新一代AIDC怎么定义？六维指标给出答案

全球计算联盟（GCC）× 中国电子院 × 国投 联合编制 | 2026年9月

过去判断一个数据中心先进不先进，看的是用了什么服务器、什么交换机、PUE做到多少。但当单机柜功率冲到百千瓦、单集群规模冲向十万卡乃至百万卡，这套「看设备选型」的老办法已经彻底失灵了。

全球计算联盟（Global Computing Consortium）联合中国电子院、国投编制的这份报告，给出了一套解法：用六维指标体系给AIDC（AI数据中心）划代，让基础设施第一次有了可量化、可横向对比的统一标尺。

报告同时给出最佳实践参考——3D数据中心架构。以下是全篇要点的系统梳理。

一、为什么必须重新定义AIDC

1. 三个物理量级同时跳变

· 单柜功率：从传统的千瓦级别，跃升到100—300千瓦甚至更高的百千瓦级别，对建筑供电、散热、结构承载能力提出前所未有的要求。

· 集群规模：从万卡级别迅速向十万卡乃至百万卡的超大规模演进，高密度算力部署成为行业常态。

· 交付节奏：传统依赖现场勘测、施工、调试的线性建设模式，正被预制化、产品化模式取代，交付周期从以年为单位压缩到以月甚至周为单位。

这三个变化叠加，彻底改变了数据中心的物理形态和基础设施设计理念。

2. 运维与能效的评价维度也在扩张

· 运维：从人工巡检、被动排查，转向AI驱动的全流程自动化——故障预警、自动定位、闭环自愈。

· 能效：除了对PUE提出更严苛要求，还引入WUE（水利用效率）、CUE（碳利用效率），对水资源消耗和绿电占比提出更高标准。

3. 评估对象从「单点」变成「系统」

传统IDC侧重服务器、交换机等单点设备的性能指标；AIDC是一个高度耦合的复杂系统，更强调从单个机柜、整栋楼宇到整个算力集群的端到端整体系统能力。

表1 传统IDC与AIDC的差异（来源：全球计算联盟，2026）

4. 借鉴通信行业的划代范式

技术行业早有成熟先例：移动通信靠速率、时延、连接数区分3G、4G、5G；PCIe每一代以带宽、传输速率为判据；WiFi靠吞吐、时延、并发接入能力界定WiFi4/5/6。它们的共同点是——代际升级不以单一设备改动为标志，而是整套系统能力的跨越。

反观AIDC，如果仅凭产品型号、建筑外观或企业概念去定义「新一代」，必然造成概念混淆。产业需要一套面向全行业、可量化、可横向对比的指标体系。

二、六维指标体系：两个空间 × 四个生命周期

报告建议以单个算力集群作为基础评价单元，围绕「机柜—集群」两大空间尺度，叠加「建设—改造—运行—能耗」四大生命周期尺度，搭建六维指标体系。

表2 新一代AIDC六维指标体系（来源：全球计算联盟，2026）

其中，机柜和集群两个空间维度聚焦算力承载能力，回答的核心问题是：一套算力集群究竟能承载多大规模的AI算力。建设、改造、运行、能耗四个生命周期维度，则聚焦工程落地与运营表现。

三、六维指标逐条拆解

维度一 · 单柜功率（kW/MW）

定义：标准机柜内IT设备的最大功率。这是判定数据中心是否跨入「超密液冷」下一代AIDC的分水岭指标。

· 当前以通用云计算为主流的数据中心，机柜平均运行密度仍集中在 6~12 kW/柜；而智算场景下GPU/NPU集群单柜功耗已快速突破 40—80 kW/柜（参考NVIDIA DGX SuperPOD、ODCC液冷集群参考架构）。

· 传统风冷+列头柜的末端配电与散热体系，在物理极限上已无法无损承载——架构矛盾从「局部优化空间不足」转为「系统性不可行」。

怎么算才公平：不同厂商机柜宽度、深度及专属Sidecar配置存在差异，直接比「单柜多少千瓦」容易失真。报告建议以600mm宽标准柜位归一化，并披露机柜深度；专门服务于该机柜的Sidecar、配电柜或制冷单元，计入实际占用空间。

计量核心：标准机柜（47U，600×1200mm基准）内IT设备的最大功率

未来：单柜功率是否必然达到MW级，仍取决于芯片功率、超节点形态、供电路线、散热能力和互连技术，但向百kW级持续演进的方向明确。

维度二 · 集群规模（卡）

定义：可以并发运行单一大模型同步训练的物理AI加速卡总数。

把它列为核心指标，逻辑在于——智算时代，数据中心的物理边界影响了集群的最优通信边界。

· 传统模式：先有机房空间 → 再往里部署机柜 → 最后跑业务，算力规模是入驻后的结果。

· 下一代模式：先定义跑多大规模的集群 → 再反向倒推建筑、供电、制冷和网络平面如何建设。

换句话说，数据中心不再是算力的「容器」，而是集群的「物理载体」；机房设计不仅要考虑面积，还要考虑单栋内需要的最大紧耦合算力规模。

未来单集群算力规模向百万卡级演进，需要电、冷、网、算像一台机器一样协同起来，形成最优的集群系统工程设计。

维度三 · 交付速度（月）

定义：在单个算力集群边界内，从机电系统深化设计启动或设备采购启动，到完成综合调试验收、具备IT设备安全上电条件的日历周期。

· AI算力需求突发性强、窗口期短，大模型训练集群往往要求数月内完成部署。

· 传统数据中心机电交付周期普遍为 12~18个月，依赖现场大量交叉作业和顺序施工，难以匹配GPU/NPU每 1~2年一代的硬件迭代节奏。

· 预制化、模块化、产品化把大量现场工作量前移至工厂，机电交付周期可压缩至 6个月以内，部分全预制解决方案甚至实现 3个月级交付。

口径说明：适用范围包含为某一算力集群专属服务的中低压供配电系统、UPS、末端配电与智能母线、制冷系统（含液冷一次侧、二次侧分配）、弱电与自控系统、消防系统等；不包括土建结构施工、IT设备安装调试及业务软件部署。

为什么起点取「先发生者」：确保不遗漏任何制约交付的关键路径——无论是设计驱动的预制化建设，还是提前锁定长周期设备的采购行为。终点统一为「具备上电条件」而非IT加电运行，是为了排除业务部署阶段的影响。

维度四 · 弹性兼容（月）

定义：从正式确定算力代际升级改造需求开始，到完成硬件更换、系统联调并实现业务可承载运行的全流程日历周期。

· 传统数据中心受定制化设计约束，机电系统与初代硬件深度绑定，改造周期普遍长达 6~12个月甚至更久，且难以在线实施。

· 面向新一代AIDC，通过模块化设计、容量预留、标准化接口和预制化改造单元，改造周期压缩至 3个月以内，部分仅更换IT硬件的场景可缩短至 数周。

改造周期越短，代表基础设施对未来算力代际更迭的弹性兼容能力越强，是衡量其长期投资价值和代际先进性的关键维度。

并行实施的以整体完成联调日期为终点，串行实施的以最后完成部分为终点；所有场景均需注明业务停机时长。

维度五 · 运维方式

定义：关键故障闭环时间——关键系统故障从产生到隔离或恢复的完整周期，由故障发现、故障定界、应急处置三个阶段构成。

为什么传统运维撑不住了？两个方面同时恶化：

· 规模侧：大规模集群部署下监测点位数量突破百万级，供电、制冷与IT之间耦合更紧，人工监控逐步变得不可行。

· 时间侧：算力机柜高密度增长，设备异常处置的时间窗口被快速压缩，部分异常已无法依靠人员现场应急处置。

表3 故障阶段分类和诊断指标（来源：全球计算联盟，2026）。三个子阶段需分别记录并单独披露。

配套披露两个指标：

· 风险发现能力：当系统先于故障产生就识别风险，故障发现时间可能为负或故障根本不会发生——需单独披露，客观评价预测性运维能力。

· 自动闭环率：统计周期内无需人工干预即可完成全流程故障处置的比例。需注意，自动闭环率不可能达到100%，始终存在需要物理介入的故障类型，合理期望是逐步提升而非追求绝对值。

统计口径上，应按「供电故障」「制冷故障」「IT故障」「跨域多点故障」四类分别统计分布范围，而非只给一个平均值。

维度六 · 综合能效（PUE）

定义：数据中心消耗的所有能源与IT负载消耗的能源之比。报告要求用三类PUE联合评价，覆盖从设计承诺、工程交付到长期运行的全生命周期。

统计边界：从市电进线计量点开始，含中低压变配电、UPS、末端配电、制冷系统、照明、安防、消防、自控，直至IT设备电源输入端口。IT设备自身能耗为分母，不包含在分子中。年度实测PUE取全年累计比值，而非各月算术平均。

PUE不能覆盖全部能源价值。报告建议把WUE（水资源利用效率）、CUE（碳利用效率）、绿电比例以及储能削峰填谷带来的用电成本优化，作为扩展指标单独披露，形成电—水—碳多维度协同评价。

四、AIDC划代：三档量级对照

根据六项指标定义，报告把AIDC划分为传统IDC、新一代AIDC、AIDC未来方向三档。

表4 新一代AIDC六维指标代际量级（来源：全球计算联盟，2026）。报告注明：所列代际数值均用于表达能力量级，不构成未经产业验证的强制阈值。

补充口径：报告正文对交付速度的行业现状描述为「传统12~18个月 → 预制化压缩至6个月以内、部分全预制3个月级」，与表4的量级参考口径不同，引用时需注意区分。

五、最佳实践：3D数据中心如何落地

3D数据中心围绕「标准重构、分层解耦、立体堆叠」三大理念，实现IT系统与基础设施系统的物理解耦和能力独立演进。通过电力、冷量及空间资源池化，实现算力资源跨模块动态配置。

其根本动因是：传统数据中心基础设施具有较强刚性，而AI算力发展呈现高动态性和不确定性。未来数据中心需要从「固定容量承载模式」转向「资源池化、动态调度、弹性演进」的新型架构。

1. 资源池化与弹性调度：支撑AI多代次演进

· 供电池化：以 12MW产品化POD 为基础标准模块，沿垂直方向部署 3MW大容量智能母线，构建统一电力资源池。突破传统机柜级供电物理边界，支持高功率密度AI超节点与低功率存储、网络设备的混合部署。

· 弹性调度：依托负载历史数据预测负载功率，比对预测曲线与实际负载，识别超负荷风险与闲置区域，在业务零中断前提下重构电力分配路径。

· 制冷池化：构建「水力模块+冷源」的源侧池化，实现风液同源、冷量全局动态调配。丰水区域选开式冷却塔，缺水区域选干冷器或闭式冷却塔；集群间及超节点间以CDU模块化扩容实现冷量调度。

· 高密度液冷与低密度风冷机柜可在同一POD内混合部署，由液冷二次管路侧智能控制精准供冷。

2. 分层解耦与架构极简：支撑高密算力部署

3D数据中心把AIDC划分为「制冷、IT、供电、冷源和备电」四个独立功能层，把AI算力部署在独立层空间，最大限度缩短集群间互联距离。

3. 产品化工厂预制：从「工程现场制作」到「产品化交付」

核心理念是「产品化+数字化」，把复杂的数据中心系统拆解为可复制单元，实现从交付「建筑空间」向交付「可量化算力单元」的跨越。

· 设计制造一体化：以「乐高式」解耦思维，将AIDC划分为静态底座与动态算力，从源头规避设计风险。

· 质量验证标准化：关键电力、水力模块前移至工厂完成预制、测试和验证，通过 1:1样板试装 验证可交付性与可运维性。

· POD交付产品化：实施「三层并进、垂直互连」并行施工，配合「白盒化」逻辑测试与自动化交付流水线，实现网络配置、服务器压测及转维上线零人工干预。

4. Agentic智能运维：从被动响应到自主决策

智能运维沿「告警监控 → 分析预测 → 智能自主决策」三阶段演进。针对AI高密集群故障扩散快、应急窗口时间短的特点，构建「韧性优先、确定性交付、智能体自治」三位一体体系。

· 全链路数字化映射：以IoT数据流实现 百万级检测信号秒级上报，覆盖供电、散热参数与工质液的生物、化学特性，实现从微米级微通道到宏观建筑园区的全范围映射。

· 制冷侧预测：打通冷却塔至芯片的全液冷链路数字化建模，构建从芯片到冷源的全链路温度与功耗模型，在线监测工质液pH值、电导率，预测微生物滋生、防范设备腐蚀。

· 供电侧预测：构建从市电到服务器电源的 毫秒级 全链路监控与预警。

· 提前发现液冷管路泄漏、工质液劣化脏堵、电池失效及母线接触不良等风险隐患。

· 运维管理Agent：可远程完成故障定位定界、变更推演与作业风险拦截；应急场景下关键部件自主响应，实现供电制冷系统自愈。

5. 六维指标在3D数据中心上的落点

· 单柜功率：实现AI多代次兼容及「零改造」下的单柜 100kW~300kW 高密度部署。

· 集群规模：IT独立层单层即可支撑 万卡至十万卡 规模的算力集群。

· 交付速度：土建开工到整体交付 10个月，POD单元主设备到场后 3个月 交付。

· 综合能效：通过优化L1基础设施与L2算力网络系统能效，结合供电制冷架构优化与智能化全域寻优，实现 PUE降至1.15以下。

六、四点产业倡议

报告强调，六维指标体系的价值不是提前给所有技术路线下结论，而是建立一套全产业可以共同讨论、测量和比较的语言。

· 共同完善指标定义：联合算力厂商、数据中心客户、设计院、科研机构和基础设施企业，进一步明确六项指标的测试边界、分级值和评价方法。

· 共同建设参考架构：围绕3D数据中心等代表性架构，推动供电、制冷、IT、储能和智能运维接口标准化，支持多代次、多厂商和多技术路线。

· 共同开展标杆验证：选择具有代表性的AIDC项目，对功率、密度、规模、交付、运维和能效进行测量，用真实工程数据持续校正指标体系。

· 共同推进标准与认证：在指标体系和标杆验证基础上，逐步形成参考设计、团体标准、评价认证与产业推广机制。

一分钟速览

· 老办法失灵：单柜功率冲到百千瓦、集群冲向百万卡，「看设备选型」已无法衡量AIDC的综合能力。

· 六维指标体系：单柜功率、集群规模、交付速度、弹性兼容、运维方式、综合能效——两大空间尺度叠加四大生命周期尺度。

· 单柜功率是分水岭：通用云 6~12kW/柜 vs 智算 40—80kW/柜；每跨一个数量级，配电、散热、承重走线全部要重构。

· 集群规模倒推设计：传统「先有房再部署」，下一代「先定集群再倒推建筑、供电、制冷、网络」。

· 交付速度：传统机电 12~18个月 → 预制化压缩至6个月以内、部分3个月级；表4给出 6~9 / 3~5 / 1~2个月 三档量级。

· 弹性兼容：改造周期从 6~12个月 压到 3个月以内，仅换IT硬件可缩至数周，目标是支撑多代硬件「零改造」兼容。

· 运维量化到三段：故障发现（秒级）、故障定界（分钟级）、应急处置（分钟级~小时级）；自动闭环率不可能100%。

· 能效看三类PUE：设计、实测、年度实测；100MW负载下PUE从1.35降到1.25，年省电约8,700万kWh。

· 3D数据中心落点：单柜100—300kW、单层万卡至十万卡、整体交付10个月、POD 3个月、PUE降至1.15以下。

数据来源：全球计算联盟（Global Computing Consortium）× 中国电子院 × 国投《新一代AIDC定义与实践研究报告》（2026年9月）。本文为公开报告解读与要点梳理，文中代际数值仅代表能力量级。不构成任何投资建议。