
(完整版.pdf ) 以下仅展示部分内容 下载方式见文末
先抛结论:AI不只是“耗电大户”,也可以成为算力中心节能降碳的“超级大脑”。这份由深度智控、中国信通院云大所牵头,富士康工业互联网、秦淮数据、上海联通、宁德时代等参编的《面向绿色算力的人工智能应用研究报告》,给出的不是单点节能小技巧,而是一张覆盖“设计—运行—运维—算电协同”的AI落地地图。
01 算力狂奔,电表也狂奔:绿色算力为什么急?
AI大模型越火,算力中心越忙,电表转得也越快。
报告给出一组很直观的数据:截至2026年3月底,我国在用算力中心机架总规模达1445万标准机架;截至2026年6月底,智能算力规模达2185EFlops(FP16),已建成万卡以上智算设施52个。算力供给结构正从通用算力为主,转向智能算力快速增长、多元算力协同。
但另一面是能耗压力。2019年至2024年,我国算力中心用电量从824亿千瓦时增至1660亿千瓦时,五年年均复合增长率约15%。2025年用电量达1960亿千瓦时,同比增长18.1%,而同期全社会用电量增速仅5%。
更关键的是,传统节能的边际空间在收窄。我国算力中心PUE从2019年的1.65降至2024年的1.46,但2024年较上年仅下降0.02。PUE越接近1越难降,靠换设备、调参数“抠”出来的节能空间越来越小。
报告把行业痛点拆成四个环节:
• 规划建设:供电制冷适配不足,高密度、异构算力来了,老架构接不住; • 运行优化:负载波动大,分系统控制容易“局部最优、整体不优”; • 能源协同:用电集聚、绿电消纳、负荷调节压力凸显; • 运维管理:告警分散、根因定位慢、经验难沉淀。
【专业解读】
过去绿色算力常被理解为“把PUE降下来”。但PUE降幅趋缓说明,单点设备节能已经不够了。下一步拼的是系统级优化:IT负载、制冷、供配电、储能、绿电要一起算账。AI的价值,不是多装几个传感器,而是把“被动监控”变成“主动预测、全局寻优、闭环执行”。
02 报告最硬核:用“物理AI”给算力中心装上可信大脑
这份报告的技术主线很明确:物理AI。
报告构建了“方法层—能力层—业务层”三层体系:
• 方法层:以物理AI为核心,融合知识表示与推理、机器学习、强化学习与优化控制、生成式AI; • 能力层:形成系统建模、预测分析、决策控制、异常诊断、知识服务五大能力; • 业务层:嵌入规划设计、运行调控、运维管理全生命周期。
什么是物理AI?通俗说,就是让AI不只从历史数据里“找规律”,还要懂设备机理、系统拓扑和运行约束,能在真实物理世界里完成“感知—推理—规划—行动”闭环。
报告对比了三条建模路线:
• 纯机理模型:物理意义清楚,但求解慢、标定成本高、跨场景迁移弱; • 纯数据驱动模型:推理快,但缺物理约束,工况一变可能“胡说”,不适合关键闭环控制; • 物理AI融合建模:把热力学、传热传质等物理规律嵌入深度学习,既保留数据拟合能力,又让输出符合工程常识。
【专业解读】
这解决的是AI进机房最大的信任问题。机房控制不是推荐商品,不能“差不多就行”。物理AI的三大好处很实在:可解释,运行人员知道AI为什么这么调;少数据,新建项目没几年历史数据也能建模;可迁移,换设备品牌、改系统配置时,物理框架还在,只需微调参数。AI要从“黑箱”变成“可校验的工程师助手”。
03 设计端:先在数字世界里把机房“跑”一遍
报告特别强调,很多算力中心PUE设计预测和投运实际有偏差,根子在模型精度和动态工况覆盖不足。
传统仿真工具有三个局限:依赖典型工况、控制策略表达不足、跨系统计算能力有限。算力中心冷负荷80%以上来自IT设备散热,业务负载还有明显潮汐效应,大模型训练时功耗甚至阶跃式波动。只按峰值负荷设计,很容易“建成即落后”。
数字孪生仿真平台怎么干?
1. 高精度负荷预测:融合建筑特性、气象时序、IT业务负载,做全年8760小时逐时动态负荷预测; 2. 设备与系统建模:冷机、水泵、冷却塔、管路等设备级建模; 3. 控制策略仿真:不只模拟固定设定点,还能仿真变频寻优、动态水温、智能群控; 4. 方案比选与优化:比较不同设备组合、容量配置、运行策略的全年能耗和PUE; 5. 运行反馈闭环:项目投运后,用实测数据回灌模型,校正负荷预测和设备性能曲线。
报告案例显示,某新建制冷站通过数字孪生仿真优化,在承担相同总冷量条件下,常规模式系统综合EER为4.87,优化控制方案提升至5.31,设计能耗降幅约8.47%。
【专业解读】
数字孪生的真正价值不是“做个炫酷大屏”,而是把设计从“静态峰值校核”推进到“全年动态运行预演”。设计阶段就把控制策略跑一遍,自控编程不再是“建成后再现场试”,而是“先仿真再下发”。运行数据再回传校正模型,形成设计—运行—反馈的闭环。这比单纯换高效设备更有系统价值。
04 运行端:从“人盯屏”到“AI闭环调参”
运行优化是报告着墨最多的部分之一。
报告把数据中心制冷控制能力演进分为五个阶段:L1定值控制—L2规则群控—L3数据辅助—L4预测优化—L5自适应优化。趋势很清楚:从局部到全局、从被动到预测、从固定规则到受约束的动态适应。
AI节能闭环怎么跑?一句话:感知—预测—寻优—控制—反馈。
优化对象覆盖:
• 冷源系统:冷机、冷却塔、板换的启停组合、负载分配、供水温度; • 输配系统:冷冻/冷却水泵流量、压差、频率; • 风冷末端:送风温度、风量、风机转速; • 液冷系统:CDU供液温度、流量、压差; • 系统整体:多设备联合运行策略。
架构上,报告提出云边端协同:云端负责多站点监控、模型训练、全局策略;边缘节点负责实时推理、本地控制、安全校验、断网自治;现场设备执行采集和控制。端侧AI还要做模型轻量化,适配边缘网关、边缘控制器、边缘服务器不同算力形态。
但AI控制不能“放飞”。报告专门强调可靠性、鲁棒性与韧性:模型可信、决策鲁棒、执行安全、系统韧性。具体包括物理边界保护、运行约束限幅、分级熔断、通信与数据容错、故障自愈,以及上线前离线测试、影子运行、由点到面分阶段投运。
【专业解读】
AI进闭环,最怕两件事:一是模型“越界”给出违背设备安全边界的指令;二是通信一断,系统“失智”。所以报告的安全思路很工程化:AI负责优化,底层硬件保护和安全约束兜底;异常时策略冻结、回退、切换控制。先建议模式,再部分闭环,最后全功能闭环。绿色算力要的是“稳稳地省”,不是“冒险地省”。
05 算电协同:让算力跟着绿电和电价“聪明跑”
随着万卡集群演进,单机柜功耗从传统4—6kW跃升至40—120kW以上,算电协同成为必答题。
报告提出算电协同AI调度体系分四层:
• 感知融合层:汇聚“源—网—荷—储—冷—算”多系统实时数据; • 物理AI模型层:设备机理模型、算电热耦合模型、负荷预测模型; • 算电协同决策层:综合电价、碳排、热安全、设备容量、算力任务约束,多目标全局寻优; • 控制下发通道:通过BA、PLC、PCS及K8s、Slurm等接口下发指令,形成闭环。
工程上采用分层架构:上层做15分钟至1小时滚动优化,管经济性和多目标;下层做秒—分钟级实时闭环,管安全和快速响应。算力任务可迁移,储能和蓄冷充当功率缓冲器。
算冷协同方面,报告提出“算力—冷负荷双层映射模型”,短时用LSTM捕捉瞬时波动,中长期用XGBoost、LightGBM保障小时级预测稳定性,形成“预测前馈+实时反馈+安全保护”的CDU复合控制。蓄冷系统则从单一制冷优化,融入“算—电—冷—储”一体化调度。
储能AI-EMS则通过云边端架构,实现储能从被动监测向主动预测、自主优化、精细调控升级,按Pack级SOC、SOH、温差等差异化分配功率,兼顾安全、寿命和绿电消纳。
【专业解读】
算电协同的本质,是把算力中心从“刚性用电大户”变成“柔性负荷”。训练任务可迁移、储能可充放、蓄冷可错峰,算力就有机会追着绿电走、跟着电价调。但前提是安全边界清晰:业务SLA不能破、热安全不能破、设备寿命不能过度透支。AI在这里是调度员,不是冒险家。
06 运维端:让故障“自己开口说话”
算力规模指数级扩张,传统“人工巡检、经验判断、事后处置”越来越不够用。
报告给出四条运维升级路径:
1. 健康管理与预测性维护:设备动态分级,健康度量化评分,结合机理与正常工况数据识别性能退化,风险触发工单,形成“风险识别—任务派发—现场处置—模型迭代”闭环; 2. 故障诊断与根因定位:规则诊断、趋势诊断、模型诊断、传感器数据校验四类策略协同;用FMEA失效模式库沉淀知识,用动态故障树推荐排查路径; 3. 自动化闭环运维:安全闭环、能效闭环、管理闭环三条主线,自愈能力分阶段落地,守住安全底线和可解释底线; 4. 专属知识库与运维助手:用RAG检索增强生成构建知识库,报告称行业实践中文档出处召回准确率可达90%以上,覆盖SOP指导问答、运维态势自然语言查询、告警与测点数据分析。
【专业解读】
运维AI最容易被误解成“聊天机器人”。报告真正的重点是:把设备手册、工单、告警、FMEA、故障树变成可检索、可推理、可闭环的知识资产。过去是“人找故障”,未来是“故障找人、方案找人、工单找人”。但高风险操作仍要人工确认,大模型只给依据、风险提示和备选方案,不能替代授权执行。
07 案例速览:节能不是PPT,是这些数字
报告给了六个工程案例,含金量很高:
• 超算中心系统级协同寻优:PUE从1.28降至1.21,空调系统能耗降低约23%;累计总节电量1128万kWh,平均节能率24.6%; • 水冷冷站节能及PUE诊断:制冷站全年节能率达16.1%,PUE根因分析引擎覆盖280+类诊断规则; • 风冷精密空调末端按需供冷:33个机房、318台空调,阶段性测算节能率12%,温度场由局部冷热不均趋于均衡; • 间接蒸发制冷数据中心智慧运维:144台AHU纳入在线诊断,预计节能率13.6%,年节电量约253.3万kWh; • 风液协同数据中心分层寻优:冷源、CDU、机柜、气冷分层协同,短周期对照测试平均节电率10.3%; • 高效机房仿真设计优化:数字孪生仿真下,系统综合EER从4.87提升至5.31,设计能耗降幅约8.47%。
【专业解读】
这些案例的共同点不是“某个算法很神”,而是建模—寻优—控制—反馈跑通了。节能率从10%到24%不等,取决于项目基础、工况和控制粒度。绿色算力没有“一招鲜”,只有把设备、系统、策略、运维串起来的持续优化。
08 前沿展望:绿色算力的下一站
报告最后给出几个值得关注的方向:
• 评价体系升级:从单一PUE走向全生命周期评价,把设备能效、算法调度效率、全周期碳足迹、余热利用、资源复用率、平台优化水平纳入框架; • 碳核算精细化:打通电力、算力设施、服务产出三级核算链条,探索算力中心级、任务级、单次调用级碳强度核算,绿证小时级溯源、绿色Token分层测算; • 冷却技术革新:从CDU间接液冷向浸没式冷却、相变散热、微通道散热、芯片级直冷演进,冷却系统向“散热+储能+余热资源化”一体化单元转型; • AI for AI:用数字孪生、实时数据迭代和强化学习,让算力底座具备自主感知、智能推演、动态寻优、持续迭代能力。
【专业解读】
绿色算力的终局,不是“少用算力”,而是“让每一度电产出更多有效算力”。这需要技术、标准、市场机制一起走:绿电交易、碳核算、差异化算力收费、设备回收,都要跟上。AI既是算力需求增长的推手,也是算力基础设施提效的工具。关键是把AI用在系统级优化上,而不是只做表面文章。
写在最后
这份报告最值得记住的一句话是:绿色算力正在从单点节能走向系统优化,从静态管理走向动态调优,从经验运维走向智能决策。
物理AI让模型可信,数字孪生让设计可预演,AI闭环让运行可寻优,算电协同让负荷可调节,智慧运维让故障可预测。对算力中心来说,AI不是锦上添花的“大屏”,而是绿色低碳运营的新底座。
AI越热,越要把算力中心变“绿”。这件事,已经从选择题变成必答题。
资料来源:深度智控、中国信通院《面向绿色算力的人工智能应用研究报告》。本文为报告内容整理与解读,供行业交流参考。





☟☟☟
☞人工智能产业链联盟筹备组征集公告☜
☝
篇幅有限,部分展示 加入会员,任意下载 资料下载方式
Download method of report materials
点击下面文字链接下载(免费有效期30天):
深度智控&中国信通院:2026面向绿色算力的人工智能应用研究报告
☟更多内容,可访问☟
如需获取更多报告
☟畅享下载,可访问☟
报告部分截图


【中国风动漫】《雾山五行》大火,却很少人知道它的前身《岁城璃心》一个拿着十米大刀的男主夭折!

编辑:Zero

文末福利
1.赠送800G人工智能资源。
获取方式:关注本公众号,回复“人工智能”。
2.「超级公开课NVIDIA专场」免费下载
获取方式:关注本公众号,回复“公开课”。
3.免费微信交流群:
人工智能行业研究报告分享群、
人工智能知识分享群、
智能机器人交流论坛、
人工智能厂家交流群、
AI产业链服务交流群、
STEAM创客教育交流群、
人工智能技术论坛、
人工智能未来发展论坛、
AI企业家交流俱乐部
雄安企业家交流俱乐部
细分领域交流群:
【智能家居系统论坛】【智慧城市系统论坛】【智能医疗养老论坛】【自动驾驶产业论坛】【智慧金融交流论坛】【智慧农业交流论坛】【无人飞行器产业论坛】【人工智能大数据论坛】【人工智能※区块链论坛】【人工智能&物联网论坛】【青少年教育机器人论坛】【人工智能智能制造论坛】【AI/AR/VR/MR畅享畅聊】【机械自动化交流论坛】【工业互联网交流论坛】
入群方式:关注本公众号,回复“入群”

戳“阅读原文”下载报告。

研报速递