AI 算力的本质是架构问题：数据中心电力挑战深度分析

2026 年 7 月 22 日，弗吉尼亚州阿什伯恩市的一条输电线路发生故障，在几秒内使该地区——全球最大数据中心集群的核心——超过 3 吉瓦的负荷脱离电网。这并非孤例。两年前，一组失效的浪涌保护器同时导致弗吉尼亚约 60 处设施和 1500 兆瓦负荷掉线。没有人能预料到如此多同质负荷会以完全相同的方式、在完全相同的时刻对电网故障做出响应。

关于 AI 耗电的讨论大多聚焦在发电侧：更多涡轮机、更多太阳能、更多输电线路。电网需要更多电子。但弗吉尼亚的停电并非供应故障，而是架构故障。大量新的互联设施正以上述同样的架构接入，使电网可靠性面临风险。这是一个没人愿意承担的问题。

电网承受的压力越来越大

电网是围绕可预测负荷设计的：钢铁厂、炼油厂、晚餐时间的家庭用电。负荷大小各异，行为模式相同——平稳取电、偶尔异常、优雅恢复。

但 AI 数据中心的表现截然不同。

一个 AI 园区在训练运行时可以在几毫秒内调动 70% 的负荷，一旦上游出现故障迹象便迅速脱机，以保护价值数十亿的算力设备。单独看每台设备的行为都合理。但汇聚在一起、达到吉瓦级别，就成了电网从未解决过的问题——而下一波数据中心园区的规划规模正是如此。

旧架构的三个断裂点

标准数据中心的电力架构数十年来未曾改变。中压电源进入、变压器降压、低压不间断电源（UPS）调压，然后送达机架。将这一设计推到 AI 规模，会在三个地方破裂。

第一，UPS 深藏在建筑内部、靠近机架。但其电池只是一个尺寸不足的备胎，设计用于在停电时支撑几分钟，而非昼夜不停地吸收如此快速、剧烈的负荷波动。

第二，UPS 在大部分生命周期里处于旁路状态。传统转换器损耗过多电力，运营商只好运行节能模式：静态开关让机架直接从电网取电，来电去电均无任何过滤。计算负荷的波动原封不动地输出，而电网瞬变——可能损坏或击垮设备的亚毫秒级事件——来得太快，任何开关都来不及响应。

第三，保护逻辑写于"大负荷"意味着 50 兆瓦的时代。这套保护逻辑无法看清它如今所嵌入的电网全貌，因此当上游发生故障时，它做的恰恰是错事：脱离电网。在 2024 年的弗吉尼亚事件中，大部分损失的负荷可追溯到那些保护方案——它们计数电压跌落并在第三次时断开连接——设计如此，时机却最坏。

这不是粗劣的工程，而是负荷已经超出了其设计边界。

解决方案是三步棋，需同步推进

向上移——从 480 伏升至中压（13.8 千伏及以上），这是大型站点从电网取电的电压等级。

向外移——从数据大厅移至变电站附近的模块化外壳，使建筑内只保留计算设备和为其降温的冷却系统。

移入路径——不再是监控后响应的电池，而是每个电子时刻都要流经的系统。没有需要检测的东西，没有需要切换的东西，因为没有任何东西曾被绕过它路由。

理论上，三项简单的升级。实践中，它们改写了下游的每一个细项。

当数千块 GPU 同时启动时，系统吸收波动，向电网输出平稳的负荷曲线。当扰动发生时，其后端的设备毫无感知。一个难缠的邻居变成了可预测的邻居。当电网需要帮助时，它成为了有用的帮手。

互联方式也随之改变。电力公司只需认证一个中压箱，而无需理清其背后每一台变压器、UPS、冷却器、泵和开关设备的组合。工程师更换芯片代际时无需重新进行互联研究。审批时间线缩短数月。

在围栏内侧，UPS 机房变成计算或冷却空间。每建筑美元对应的密度上升。

经济效益也发生了翻转。运行于中压、置于室外、自行储能的设备有资格享受税收抵免，并在峰谷削峰和需求响应等电网项目中获取收益。备用电源不再是保险，而开始自我偿付。

架构验证

2026 年初，我们在落基山国家实验室（美国能源部设施，也是西半球唯一能在同一回路中同时复现真实电网故障和 AI 级负荷波动的场所）测试了一套全规模系统。

我们从两侧同时施加冲击：真实 AI 负荷曲线以全中压施加到计算侧；电网故障施加到电力侧，包括一次完整的零电压事件。计算侧没有动摇，电网侧也没有。它轻松通过了德克萨斯电力可靠性委员会（ERCOT）的大负荷电压抗扰要求，且留有充足余量。

这些规则之所以存在，是因为运营商不再凭信仰接纳这种规模的设施，而且更多类似设施即将到来。业界大多视其为障碍。中压嵌入式系统则从一开始就将它们清除。合规不是附加功能，而是架构本身所实现的事。

AI 建设中对电网问题的诸多困扰，实际位于围栏内侧，存在于那些为早已不存在的负荷所选型的设备中。将正确的组件向上移、向外移、移入路径，电网负债就变成了电网资产。密度上升，审批时间下降，备用电源开始发挥价值。

工程可行，下一波 AI 工厂正以此为基础建设。业界尚未给这一层命名。我们称之为中压 AI UPS。名称不重要，重要的是选择：这些工厂可以作为电网的负担到来，也可以作为电网的助力到来。我们已经知道如何建造后者。

This content was produced by ON.energy. It was not written by MIT Technology Review's editorial staff.

Artificial intelligence

A fundamental flaw leaves LLMs strikingly vulnerable to attack

It makes it easy to trick them into doing things they shouldn't, such as telling you how to sabotage an aircraft's navigation system.

Will Douglas Heavenarchive page

AI is more likely than humans to form biases when hiring

AI doesn't just learn stereotypes from its training. It can cook up new ones, too.

Michelle Kimarchive page

Here's why AI agents lie and cheat to reach their goals

The misbehavior is called reward hacking. This is what you need to know.

Grace Huckinsarchive page

Bill Gates says we've passed AI's danger thresholds. Now what?

In a new interview, the billionaire philanthropist sounds an alarm on the urgency of getting our AI policies in order.

Mat Honanarchive page

Get the latest updates fromMIT Technology Review

Discover special offers, top stories, upcoming events, and more.