人工智能的飞速发展，令数据中心迎来前所未有的压力。算力需求不断攀升，基础设施投资加速落地，电网供电能力也上升为一项战略性议题。面对这一趋势，人们给出的解决方案往往十分直接：新建更多数据中心、获取更多能源供给、部署更多 GPU、进一步提升基础设施密度。
能源、土地、冷却、供应链以及监管层面的各项约束真实存在。据全球数据(GlobalData)预测，各大云厂商 2026 年资本开支或将接近 6850 亿美元，同比增幅约 70%;其中很大一部分资金将投向 AI 基础设施、数据中心、专用芯片以及能源资产。
但是，这种前瞻性思路过度侧重供给侧扩容。它默认未来的算力需求必然无法压缩。而一个核心问题亟待回答：企业是否已经高效用好自身现有的算力资源?
“幽灵算力”，AI 基础设施的盲区
在许多 IT 环境中，一部分规划或已经分配的算力仅停留在纸面上。这就是所谓“幽灵算力(Phantom Compute)”：属于基础设施规划内的理论算力，却长期处于低利用率、闲置状态，或是被用来执行没有实际价值的任务。
因此问题并不局限于 GPU 的部署数量。真正的核心挑战，在于企业能否高效完成数据的存储、迁移、预处理与价值挖掘。在 AI 架构中，性能不只取决于硬件，还取决于数据质量、数据可用性、数据存放位置，以及输送数据至模型的流水线是否通畅。
如果数据质量差、分散杂乱、存在冗余或是迁移困难，GPU 就很容易陷入低负载。反过来，优化工作负载编排、精细化数据流管理、合理运用边缘计算、执行更加严格的数据治理，便能够大幅提升算力的实际利用率。
在部分业务场景下，优化数据流程可以显著提高 GPU 利用率，在不降低 AI 处理能力的前提下减少算力消耗。不管是普通企业还是超大规模云服务商，由此带来的收益都足以改变 AI 项目的经济效益。
数据治理，AI 投资回报率的先决条件
“幽灵算力” 也是过去二十年间海量数据不断累积的产物。伴随着云计算、DevOps、物联网与分布式架构的普及，企业积攒了规模庞大的数据，这些数据常常存放于结构松散的数据湖当中。过去人们的想法很简单：总有一天，这些数据会产生价值。
但这种理念催生了大量“数字废气(digital exhaust)”：不少数据已经过时、重复、缺少上下文信息，很难投入实际使用。而 AI 创造价值并不单纯依靠数据体量，它需要可靠、洁净、经过治理、并且能够及时调取的数据。
这正是企业 AI 落地的一大悖论：企业急于证明 AI 项目可以快速产生回报，但其底层的数据基础却尚未清理完善。一份被广泛引用的报告指出，95% 的 AI 项目最终走向失败。网络安全、合规管控、短期投资回报自然成为企业管理层优先关注的目标;然而，如果不先解决数据治理问题，AI 项目很难实现长期可持续的收益。
数据治理再也不能被当作一项次要工程。它已经成为提升性能、增强韧性、优化能效的直接抓手。当一家企业清楚掌握自身的数据资产清单、存放位置、可信数据范围以及哪些数据该保留或删除时，才算打下了算力资源高效利用的基础。
存储、算力与冷却：一套联动方程式
上述思考同样应当延伸到数据中心运维层面。传统上，数据中心基础设施管理系统(DCIM)大多采用竖井式管理：能源、冷却、物理安防、IT 运维、机柜各自独立运行。随着 AI 到来，这种割裂的管理模式已经过时。由 AI 驱动的 DCIM 平台，整合算力、存储、能源、冷却和运维多维度数据，帮助企业深入理解并优化基础设施的实际运行状态。
在这套联动体系中，存储的作用常常被低估。数据中心能耗主要来自算力(CPU、GPU)和冷却系统，存储功耗占比很小。但这种视角过于狭隘：存储并不是一个孤立模块，它会直接影响算力负载与冷却需求。
数据经过合理规整、就近部署、快速读取，能够减少不必要的数据迁移，降低算力资源压力，同时减少无效计算带来的热量。存储效率的优化会在整个基础设施中产生连锁效应：待处理的无用数据变少、数据传输量下降、GPU 利用率提升、能源需求降低、冷却负荷得到优化。
人工智能的发展，确实需要行业建设全新的数据中心、扩充能源供给。但是如果底层的数据体系依旧低效，单纯扩建基础设施远远不够。在要求电网独自扛起 AI 发展重担之前，企业必须正视基础设施中那个看不见的问题 ——幽灵算力。
参与评论 (0)