AI电力与变压器

夏鸣

真正让 AI 跑起来的地方，是数据中心。

而 AI 数据中心需要的，不只是“写模型的人”，更是一整套基础设施团队。

简单说，一个 AI 数据中心像一座高度工业化的“AI 工厂”：

🏗️ 先有人把它建出来

电工、制冷/HVAC 技师、布线技师、施工经理、调试工程师。

⚡ 再有人保证它不断电、不宕机

设施技师、电力工程师、UPS/发电机维护、楼宇控制、值班工程师。

🖥️ 还要有人维护服务器和机柜

数据中心技师、服务器维护、机柜部署、故障更换、资产盘点。

🌐 还要有人负责网络和光纤

网络技师、网络工程师、光纤工程师、交换机部署、链路排障。

🧠 到了 AI 负载核心，就是 GPU / HPC 集群

GPU 集群工程师、HPC 工程师、分布式训练支持、性能调优、故障恢复。

☁️ 再往上，是平台、SRE 和 MLOps

平台工程师、SRE、自动化运维、容器/K8s、模型部署。

🌱 还有越来越重要的能源与可持续

能源经理、电网接入、热管理优化、水处理、碳排与 ESG。

🔐 安全和合规也不可缺

物理安保、安全运营、合规审计、数据销毁、应急与连续性。

📦 背后还有供应链和资产管理

采购、物流协调、库存管理、供应商管理、备件计划。

👥 最后，是管理与支持团队

运营经理、项目经理、EHS/安全、培训协调、财务分析。

所以，AI 数据中心真正的岗位结构不是一条线，而是一张网。

对普通年轻人来说，最值得注意的是：

1️⃣入门方向：

布线 / 硬件技师 / 安保 / 库存 / 服务器维护

2️⃣进阶方向：

网络 / 设施运维 / 制冷 / 电力 / 数据中心运维

3️⃣高阶方向：

GPU 集群 / 平台工程 / 能源优化 / 运营管理

如果你担心 AI 抢走工作，反过来看，AI 的扩张本身也在创造一批新的基础设施岗位。

不是每个人都要成为算法工程师。

有人写模型，有人供电，有人制冷，有人连网络，有人维护 GPU 集群，有人保障整个系统稳定运行。

AI 时代真正稀缺的，可能不是“会喊 AI 口号的人”，而是能让 AI 稳定跑起来的人。

42个万卡集群后，谁能卖出算力？过去十年，数据中心（IDC）更像是一门“带电的商业地产生意”：看区位、计面积、数机柜、算上架率、查合同，便能大致判断一个项目的价值。

但到了智算中心（AIDC）时代，这套评估框架不够用了。

假设同样是1000个物理机柜，按6kW/柜测算，总IT负载为6MW；按40kW高密机柜测算，则为40MW；如果部署功耗约120kW的GB200 NVL72整机柜系统，则可达120MW。机柜数相同，背后的供配电、液冷和网络互联，已经不是同一种基础设施。

从最新数据看，中国AIDC在供给侧已经跨过了“有没有”的初级阶段： 截至2026年3月底，我国智能算力规模达1882 EFLOPS（FP16）；截至2025年底，全国建成42个万卡智算集群，八大国家算力枢纽（含十大集群）的智算规模占全国80%以上。

但供给扩张，不等于需求已经兑现。

中国信通院数据显示，截至2025年6月，全国数据中心平均上架率近60%。这提醒我们：从机房建成到形成可计费负载，中间仍有一条很长的转化链。

这条链至少有五步：

机房建成→设备上架→集群可用→负载稳定→客户持续付费。

前两步主要考验资本投入、供应链和工程交付；后三步更考验网络架构、调度效率、故障恢复和客户运营。

而这条转化链，还要与折旧赛跑。不少算力项目将服务器按3—5年计提折旧。如果投产后迟迟无法形成稳定的可计费负载，折旧会压低利润，债务本息和持续运维则会侵蚀现金流。

未来评价AIDC项目，机柜数量和上架率仍要看，但还应补上三组关键指标：

（1）训练侧： 万卡集群的可用率、MFU（模型算力利用率）和故障自动恢复能力；

（2）推理侧： 端到端时延、并发吞吐量和每百万Token成本；

（3）商业侧： 可计费利用率、核心客户续约率和真实的现金回款。

中国AIDC的真正分水岭已经到来。接下来比拼的是，谁能更高效地把每一度电、每一张卡和每一次调用，转化为客户愿意持续付费的有效负载。