来的便利，不管是办公工具、智能客服，还是工业检测、自动驾驶，背后全都要靠算力支撑。很多人只看到AI能干活，很少留意算力背后巨大的用电成本。现在一座万卡规模的智算集群，一年用电量差不多能达到1亿度，电费是智算中心运营成本里面占比最高的一项，同时还有碳排放、电网负荷、散热压力一连串问题摆在行业面前。

过去大家解决算力耗电，思路大多比较单一，要么换散热更好的空调，要么单独升级供电设备，算力怎么跑、用电怎么供，两套系统分开管理，各干各的，很难做到互相配合。中兴通讯推出的这套AIDC智算底座，核心思路就是算电协同，简单说就是把算力、电力、储能、散热、余热回收全部打通，统一调度，不再让算力设备被动耗电，而是让算力跟着电力情况灵活调整，从整套系统层面解决算力高能耗这个行业痛点。

很多人看到算电协同、AIDC这些名词，第一反应觉得很深奥，只有行业专家才能看懂。其实不用把它想得太复杂，我用大白话拆解清楚：AIDC就是专门面向AI业务的智算数据中心，和早年存文件、跑普通网页的传统数据中心不一样，它里面装大量AI加速卡，瞬时功耗波动很大；算电协同，核心就是打通IT系统和电力能源系统的数据通道，一边看有多少算力任务要跑，一边看电网电价、风光发电出力、储能电量，动态匹配，该省电的时候降负载，绿电充足的时候充分跑算力，最终压低整体电费、降低碳排放，同时还能保障大模型训练任务稳定跑下去，不会随便中断。

一、先看懂：为什么现在智算中心的能耗问题这么难解决

传统数据中心，服务器负载变化比较平稳，一天里面用电曲线波动不大，供电、制冷按固定标准设计就能稳住。但是AI智算集群完全是另一个情况。跑大模型训练的时候，GPU瞬间拉满功耗，峰值功率很高；任务暂停、做数据校验的时候，功耗又会快速掉下来，几分钟之内用电量起伏非常大，这种毫秒级的功率波动，对电网、供电线路、蓄电池都是很大考验 。

这里有一个行业常用指标PUE，中文叫电能利用效率，计算方式是数据中心总耗电量，除以服务器、加速卡这些IT设备本身的耗电量。PUE越靠近1，代表浪费在供电损耗、散热上面的电越少，能效越好。早些年风冷机房，PUE普遍在1.4以上，也就是说，每用1度电给芯片计算，还要额外消耗0.4度以上的电用来降温、供电损耗。随着单机柜功率不断拉高，很多高密度AI机柜功率做到几十千瓦，普通风冷已经扛不住，必须上液冷，液冷可以把PUE压到1.2以内，做得好的方案能够到1.15甚至更低，但液冷只是解决散热这一环，单独靠液冷，没办法解决电价波动、绿电消纳、电网峰值压力这些更深层的矛盾 。

另外一个现实难题是绿电不好用。风电、光伏发电是清洁能源，价格低，但是不稳定。白天太阳大，光伏出力足；到了晚上、阴天就没有电；风大的时候发电量暴涨，无风的时候直接归零。很多智算中心建在风光资源丰富的西部枢纽节点，硬件接上了光伏、风电，但是算力调度和发电调度两套系统脱节，风光发电高峰的时候算力不够，多余的绿电浪费掉；风光没电的时候，只能高价买电网的火电，电费成本居高不下。

还有运营成本的压力。算力建设投入本身就很高，服务器、高速交换机、液冷机柜都是大额支出，而电费是长期持续支出，占到整个智算中心全生命周期成本的大头。同样规模的算力集群，PUE差0.1、绿电占比差一点，一年下来电费差额就是上千万元。很多运营商、企业想扩算力，但是当地电网容量紧张，新增用电指标审批严格，不是有钱就能随便上马算力项目，能耗指标、用电容量已经成为算力扩张的硬门槛。

不少企业的解决办法是分开优化：硬件厂商做更低功耗的芯片，温控厂商做更好的液冷空调，电网做储能电站。但各个设备各自独立，数据不通，调度互相脱节，属于单点优化，天花板很明显。这也是为什么行业里面慢慢形成共识，想要真正突破能耗瓶颈，不能只盯着散热或者电源，必须做系统级的算电协同。

二、中兴这套AIDC算电协同底座，整套方案到底怎么运转

中兴的这套方案不是单一一款设备，而是一套全栈体系，从底层芯片、机柜硬件、液冷散热、800V高压直流供电、储能设备，到自研iEMS智慧能量管理调度平台，全部整合在一起，同时兼容不同品牌、不同路线的算力芯片，不会绑定单一硬件，客户可以灵活选择算力卡，适配国产和主流加速卡，避免锁死供应链 。

整个系统的核心大脑，就是iEMS智慧能量管理平台，它打通了IT域和OT能源域的数据，一边对接算力调度系统，知道接下来有哪些大模型训练、推理任务，任务优先级高低，哪些任务可以暂停、降速，哪些是高优先级不能中断；另一边对接光伏、风电、储能电池、电网、制冷系统，实时拿到电价、发电功率、储能剩余电量、机柜温度数据，然后自动做出调度决策，实现两个核心逻辑：电随算用、算随电调 。

“电随算用”，简单讲就是算力需要用电的时候，能源系统配合跟上。当有紧急大模型训练任务启动，算力负载快速抬升，iEMS会提前调度储能放电、调整供电回路，稳定电压，避免瞬时大功率冲击电网，同时联动液冷系统提升制冷功率，防止芯片过热降频。如果电网处于用电高峰，电价很贵，系统优先动用之前储存的绿电，减少高价市电采购，压低电费。

“算随电调”，就是电力条件反过来约束、引导算力。当光伏、风电出力很高，绿电充足，电价便宜，系统就把可以弹性调整的算力任务优先级拉高，上调GPU的功率上限，多跑训练、预处理任务，抓住低价绿电窗口消化算力需求；等到晚上风光发电停下来，电网电价走高的时候，系统自动把非紧急、可以延后的批量预处理、数据标注任务降速、暂停，优先保障在线推理、高优先级训练任务正常运行，减少高价电消耗。

很多人会担心，调整GPU频率、暂停部分任务，会不会把大模型训练搞崩。这套调度是分级执行的，系统会先给算力任务打上标签，区分不可中断的核心训练任务、可以弹性伸缩的离线任务。高优先级的模型训练，不会随便打断；只有离线批量处理、数据清洗这类容错性强的任务，才会参与柔性调节，在电力波动的时候灵活启停，兼顾节能和业务稳定 。

在硬件底座层面，AIDC配套了适配高密算力的整套基础设施。供电采用800V高压直流方案，对比传统240V直流、交流供电，线路损耗更低，适合单机柜高功率场景；散热上配套冷板液冷、间接蒸发冷却，在西部有自然冷源的地方，还能利用室外冷风，减少压缩机开启时间。机柜功率支持8kW一直平滑升级到120kW，不管是普通推理集群，还是万卡以上超大训练集群，都可以适配，模块化预制化交付，建设速度更快。在条件合适的项目里面，整套AIDC方案可以把PUE做到1.15的水平，属于行业里面比较靠前的能效水准 。

除了算力和电力，方案还加入了余热回收，也就是算电热协同。GPU运行产生的热量，不再直接排到空气中浪费，回收之后可以供给园区供暖、热水，把原本浪费的热量二次利用，进一步提升能源整体利用率，降低碳排。在青海这类示范项目里面，中兴配套的方案结合高原冷源，做到了很高比例的绿电供给，一年可以减少几千吨二氧化碳排放，给西部东数西算节点提供了可复制的样板模式 。

架构层面，中兴用的是OEX正交超节点架构，这个架构也是为大规模AI集群设计的，机柜内部无背板正交互联，减少线缆，单机柜最多容纳128张GPU，单Pod可以做到1.6万卡规模，再往外扩展能够搭建十万卡级别集群。同时搭配自研的智算交换芯片、高速网卡，保障大模型训练需要的高带宽、低延迟网络，几百小时长时间训练不容易断链。网络和能源两套体系一起配合，网络负责算力数据流通，算电协同平台负责管住能耗，合起来构成完整的AIDC底座 。

三、算电协同不是玄学，它能解决智算运营商三个最现实的痛点

第一个痛点：电费太高，TCO（总体拥有成本）压不住。算力硬件采购是一次性投入，电费是长年累月持续支出。同一个智算项目，能不能用好绿电、能不能错峰用电，长期下来成本差距巨大。算电协同调度，本质是把算力任务当成可调节的柔性负荷，跟着电价曲线走，绿电多的时候加班跑，电价贵的时候收缩弹性任务，这是从运营调度上持续省钱，和单纯靠硬件省电叠加在一起，降本效果更明显。很多算力项目上线这套调度之后，绿电消纳比例明显提升，月度电费可以看到实实在在的下降。

第二个痛点：电网接入容量不够，拿不到用电指标。现在很多城市电网负荷紧张，想新建智算中心，供电扩容审批难度大。算电协同加上储能之后，集群不再是一个只会持续吃电的固定负荷，它可以在电网高峰主动降负荷，低谷增加用电，相当于变成电网里面一个可调节资源，甚至可以参与虚拟电厂，给电网提供调峰服务。电网侧压力变小，算力项目申请用电指标、并网的难度会降低，这个价值对想落地算力项目的企业来说非常关键 。

第三个痛点：绿电看着便宜，但是不稳定，不敢拿来跑核心AI业务。以前很多智算中心不敢深度绑定风光电，就怕发电突然中断，造成训练任务报错、参数损坏。算电协同平台搭配多级储能，相当于给算力配了一个能量缓冲池，风光出力波动的时候储能快速补电，平滑功率曲线，把不稳定的绿电变成稳定可用的算力能源，让风光电真正能用在大模型训练这种高价值业务上，而不是只用来跑一些无关紧要的轻量任务。

这里也要客观说明，算电协同不是万能的，它不能无限压低PUE，也不能凭空变出绿电。它的价值，是在现有硬件、电网条件的基础上，打通壁垒，把能源资源和算力资源的匹配效率做到最优。硬件本身的功耗上限、当地风光资源条件、储能配置规模，依然会决定最终的节能上限，不能期待一套调度系统就能无视物理规律无限省电。

四、对比传统节能思路，这套方案和单点节能有什么不一样

行业里面大家熟悉的节能手段，大概分三类：第一类是芯片层面，芯片厂商优化架构，降低单卡功耗；第二类是温控，风冷升级液冷、蒸发冷却；第三类是机房配电改造，换成高压直流，降低线路损耗。这三类都属于单点优化，是“静态节能”，设备装好之后，运行策略基本固定，不会跟着电网、电价、发电情况动态变化。

单点优化有一个短板，它只管设备本身，管不了任务时序。举个例子：下午光伏发电最好、电价最低的时候，算力集群任务排得很空；等到晚上电价最贵的时候，一大堆离线任务扎堆跑，就算PUE很低，整体电费依然很高，能源红利没有抓住。

算电协同属于动态的系统级优化，是在单点硬件节能全部做好的基础上，叠加一层智能调度。硬件负责把基础能耗底线压低，调度平台负责在时间维度重新编排算力任务，把算力需求挪到能源最便宜、最清洁的时段。硬件节能是节流，算电协同调度相当于开源，用好绿电资源，两者搭配在一起，节能降碳的效果才会最大化。

举一个生活化的类比，方便理解。单点节能，相当于把家里空调换成一级能效省电款；算电协同，除了用好节能空调，还会看峰谷电价，热水器、充电桩自动调到谷电时段充电，光伏有电的时候优先用光伏，多余的电存进电池，整套家电联动，而不是每台电器自顾自运行。智算中心的算电协同，就是这个逻辑的放大版，只是它对接的是大规模算力集群、储能电站和电网。

五、落地场景和适配客户，哪些主体适合用这套AIDC底座

第一类，运营商的智算枢纽节点，也就是东数西算工程里面的算力园区。移动、联通、电信在西部宁夏、青海、内蒙古、贵州这些风光资源丰富的地方布局大量智算集群，最适合算电协同。这些地方绿电资源充足，但是电网远距离传输、出力波动问题突出，中兴这套方案已经在多个枢纽节点落地，帮助运营商提升绿电占比，控制运营成本，同时满足国家对数据中心PUE、能耗指标的管控要求 。

第二类，自建智算中心的政企、能源、金融大企业。比如电网、能源集团，本身有光伏、储能资源，需要跑行业大模型、电力仿真AI任务，一边有算力需求，一边手握能源资产，算电协同可以实现内部能源循环，不用完全依赖外部市电，兼顾自主可控和绿色低碳。之前和南方电网合作的千卡智算项目，就是典型的行业落地案例，整套底座兼顾算力自主可控和能效管理 。

第三类，对外提供算力租赁服务的算力服务商。算力租赁是按卡、按时长对外出租算力，电费直接影响报价竞争力。同样的算力租金，电费更低，利润空间更高，或者可以用更低的报价吸引客户。算电协同调度带来的电费优势，会直接转化成市场竞争力，所以很多算力服务商在新建集群的时候，开始把算电协同能力纳入采购需求。

第四类，城市边缘小型智算节点。城市里面土地紧张、电网容量有限，很多边缘推理节点跑政务、安防、工业视觉AI，这类节点规模不大，但数量多，叠加起来能耗总量不小。这套方案可以做小型模块化AIDC，配套小容量储能，参与本地电网调峰，适合城市里面的分布式算力布局。

六、客观看待行业发展，算电协同现阶段还有哪些待突破的地方

我们讲这套方案的价值，也要客观看到产业还处在发展阶段，有不少难题需要整个产业链一起解决，不能只看技术亮点。

第一个难点，跨园区、跨区域的算电协同调度难度很高。单个园区内部的算力、储能、风光，在同一个平台里面调度，实现起来相对成熟；如果要跨城市、跨省份调度算力，把任务转移到绿电充足、电价低的异地算力节点，就要对接不同省份的电力交易规则、电网调度系统、算力网络，政策、交易机制、网络协同都要配套跟上，目前大规模跨域调度还处在试点阶段，大规模普及还需要时间 。

第二个难点，储能成本依然偏高。算电协同想要平滑风光波动，离不开储能电池。储能电池的采购、运维、折旧成本不低，如果配置太大规模储能，前期投入会拉高建设成本，能不能回本，要看当地电价差、绿电补贴政策。客户需要做精细测算，平衡储能投入和电费节省之间的收益，不是所有地区都适合盲目上大容量储能。

第三个难点，算力任务的弹性改造有门槛。不是所有AI任务都适合随便降速、延后。在线推理、实时工业检测、自动驾驶这类业务，对延迟要求很严格，几乎没有调节空间，只有离线训练、数据预处理、标注、模型评估这类任务可以参与柔性调度。一个智算中心里面弹性任务占比越高，算电协同能发挥的空间越大，如果集群全部是低延迟在线推理，调度能起到的节能空间就会变小。

第四个难点，行业标准还在完善。算电协同涉及IT、电力、储能多个行业，两套体系原来的通信协议、数据接口不一样，不同厂商的设备互通存在适配成本。现在信通院等机构正在牵头制定相关技术规范，后续统一标准之后，不同品牌设备更容易打通，方案复制落地的速度会更快 。

这些问题不是中兴一家方案的短板，而是整个算电协同赛道共同面临的产业现状。技术方案已经跑通单点园区的验证，接下来要做的就是配合政策、电力市场机制，慢慢扩大应用边界。

七、放到整个产业格局看，算电协同对国内算力产业的长远意义

国内算力产业现在有两个主线，一条是算力自主可控，芯片、服务器、交换设备、操作系统逐步摆脱单一外部依赖，构建国产算力生态；另一条是绿色低碳，算力不能无限制扩张用电，要在能耗双控、双碳目标框架里面发展。中兴这套AIDC算电协同底座，刚好同时踩中这两条主线。

从自主可控角度，整套底座里面交换芯片、网卡、电源管理、BMC芯片等核心器件自研，架构开放解耦，兼容多款国产加速芯片，不会绑定单一算力路线，给国内算力生态提供一套稳定、开放的基础设施底座，不管是国产大模型训练，还是行业AI落地，都可以依托这套底座来搭建集群 。

从绿色算力角度，AI算力是新质生产力的重要载体，未来各行各业智能化转型，算力需求还会持续上涨，如果延续传统模式，用电压力会越来越大。算电协同提供了一条可行路径：算力发展不单纯比拼堆卡数量，而是提升能源使用效率，优先利用风光这类清洁能源，让算力增长和碳排放脱钩，契合东数西算、绿色数据中心的政策导向。

放眼全球，海外算力巨头也在发力绿电算力、储能配套、柔性负荷调度，路线方向是相通的，只是国内有自己的电力体系、算力布局、绿电资源禀赋，所以方案落地的路径会不一样。国内依托西部风光资源、全国统一电力市场、运营商算力网络，有条件走出适合我们自己的绿色算力路线，算电协同就是这条路线里面关键的技术抓手之一。

八、全文总结

AI算力的高能耗，是伴随大模型爆发出现的核心行业难题，过去大家习惯从芯片、空调、电源这些单点去优化，能效提升空间慢慢碰到天花板。中兴通讯打造的这套以算电协同为核心的AIDC智算底座，跳出单点改造的思路，用自研iEMS能量调度平台作为中枢，打通算力集群、供电系统、储能、液冷散热、风光新能源，做到算力和电力双向联动，电随算用、算随电调，在稳定支撑大模型训练、AI推理业务的前提下，压低PUE、提高绿电利用率，控制算力运营电费成本，同时减轻电网压力。

这套方案不是一个简单的节能配件，而是一套完整的AI工厂基础设施，依托OEX超节点架构、自研高速网络、高压直流和液冷硬件，再叠加能源智能调度，适配从千卡到十万卡不同规模的智算集群，已经在东数西算多个枢纽节点、能源行业智算项目落地验证。当然我们也要理性看待，算电协同有它的适用边界，弹性任务比例、储能投入成本、当地电力政策都会影响最终收益，跨区域大范围调度还需要产业标准和电力交易机制持续配套完善。

长远来看，算力的竞争，以后不只是比芯片性能、卡的数量，还要比拼能源调度、绿电利用的能力。算电协同，代表智算中心从单纯的电力消耗大户，向着可以和新型电力系统互动的柔性资源转变，这也是国内算力基础设施未来重要的发展方向。

话题讨论：你觉得接下来智算中心降能耗，是芯片工艺突破带来的改变更大，还是算电协同这类系统调度方案发挥的作用更大？你怎么看待算力和绿电结合的发展方向？欢迎在评论区留言交流，想看更多算力、数字基建科普内容，可以点上关注。

免责声明：本文为产业科普内容，不构成项目投资与采购建议，相关技术效果受部署环境、能源条件影响，以官方实测数据为准。