作者：陆易斯 / 数智猿
一座AI数据中心即使已经拿到GPU，也未必能够如期开机。电力容量可能尚未获批，变电站仍在建设，水处理和冷却设施也可能没有准备就绪。GPU和服务器按月迭代，数据中心底层设施却仍按照数年的周期建设。算力产业正在加速，而支撑算力的能源与运营体系却没有同步提速。
润泽科技在亚洲数据中心峰会暨产业展览会（ Data Center Asia , 下称 DCA）上估算，1吉瓦负荷每年耗电约87.66亿度，单日耗水可达5万立方米。算力规模越大，能源带来的约束就越明显。美国得州此前就曾因电网承载能力不足，暂停新增数据中心并网审批，然后对超过1800个待批项目进行审查，涉及总容量474吉瓦；而本月，一个包含1.8吉瓦AI/HPC园区的“美国能源中心”也获批兴建。当科技企业开始直接介入电力开发，能源便不再只是数据中心的成本项，而成为算力竞争的一部分。
数据中心的评价尺度也随之发生改变。华为在大会上提出“每瓦Token”的概念，将基础设施消耗与AI计算产出直接关联。PUE仍然重要，但行业开始进一步追问：每单位电力、水资源和基础设施投入，最终能否支撑多少持续、可用的算力？ 数据中心因此不再只是一座存放服务器的建筑，而越来越像一座将能源转化为智能的工厂。
IT功率最高的AI数据中心（兆瓦），来源：Epoch AI，中国银河证券研究院
在香港DCA 2026现场，Hydro Data、BlueNexus和施耐德电气分别从电力、水务和运营管理切入：氢燃料电池补充电力供给，“水即服务”保障高密度算力的冷却需求，DCIM则将IT负载与电力、制冷、空间及设备状态连接起来。
三条技术路径背后，是同一种产业变化：当AI数据中心迈向吉瓦时代，随着算力规模持续扩大，电力、水资源和基础设施运营也开始成为决定算力能否落地并持续运行的关键条件。
AI数据中心首先要解决的，不是电价，而是“有没有电”电力是AI数据中心最基础的运行条件。没有稳定、持续的电力供应，再多GPU也无法真正转化为算力服务。
Hydro Data首席执行官Johnny Li（李佳）在接受数据猿采访时表示，在不少海外市场，数据中心投资者首先面对的并不是电价问题，而是电力能否按期获得。随着AI数据中心建设需求持续增长，北美、东南亚、中东和欧洲部分市场都出现了新增电力供给不足的问题。
“算力的终极是电力。”Johnny Li认为，传统电网扩容、变电站建设和大型发电设备交付往往需要两年至五年，而AI项目的建设周期却很难按照同样的节奏等待。
Johnny Li在DCA 2026发表演讲，来源：upower-limited，Hydro Data
Hydro Data给出的方案，是将氢燃料电池部署在数据中心附近，为算力设施提供分布式电力。
氢燃料电池并非是一项全新的技术，中国已经在氢能公交车、卡车等交通工具上积累了较大规模的应用经验。其基本原理是将氢气转化为电能，再驱动电机或其他用电设备。Hydro Data希望将这套产业链进一步延伸至AI数据中心，让氢燃料电池成为电网之外新增的电力来源。
氢气则可以通过多种方式获得。风电和光伏产生的电力可以用于电解水制氢，将具有波动性的可再生能源转化为可长期储存的能源载体。在天然气基础设施较为成熟的地区，也可以通过天然气重整、提纯获得氢气，再利用燃料电池发电。相比风电和光伏，天然气管网的优势在于供应相对连续，更适合承担数据中心所需的稳定负荷。
Johnny Li表示，Hydro Data尤其看重天然气资源较为充足、但电网供给能力不足的地区。泰国、马来西亚、印度尼西亚、中东和北美均被其视为潜在市场。以泰国为例，当地数据中心需求快速增长，但新增电力供应存在缺口，而天然气资源及管网基础设施相对成熟，这为部署分布式氢燃料电池提供了条件。
与传统大型能源设施相比，Hydro Data强调模块化和快速交付，相关系统可以在约六个月内完成部署，并根据数据中心规模同步扩展。AI算力分阶段上线，供电模块也可以按实际负荷逐步增加，无需在项目初期一次性建设满足远期最大需求的电力系统。
据Johnny Li介绍，在泰国场景中，Hydro Data的方案相比当地电网供电可降低约5%的用电成本。不要小看这5%的价格差异，对于大型AI数据中心而言，随着用电规模扩大，这一差异将会转化为可观的成本优势。不过，比降低电价更重要的，仍是电力能否按期、稳定地交付。
Hydro Data还希望通过长期PPA（购电协议），将能源设施从一次性设备销售转变为长期供电服务。对数据中心运营商而言，这意味着无需独自承担完整的发电设施投资，而是按照协议购买电力，将部分前期资本支出转化为相对稳定、可预测的运营成本。
据了解，氢燃料电池还可能与电网、储能和可再生能源共同组成园区微电网。当电网供应稳定时，数据中心可以使用公共电力；当电网容量不足或负荷出现波动时，燃料电池和储能则可以提供补充，从而提高能源系统的灵活性与韧性。
DCA 2026上的Hydro Data展台，来源：Hydro Data
值得注意的是，燃料电池输出的电力本身是直流电，与AI服务器正在探索的800伏直流架构具有一定适配空间。传统数据中心配电需要在交流和直流之间进行多次转换，每次转换都会产生一定损耗。如果燃料电池能够更直接地向高压直流系统供电，理论上有机会减少部分转换环节。不过，这一设计仍需结合实际数据中心设备、电气规范和安全标准进行验证。
另一方面，Hydro Data的方案也不应被简单定义为“零碳绿电”。氢气的来源决定了其全生命周期的碳排放水平。如果氢气来自天然气重整，即使燃料电池发电端的主要副产品是水和热，上游制氢过程仍可能产生碳排放；只有当氢气主要来自可再生能源制氢，并将制氢、储运和发电等环节纳入全生命周期核算，才能更准确地评价其减碳价值。
燃料供应、安全规范、技术认证、监管准入和长期成本，同样是氢燃料电池走向规模化必须回答的问题。Johnny Li表示，不同国家对相关设备和技术的认证周期差异较大，部分市场可能需要一个月，有的市场则可能需要半年甚至更长时间。市场准入因此成为Hydro Data国际扩张中的重要变量。
因此，氢燃料电池短期内未必会取代公共电网，但在电力供应紧张、建设周期受限，或者对能源韧性有较高要求的地区，它可能成为AI数据中心的一种增量电源。
行业趋势也印证了这一方向。据咨询公司睿咨得能源（Rystad Energy）预计，2026至2030年间，数据中心对燃料电池的累计需求将达到10.4吉瓦。到2030年，美国约40%的新建数据中心可能优先采用现场发电，而非完全依赖公共电网。
DCA2026大会上也出现了其他供电路径。华为提出模块化供电、ESS储能和电网互动设计，通过工厂预制和系统解耦缩短建设周期，并利用储能缓冲AI负载波动；香港中华电力则强调，运营商应尽早提交项目选址和容量需求，让公用事业公司能够提前规划变电站和输配电网络；润泽科技还讨论了核电直连和新型反应堆等较长期的能源方向。
这些方案的技术路线各不相同，但背后的逻辑高度一致：AI数据中心的电力需求正在快速增长，而传统能源基础设施的建设周期很难完全跟上算力扩张的速度。这也意味着，数据中心的能源方案正在从单纯的“购买电力”，转向同时解决电力来源、交付速度、供电稳定性和扩展能力。
AI数据中心还要争取“用水自由”当全球目光聚焦于AI芯片的算力竞赛与电网负荷时，另一个更为隐秘的瓶颈正悄然浮出水面——水。随着单机柜功率密度不断提升，传统风冷已难以满足散热需求，液冷等水冷技术正逐渐成为主流，数据中心对稳定水资源的依赖也随之快速上升。
与电力不同，水资源无法简单通过市场采购和跨区域调配，企业不仅需要获得当地取水许可，还要等待水处理厂、管网等配套设施建成。BlueNexus执行副总裁Aaron Lee接受数据猿采访时表示，这类水务设施从规划到交付通常需要1至5年。一旦审批或建设滞后，即使电力和算力已经就位，数据中心也可能无法按计划投运。
BlueNexus执行副总裁Aaron Lee在DCA接受数智猿采访
正是在这一背景下，BlueNexus提出了“用水自由”的理念。这里的“自由”并非无节制用水，而是让数据中心摆脱对单一水源和自建水务设施的依赖，在合规前提下获得稳定、可扩展且成本可预测的用水保障。
围绕这一目标，BlueNexus推出“水即服务”（Water-as-a-Service，WaaS）模式，由专业服务商负责融资、建设和运营水务基础设施，数据中心按实际用水量付费，将原本数百万美元的一次性资本投入转化为5至10年可预测的运营成本。Aaron Lee表示，运营商可以将更多资金投入GPU和核心IT基础设施，而将水质控制、设备维护、供水连续性等专业工作交由水务服务商负责，实现资本配置与专业运营的分工。
不过，WaaS解决的主要是投资与运营模式问题，要真正实现“用水自由”，水务系统本身也需要变得更加智能。
Aaron Lee介绍道，BlueNexus的AI能力AquaX Robot并非简单增加一个数据看板，而是将机器学习模型、视觉、听觉、红外AI与各类传感器直接应用于水务系统运行，持续分析水质、流量和设备、环境状态，在保障出水质量的同时兼顾设备寿命和运营成本。系统还能提前识别异常趋势，将维护模式从故障后的被动抢修转向预测性维护。对于AI数据中心而言，一旦水处理系统发生故障，冷却系统、服务器乃至算力服务都可能受到连锁影响，因此水务系统的可靠性正成为数据中心运营韧性的重要组成部分。
AquaX Robot，来源：BlueNexus
与智能运维相配合的，是模块化扩容能力。BlueNexus的Waterhaus采用预制模块化设计，数据中心无需按照远期最大需求一次性建设整座水处理设施，而是能够随着机柜数量和算力规模增长，逐步增加处理能力。在国内某项目中，BlueNexus最初部署了日处理500万升的系统；客户需求增长后，新增模块仅用约六周便完成运输、安装和调试，使处理能力实现翻倍。水务基础设施由此开始呈现类似云计算的弹性逻辑：算力可以按需增加，支撑算力运行的水处理能力也应同步扩展。
BlueNexus在中国的Waterhaus，来源：BlueNexus
与此同时，“用水自由”也并不意味着寻找更多天然水源，而是重构数据中心的水源体系。河水、地下水、污废水以及苦咸水、海水淡化等不同水源，在获取成本、环境影响和供应稳定性方面各有优劣，需要结合当地资源条件和监管要求进行组合配置。
随着数据中心绿色评价体系从PUE逐步延伸至WUE，用水效率、循环利用率以及对社区水资源的影响，也将越来越多地进入项目审批和运营考核。因此，水务规划也需要从传统的配套工程前移至项目设计阶段，与电力、土地、网络、冷却方案同步规划。
从WaaS到AI智能运维，再到模块化扩容和多元水源管理，BlueNexus试图解决的并不仅是数据中心的水处理问题，而是重新定义AI时代的水基础设施。对于今天的AI数据中心而言，真正的“用水自由”，不是无限的水资源，而是一套稳定、智能、可扩展、可融资且可持续的供水体系，让水不会成为AI算力上线和持续运行的隐形瓶颈。
稳定的电力和水务供给，为AI数据中心持续运行提供了必要保障。而当分布式电源、液冷、水处理、储能和高密度IT设备同时进入园区，电、水、冷却与算力负载之间的联系也变得更加紧密。资源“有了”并不等于能够高效协同。基础设施越复杂，数据中心越需要一个能够打通不同系统、实现统一管理与协同控制的数字化管理层。
吉瓦时代，谁来管好越来越复杂的数据中心？传统数据中心管理软件已经能够对服务器、UPS、制冷设备、电池等基础设施进行集中监控，并通过告警、容量管理和能耗分析等功能辅助运维人员管理数据中心。其核心任务，是让运营者及时掌握设备状态，并在异常发生时发现和处理问题。
但AI数据中心带来的挑战是，单独监控每一台设备已经不够。高密度GPU把IT负载、电力、空间、制冷和网络资源更加紧密地连接在一起。当一个机柜增加AI服务器时，不只是增加机柜空间，还需要考虑配电容量、冷却能力、网络承载以及不同基础设施之间的相互影响，以及故障后会影响哪些业务。
这意味着，数据中心管理正在从“监控设备”走向“理解整个系统”。
施耐德电气大中华区及台湾数据中心软件销售负责人Jasmine Lee在接受数据猿采访时表示，传统的DCIM管理方式的主要盲区，是没有将IT侧工作负载与供电、制冷和物理设施真正连接起来。管理人员也许能够看到一台设备的运行状态，却未必清楚这台设备正在支撑哪些IT负载，以及一旦发生故障，会在业务侧造成多大影响。
“在传统数据中心中，一次设备故障可能影响约10千瓦的IT负载；进入高密度AI环境后，同类问题的影响范围可能扩大到100千瓦。管理盲区因此不再只是“看不到设备状态”，而是无法理解设施与IT工作负载之间的动态关系。”
Jasmine Lee在DCA大会上的演讲，来源：DCA
针对这一变化，施耐德正在将DCIM从单纯的监控工具延伸为覆盖数据中心全生命周期的软件体系。在设计和规划阶段，通过数字孪生、容量规划和场景模拟，企业可以在部署AI设备之前评估电力、制冷、空间和网络资源是否匹配，并在运营过程中持续监测实际负载和设备状态，再通过预测性维护和故障影响分析提前干预。
更重要的是，DCIM虽不能增加能源，却可以帮助企业发现已经拥有、但尚未充分利用的容量。Jasmine Lee表示，这对于香港这样的市场尤其重要。由于土地、电力和机房空间成本较高，企业部署AI设备时，未必能够随时新建数据中心或扩建整片机房。如果缺少统一的容量分析，运营人员可能仅凭经验判断现有机房无法承载AI服务器，进而采购新的机柜或扩大设施。
通过DCIM，企业可以将计划部署的AI设备功率、空间需求和冷却要求输入系统，分析现有数据中心是否仍有可用的电力、制冷、空间和网络容量。如果现有资源能够满足需求，就可能无需新建机房或扩大设施，即可完成AI设备部署。
这种能力的价值，不只是节省设备和建设成本，也在于缩短AI基础设施的上线时间。AI技术和服务器更新速度很快，如果企业需要等待新的机房、配电和冷却设施建成，部署窗口可能已经错过。
施耐德电气的DCIM系统，来源：DCA
进入运行阶段后，制冷优化则是DCIM从设备监控走向系统优化的另一项应用。为了避免局部热点和设备过热，数据中心往往会提供高于实际需求的冷量，但过度供冷也会造成能源浪费。施耐德的软件可以综合分析设备运行状态和机柜温度，识别过热与过冷区域，并据此优化制冷。
预测性维护则进一步将软件价值延伸至业务连续性。DCIM可以根据电池、UPS和制冷设备的运行状态，提前判断潜在故障风险，帮助运营团队安排维护或更换，而不是等到设备发生故障后再抢修。对传统数据中心而言，非计划停机已经意味着较高成本；而对运行高价值GPU集群的AI数据中心而言，停机还可能中断模型训练、推理服务和客户业务。因此，预测性维护降低的不只是维修成本，更是算力中断带来的业务损失。
Jasmine Lee表示，施耐德也将AI能力逐步加入DCIM之中。AI在这里成为帮助数据中心实现智能化管理的工具，用于分析运行数据、预测设备状态和优化制冷。用户无需在复杂界面中逐项查找数据，可直接通过自然语言查询容量、设备状态和运行风险，并自动生成分析和报告。DCIM借助AI进一步走向辅助判断乃至自动执行。
对照前文提供的应用场景来看，施耐德电气的DCIM并不是能源供给方，而更像是AI数据中心基础设施的控制层。Hydro Data试图增加可使用的电力，BlueNexus保障冷却用水，施耐德则帮助企业从统一视角管理供电、水务、冷却、空间和IT负载，让有限的基础设施资源得到更合理的调度。
软件无法消除物理资源约束，却可以减少资源浪费、加快部署并降低故障风险。随着数据中心接入的能源、冷却和水务方案越来越多，统一管理的重要性也会随之提升。
AI数据中心，开始从“建得出来”转向“持续跑得动”Hydro Data、BlueNexus和施耐德电气处于AI数据中心产业链的不同位置，却共同指向同一个变化：数据中心基础设施正在从一次性建设，转向更加灵活的资源供给和持续运营。Hydro Data通过PPA探索长期供电，BlueNexus以WaaS承接水务设施的投资和运营，施耐德则通过DCIM帮助企业动态管理电力、制冷、空间和IT负载。
这种变化背后，是应对AI数据中心需求不确定性上升的需要。AI服务器、机柜功率和冷却技术仍在快速变化，运营商很难准确判断几年后的实际需求。如果按照远期最大规模一次性建设基础设施，不仅可能造成资源闲置，也可能在技术路线变化后形成沉没成本。因此，模块化扩容、长期服务和预测性运维，本质上都是为了让基础设施建设和资源配置更贴近实际算力的需求。
来源：DCA
这也意味着，我们对“吉瓦时代”的观念可能需要改变。过去谈论超大规模数据中心，更多关注的是园区容量、GPU数量和供电规模，PUE是衡量基础设施效率的重要指标。但随着AI算力规模扩大，单一的能效指标已不足以描述数据中心的真实运力：电力是否可获得、水资源是否可持续、基础设施能否快速扩容、故障能否提前发现，以及有限资源最终能够转化多少有效算力，都开始成为衡量数据中心能力的重要维度。
也因此，DCA 2026向业内展示的，不只是一批新的能源、冷却或管理设备，更折射出数据中心基础设施逻辑正在发生变化。随着AI数据中心从百兆瓦迈向吉瓦规模，园区规模持续扩大，也意味着电力、水、空间和冷却等资源的配置与运营进入新的阶段。对于AI数据中心而言，规模扩张仍是基础，但如何在资源约束下持续、稳定地将这些基础设施转化为有效算力，同样成为需要解决的问题。
*本文封面是BlueNexus执行副总裁Aaron Lee 在DCA演讲画面
天盈配资提示：文章来自网络，不代表本站观点。
