编辑：编辑部 HYZ

120天，119个集装箱，一座算力工厂拔地而起。
马斯克速度，竟被国内这家公司完美复刻了！
上面这座算力工厂，采用了浪潮信息专为AI时代提出的预制化AIDC解决方案。
他们以「搭积木」方式，向世界诠释了惊人的基建速度。
它不仅将长达18个月的建设周期，大幅缩短至4个月，甚至还实现了高效节能、弹性扩容、按需定制、便捷运维等技术创新。
更为重要的是，这座算力工厂能够完全满足scaling大模型的算力需求。
不论是训练，还是应用部署，预制化AIDC解决方案全面支持了AI大模型创新研发和应用。
而现在，这座元脑「算力工厂」正式投入运营。

AI猛吞算力，还需破局之道

算力，就是这个AI时代的「命门」。众所周知，AI大模型对算力的需求，远超乎所有人的想象。
不论是OpenAI、微软，还是谷歌等科技巨头们坚信的是，scaling law仍在继续。
2024年12月，堪称过去一年AI含金量最高的一个月，从中便可瞥见一二。
OpenAI十二天Devday连更，为所有人送上了满血版o1、o1 Pro、Sora、高级语音功能，以及初次亮相的o3系模型。

大批网友上线直接把ChatGPT搞崩了
与之激烈对打的谷歌，更是战绩连连，凭借Gemni 2.0 Flash、Veo 2直接杀出重围。
迈入2025年，Grok 3、Llama 4、完整版Gemni 2.0等众多模型，也即将迎来新一轮大战。
可以预见的是，每一代新模型都在疯狂「吃」算力，训练参数呈指数级增长。这种疯狂扩张的态势，让人不禁要问：我们的数据中心基建，还能支撑多久？
实际上，当前的数据中心正面临着最核心的「三重困境」。
1. 建设周期长，无法及时弥补高算力需求
作为算力的核心载体，数据中心的建设非一蹴而就。
一般来说，传统数据中心的建设是一个复杂的工程，需要经过设计、土建、机电安装、调试等多个阶段。其中，光规划和建设就要3-5年时间，占到了整个生命周期的约1/3。
老黄同样说过，「建造一个超算通常需要3年的规划时间，外加1年设备交付和调试时间」。
而我们所看到的，马斯克10万块GPU建设速度，甚至即将要建的100万块GPU搭建的超算，也只是个例。
3年，这一时间跨度，对于快速发展的AI时代显得尤为漫长。
比如，3年前规划的数据中心普遍采用5-10kW/标准柜，而如今单台AI服务器的功耗就已突破10kW。
显而易见，AI迭代与基建建设的速度，严重不匹配，导致数据中心还未建成就已落后于时代。
同时，这种「建设慢，需求快」的矛盾，不仅影响了产业发展速度，还直接影响了投资方资金回报周期，形成了恶性循环。
2. 功耗攀升，能源利用率低
其次，随着算力需求的暴增，数据中心的能耗问题也愈发突出。
AI大模型训练的耗电量，堪比一个小城市的用电量。而这样比比皆是的报道，也早已家喻户晓。
平均而言，ChatGPT查询所需的电力是谷歌搜索的近10倍。高盛研究估计，到2030年，数据中心的电力需求将增长160%。
从2023年-2030年，AI数据中心功耗的增长将达到每年200Twh
另一方面，数据中心功耗也面临着巨大的挑战。
从芯片设计方面来看，CPU热设计功率（TDP）在过去十年几乎翻倍，GPU热设计功耗从2008年不足200W飙升至现如今1000W。
再加上，集群越来越大，高密度服务器部署来带的散热压力，与日俱增。
与此同时，信通院发布的《中国绿色算力发展研究报告（2024年）》显示，我国数据中心的平均电能利用效率（PUE）在2023年时为1.48，而新的国家政策规定，新建数据中心的PUE不得超过1.25。
如何保持高性能计算的同时，达到节能标准，已经成为一大难题。
而当前，智算中心需要探索的是，与绿色电力深度融合，实现能源高效利用，让算力向智力有效转化。
3. 扩容难题，升级有限，无法第一时间进行升级
不仅如此，AI快速迭代对数据中心的灵活性，提出了更高的要求。
然而，传统数据中心的固定架构，限制了升级空间，无法及时采用新一代技术，难以快速响应业务需求的变化。
另一方面，数据中心还将面临建成即落后、供不应求的窘境，投资回报率难以保障。
针对这些挑战，这些年，一些企业打造的预制模块化数据中心应用而生，并将成为主流模式。
根据规模不同，可分为单元级（Unit）、包间级（Pod）、建筑级（Stack Cube）、园区级（Base）等细粒度。
在AI时代下，我们就需要专为AI而生的预制化AIDC。
浪潮信息，便是这个方案的引领者。

算力工厂，全方位为AI而生

算力工厂是一种创新的数据中心全生命周期服务模式，核心是通过规（划）、建（设）、运（营）一体化的「交钥匙」工程。
其总体架构自下而上，由算力底座、算力支撑、算力运营三部分组成。

算力底座

首先，算力底座，就是我们可以直观看到的算力中心。
元脑「算力工厂」这座智算中心采用创新的预制化AIDC解决方案，仅需119个预制化集装箱单层拼接，4个箱体即可实现千卡规模AI算力。
正如之前所述，它书写了惊人搭建速度的传奇，直接将同等规模数据中心的建设周期，从18个月缩减至4个月。
这种创新方案，可以说完全颠覆了行业常规。
具体来说，它具备了以下几点优势：
- 快速交付，工期可缩短80%左右
因为采用了预制化集装箱建设方式，同等规模数据中心的建设周期从18个月缩减至4个月，工期缩短了近80%。
- 高效节能，PUE可低至1.1以下
因为创新地应用了液冷、光伏、储能、余热回收等节能技术，提高了散热及能源利用效率，PUE可降至1.1以下，全年节省电费近2亿元，运营成本大幅降低。
- 灵活扩展，最高可扩容至5层，实现全场景覆盖
预制模块化叠箱体系建设模式可根据业务规模，分期高效地进行水平及竖向扩容，有效节省前期投入成本。
同时，八种模块化的功能箱体可根据不同场景、规模灵活组合，并按照功率区段分区部署，实现风冷/液冷、AI/通用/高密度等多种形态灵活兼容，匹配智算算力、通用算力、边缘算力等多种应用场景。
元脑算力工厂包含了数据处理、AI大模型、业务应用、研发测试等多个集群，为全球服务器压力测试、大模型开发应用等多种业务应用，提供了绿色高效的算力支撑。

算力运营

如前所述，在大模型时代，算力需求呈爆发式增长，但高效运营AI算力却面临着诸多的挑战。
该如何调度资源？如何控制成本？如何保障算力平台稳定性和可用性？如何让AI算力性能持续优化?
在大规模AI训练场景下，算力资源调度堪称一大难题。
一方面，不同AI任务对于算力需求各不相同；另一方面，如何在多用户、多任务场景在实现资源最优分配，避免算力的浪费，都是亟待解决的问题。
不仅如此，随着算力规模的扩大，运营成本也会随之攀升。诸如电力消耗、运维人员等各方面成本，都是企业面临的挑战。
另外，对于企业级AI应用来说，对算力平台稳定性提出了高标准、高要求。
然而，集群规模扩大管理只会愈加复杂，硬件出现故障的风险就会增加，随之带来的是系统性能波动频繁，数据安全隐患增高。
还有需要考虑到的一点是，AI算力性能必须持续优化。这当中也涉及到了多个层面，比如硬件协同优化、软件架构改进、算法效率提升等等。
为了应对这些挑战，元脑算力工厂为企业提供了全方位的运营方案。
- AI基础设施管理平台
AI基础设施管理平台面向金融、通信、互联网等多行业的数据中心，可实现前所未有的一体化管理。
平台突破性解决了IT基础设施管理与动力环境管理割裂的痛点，带来了全新的管理体验。
首先，它实现了智算中心全生命周期的统一纳管，运维效率提升100%。
平台还创新实现了高密单排微模块2D/3D、核心制冷部件远程调控等5大功能，安全性能飙升30%，为超大规模数据中心稳定高效运行提供重要保障。
- 人工智能开发平台AIStation
作为深度学习开发平台，AIStation能够为企业客户提供强大的开发支持。
比如，统一管理和精细调度AI计算资源，全面整合计算资源、训练数据和开发工具。
不仅如此，AIStation还提供了完整的AI软件栈和敏捷标准化的开发流程，降低资源投入同时，大大提升开发效率。
基于系列平台的创新与整合，对于企业来说，算力的高效稳定运营也不再是难题。

大规模AI训练与应用

既然有了这样一个堪称「黑科技」含量最高的解决方案，对于大模型时代下的训练和部署，意味着什么？
当前，AI大模型正在经历着前所未有的进化：从单一语言模型走向多模态；突破长文本限制；引入MoE架构；强化学习能力不断提升。
不仅如此，大模型进化Scaling Law仍在继续，老黄还在CES大会上首次提出了AI时代三个Scaling Law。
这暗示着，大模型的突破未来有着更加广阔的空间，唯一的限制，就是如何构建出强大的算力基础设施。
如今，AI大模型的参数规模已经从千亿级别攀升到了万亿级别。AI大模型厂商纷纷投建大规模算力资源，压缩大模型训练周期。
显而易见的是，随着算力规模的不断扩展，单颗芯片的性能瓶颈愈发明显，整个AI系统的通信效率成为焦点之一。
大型AI模型训练过程中，网络通信通常占据整体训练时间的20%到40%，这造成了大量算力资源浪费，优化网络通信效率，成为AI大模型发展的关键议题。
然而，目前的传统RoCE网络面临着网络性能不足、难以满足多样化AI系统网络需求、部署周期长、可靠性低、管理难度大等问题。
对此，元脑算力工厂采用了专门面向生成式AI打造的超级AI以太网交换机——X400，大幅降低网络通信占比，革命性地提升了大规模GPU训练性能；同时，采用浪潮信息 ICE智能云引擎，实现智能化的网络管控。
这，就成为了新型的AI训练网络解决方案，打造业界领先的AI Fabric。
超级AI以太网交换机X400，采用AR自适应路由、RTT CC拥塞控制、亚毫秒级故障自愈等技术，拥有高性能（高吞吐量、高带宽、低延迟）、高可靠性、快速部署、灵活拓展等核心优势。同时，它还具备多租户隔离、多业务并发支持的能力，以应对AI模型训练的复杂需求。
性能方面，X400的吞吐量达到了业界最高的51.2T，较上一代产品提升了4倍。在4U空间可提供128个400Gb/s的高速网络端口，相比传统RoCE网络性能提升了1.6倍。
值得一提的是，其对AI网络的带宽利用率可达95%以上，同时还可将通信时延降低30%。
综上，X400的应用将大幅提升大模型的训练效率，缩短训练时长，降低训练成本。
此外，在 AIGC 时代，网络管理已不再是传统的设备配置与监控，而是面向未来的智能化、自动化以及可视化的平台。
浪潮信息ICE智能云引擎正是这一趋势下的先行者，基于数字孪生技术，打造网络虚拟仿真和优化验证平台，并利用人工智能技术实现自动化管理和智能化监控，提升管理效率与故障响应速度，让企业在复杂环境中实现高效、可靠的网络运维，助力企业充分释放AIGC潜能。

系统性创新，三层无缝衔接

算力基础设施有了之后，如何解决算力与应用之间断层问题？
在此之前，浪潮信息早已给出了完美的解决方案——企业大模型开发平台「元脑企智」EPAI。
它犹如一座「桥梁」，通过提供软件栈及综合服务，赋能算力挖潜、模型优化和应用开发。
这次，元脑算力工厂直接搭载了EPAI，连接了多元算力、多元模型、应用层，直接加速LLM应用落地。

元脑企智EPAI的完整架构
EPAI可实现百万token、千亿参数、领域大模型的高效微调，可以更好地适应具体行业场景下的任务需求，快速打造领域LLM。
与此同时，它还提供面向多元多模的计算框架，让LLM应用在跨算力平台上无感迁移。
这个过程，就降低了多模、多元的适配与试错成本，为企业用户根据实际场景需求，选择开发部署适合自己的大模型，提供了极大便利。
通过EPAI，企业可以高效地开发部署生成式AI应用，打造智能生产力。
在AI时代浪潮下，算力基建正成为决定创新速度、深度的关键要素。
基于预制化AIDC解决方案的算力工厂，不仅仅是一次技术创新，更是对这整个产业发展模式的革新。
算力工厂重新定义了算力释放的价值与效率，实现了基建与算力的强绑定，是以算力为中心来确定建设模式和内部的算力模组，所有设计都是算力的一部分，实现了投入即产出。
这一次，浪潮信息向世界真正展现了，中国速度与中国智慧的完美融合。
算力工厂的模式将成为智算中心建设的主流。


内容中包含的图片若涉及版权问题，请及时与我们联系删除