一家新能源大廠，如何撐起全球最大AI算力超級單體？

• 克雷西 發自 凹非寺
  量子位 | 公眾號 QbitAI

AI算力競賽的天平，正在向電力傾斜。

這一判斷，在烏蘭察布出現了一個具體樣本：

8月6日，遠景科技集團在這里宣布「遠景烏蘭察布星河基地」正式投產，園區內全球最大的AI算力超級單體同步亮相。

這座超級單體建筑面積超過12萬平方米，相當于20個標準足球場，其所在的星河基地總規劃容量達到2GW，規劃支持百萬卡并行和百萬P級算力。

這樣的規模，放在兩年前還很難想象。

當時，AI行業的注意力更多集中在模型參數、GPU數量和單卡算力上。如今，單個集群正在從萬卡邁向十萬卡、百萬卡，IT負荷也從兆瓦級走向百兆瓦乃至GW級。

這時候，一座AI數據中心能不能真正跑起來，已經不只取決于「有沒有芯片」。

電從哪里來、能不能穩定供應；數十萬張芯片瞬間拉升負荷時，供電系統能不能接得住；更高的功率密度帶來的熱量，又能不能及時帶走。

這些過去位于后臺的基礎設施問題，正在走到AI競爭的前臺。

而這也帶來了一個有意思的問題：做AI數據中心的，過去通常是電信運營商、專業數據中心開發商和互聯網大廠。

為什么這一次，造出全球最大AI算力超級單體的，卻是一家新能源企業？

答案，要從AI數據中心的變化說起。

電力，正在從配套變成AIDC的核心能力

算力擴張的壓力，已經不再只集中在芯片上。

隨著單個集群的規模從萬卡邁向十萬卡、百萬卡，功耗也從兆瓦級跳到吉瓦級。一座大型AI數據中心的用電量，已經接近一座中型城市。

電力正在從后臺配套，變成決定算力擴張速度的前臺變量、變成能不能持續擴張的前置條件。

英偉達CEO黃仁勛曾把AI拆解成五層：能源、芯片、基礎設施、模型和應用。能源被放在最底層，因為沒有它，后面幾層都無從談起。

需求在漲，供給端擴容卻沒有那么快。

全球數據中心持續擴張，規模已達32吉瓦，但輸電線路、變電站和電源設施的建設周期，通常遠長于服務器的采購和數據中心土建周期。

不少項目都面臨服務器已經到貨，配套電力卻沒有同步就緒的情況。

而且，電量夠不夠只是第一層問題。

對于十萬卡乃至百萬卡集群來說，供電的穩定性同樣重要

訓練任務往往持續數周甚至更久，電壓波動、瞬時中斷都可能影響集群利用率。

一旦任務被迫中斷，重新加載檢查點、恢復集群同步狀態，本身就是額外的時間和計算成本。

更重要的是，AI負荷也變得越來越「難伺候」。

數萬張甚至更多芯片同步啟動、訓練階段切換以及推理請求的實時變化，都會讓負荷快速波動。

AIDC的規模來到GW級之后，普通意義上的「不斷電」已經不足以滿足數據中心的需要，必須要有一套可以同時處理容量、穩定性、動態響應和效率的能源系統。

這恰恰改變了中國算力競爭的坐標系。

過去，能源企業更多向數據中心提供電力或單一設備；但當IT負荷進入百兆瓦乃至GW級，能源獲取、儲能、供配電和熱管理便開始成為基礎設施上限的決定性因素。

中國長期積累的風資源、電力裝備、儲能制造和大規模工程建設能力，也因此獲得了新的使用場景。

國家能源局數據顯示，2026年中國風電光伏新增裝機約3億千瓦，新型儲能裝機規模也已突破1億千瓦。

這些原本服務于電網側的產能，正在變成算力基礎設施可以直接調用的資源。

但有風、有光、有儲能，并不意味著就能直接給GPU用。

要讓這些資源真正在AIDC中落地，還必須把新能源資源轉化成穩定、高質量、可連續供應的「算力能源」

這正是遠景進入AIDC的邏輯起點。

一家新能源大廠的AI跨界

中國擁有豐富的風和光資源，并不意味著這些能源可以直接供給AI。新能源具有波動性，百萬卡集群卻要求持續穩定運行，兩者天然存在矛盾。

遠景烏蘭察布星河基地要完成的核心轉換，就是把波動的綠色能源，變成可預測、可調度、可連續供應的算力能源。

這件事對遠景并不完全陌生。

過去二十年，從風機、儲能、電力電子到能源管理，遠景長期面對的就是同一道物理問題，那就是如何預測自然能源的波動、如何儲存和調度電力，以及如何讓不穩定的新能源最終成為工業系統可以依賴的穩定能源

當AI數據中心進入GW級時代，這套能力第一次與算力基礎設施發生了高度重合。

這場轉換首先需要資源基礎，為了滿足這一需求，遠景把其AIDC的選址，落在了烏蘭察布。

這里風、光資源豐富，全域綠電占比高達67%，遠景通過自建風電場和專線，把綠電直接送進了數據中心。

有了資源，接下來要解決的是，怎么讓這些資源真正適應AI

遠景的做法，是形成一套「預測—決策—執行」的實時閉環。

• 「遠景天機」氣象大模型負責預測，對風光出力做高精度判斷，把原本不可控的天氣變化，變成可以提前預判的能源變量。
• 「遠景天樞」能源大模型負責調度，根據發電、儲能、算力負荷和電價的實時變化，動態優化電力分配，把每一度電送到更需要它的設備。
• EnOS智能物聯操作系統負責執行，把風機、儲能、電力設備和算力設施接入同一個控制底座，讓預測和調度的結果實時落到設備上，同時把設備的運行數據反饋回預測和調度環節，持續修正下一輪判斷。

與此同時，儲能承擔了綠電與GPU之間的緩沖作用。

經過這幾層處理，波動的新能源才有可能變成算力負荷可以持續使用的穩定能源。

此外，數據中心的供電鏈路長期存在一筆隱性成本。

電以中壓交流形式進入機房，直到變成芯片最終使用的直流電，中間需要經過多級變換，每一次轉換都會產生損耗。

過去機柜功率較低時，這些損耗并不算顯眼。但隨著AI機柜進入數百千瓦級，轉換效率、設備占地和銅耗都被同步放大。

遠景采用SST加BESS的800V直流供電方案，進而減少中間轉換環節，提高GPU側供電效率，避免將電能損耗在供電鏈路上。

對GW級AIDC來說，哪怕只有幾個百分點的效率差異，放到整個園區規模上，也會變成巨大的能源和運營成本增長。

熱管理同樣如此。

AI芯片消耗的電力最終大部分都會轉化為熱量。芯片部署越密集，單位面積的熱流密度越高，如果熱量不能及時帶走，GPU就無法長期保持穩定、高負荷運行。

因此，遠景在供電之外，還把冷卻系統納入整體設計，根據不同功率密度結合風冷、液冷以及烏蘭察布當地的自然冷源條件，降低非算力能耗。

從這個角度看，一座超級單體真正需要優化的絕不僅僅是某一個孤立指標。

電從風場進入園區，再經過儲能和供配電到達GPU，最終轉化成計算和熱量，這一整條能量轉化鏈，需要被系統性優化

鏈條中每減少一點等待和損耗，就意味著同樣一度電能夠支撐更多算力。

這些技術最終指向同一個問題——同樣一度電里，有多少真正流向了計算？

而這個問題的答案，也決定了一座AIDC能夠承載多大的算力規模。

所以，遠景造的遠不只是一棟樓，更是一座AI算力超級單體。

依托AI電力系統和高比例綠電直連，經遠景測算，其同等面積算力輸出規模可達到傳統數據中心的10倍。

這一密度的實現不依靠機柜數量的堆疊，靠的是將能源獲取、供電、儲能、散熱和算力部署作為一個系統統一設計。

這也回答了為什么造出這個超級單體的是一家新能源公司。

超級單體表面上是一棟數據中心建筑，背后實際上需要同時組織GW級能源、百兆瓦級供配電、高密度散熱，以及復雜的工程建設和系統調度。

隨著AIDC規模越來越大，能源管理和熱管理從后臺能力走到了基礎設施核心，而這些恰好與遠景過去長期積累的技術和工程能力發生了重合。

所以，遠景「造機房」并非突然跨界，這一舉動映射出了遠景沿著能源系統一路向芯片側延伸的完整路徑。

這條路徑從風場延伸到儲能，從能源調度延伸到供配電，最終從供電進入熱管理和超級單體。

原本服務能源產業的一整套能力，被重新組合成了AI基礎設施。

比完單卡，中國開始比系統效率

在持續追趕單卡性能的同時，中國算力產業正把更多資源投入超節點、大規模互聯和集群工程。

這背后的邏輯，是把芯片、網絡、內存、軟件和調度組織成一個整體，從系統層面提高集群的有效算力。

當算力開始以十萬卡、百萬卡為單位組織，競爭重點也自然從單芯片性能，延伸到整個系統的組織效率。

新的競爭格局下，芯片之間怎么協同是一方面，背后的電力、散熱和基礎設施怎么協同，則是另一個問題。

這也是遠景把單體建到百萬卡規模的原因。

超節點把更多芯片組織成一臺更大的「計算機」，超級單體則要為這臺「計算機」提供足夠大的部署空間、足夠高密度的供電和散熱，以及能夠持續運行的能源系統。

遠景負責的是從綠電獲取、土地、園區建設到AI電力系統的基礎設施全鏈路，不涉及模型運營或客戶數據處理；客戶自行部署并管理服務器和芯片集群。

這種分工安排讓科技公司和互聯網大廠能夠聚焦模型和計算，把建設周期、能源成本和供電可靠性這些問題，交給專業的新能源企業。

這套方案不只是在解決眼下的部署問題，也在為國產算力集群探索一條可復制的路。

這也意味著，遠景交付的不只是某一套供配電或能源解決方案，更是一座能夠真正承載大規模算力運行的AIDC基礎設施。

2026年6月，遠景戈壁使命（Mission Gobi）里提出，到2030年要在全球戈壁荒漠地區建成5GW規模的綠色AI算力中心，星河基地正是這個計劃邁出的第一步。

這條從烏蘭察布走向全球戈壁的路徑背后，是一場更大的坐標系變化。

隨著AI進入十萬卡、百萬卡和GW級基礎設施時代，比拼的重點正從單一芯片性能，擴展到整個系統的組織能力。

決定下一階段勝負的變量，已經不止一個。

過去，中國主要在芯片上追趕，如今新能源、制造、儲能和工程能力，也開始進入競爭核心。

全球最大的AI算力超級單體落地烏蘭察布，是一項規模紀錄，也是一個信號——

當AI基礎設施走向GW級，能源、制造、儲能和工程能力正在進入競爭核心。中國也因此有機會把自身長期積累的產業優勢，進一步轉化為新的算力競爭力。