AI 資料中心

3 秒看懂

• 一句話：AI 資料中心是專門為訓練和推論大規模人工智慧模型而設計、建造和運營的集中式計算基礎設施，相比傳統雲端資料中心，它在算力密度、網路架構、散熱與供電體系上做了從晶片到建築的徹底重構。
• 核心變化：通用 CPU 伺服器讓位於以 GPU/XPU 為核心的異構計算叢集，網路從以南北流量為主的葉脊拓撲，轉向東西向超高頻寬、超低延遲的無損互聯，電力供給演變為每機櫃 10 kW→30 kW→100 kW 的升維競賽。
• 價值錨點：一個 10 萬 GPU 叢集的基礎設施投資可達百億美元量級，全球 AI 資料中心的年電力需求正在向多個吉瓦級發展，是算力經濟時代的“數字重工業工廠”。

3 分鐘產業解釋

傳統資料中心服務於網頁、資料庫、企業應用等通用計算，以 CPU 為中心，一臺伺服器功耗 300 500 W，一個機櫃總功率在 5 10 kW。AI 資料中心則圍繞數千甚至數十萬張 AI 加速器（GPU/NPU/TPU）建置，單張 GPU 的峰值功耗可達 450 700 W（甚至更高），單機櫃功率密度迅速突破 40 kW，迫使整個基礎設施堆疊發生根本性改變。

這種改變體現在三個層面：

1. 計算密度爆增：一臺 AI 伺服器內部可整合 8 張 GPU，通過 NVLink 或類似高速互聯形成內部超級計算節點，外部再通過 400G/800G 無損網路連線成萬卡叢集。計算、儲存和網路之間需要重新平衡，否則通訊瓶頸會使昂貴的 GPU 大量空轉。
2. 供電與散熱重構：高密度帶來的散熱從傳統風冷向液體冷卻（冷板式、浸沒式）快速切換，部分領先叢集已經“風液混合”或“全液冷”。供電架構從 12V 轉向 48V 母線，減少電流損耗，並引入分散式電池備份、功率封頂等技術來應對瞬時功率波動和電網容量限制。
3. 物理選址邏輯生變：企業不再只盯著一線城市的低延遲需求，而是尋求電價低、土地充足、電網有餘量的地區（如北歐、美國中部、中東等），甚至專門建設園區級資料中心，與可再生能源電站直接耦合。

產業鏈可以粗分為：晶片→伺服器→網路裝置→基礎設施（電力、冷卻、機櫃）→整合與運營商→最終 AI 客戶（模型廠商、雲端廠商、國家超算中心）。每一環節都因 AI 負載而出現專門的定製化產品，例如 AI 專用的液冷機櫃、400G/800G 專用交換器、GPU 專供的高壓直流電源等。

15 分鐘專家深入

AI 資料中心不是傳統資料中心的簡單放大，而是一個新的架構物種。理解它的深層邏輯，要從五個維度拆解：負載特徵→計算單元→網路拓撲→電力與熱管理→園區級控制平面。

1. 負載特徵決定基礎設施

AI 訓練的主要特徵是“大規模並行、通訊密集、同步僵直”。訓練任務一旦啟動，數萬張 GPU 必須協同完成梯度同步，每一步迭代都受最慢節點的制約。這要求：

• 極低尾延遲的網路：丟包或微突發造成的延遲抖動，會直接拉低叢集有效利用率（MFU，模型 FLOPs 利用率）。因此 AI 網路普遍採用 RDMA over Converged Ethernet (RoCE v2) 或 InfiniBand，並部署顯式擁塞通知（ECN）、優先順序流控制（PFC）等無損機制。
• 高頻寬需求：大型模型張量並行、流水線並行和資料並行都會產生巨大的通訊量。千億引數模型的訓練，每步迭代需要數十 GB 的通訊量，頻寬需求達到 TB/s 級別。

推論負載則更看重即時性和併發度。大語言模型的推論可能涉及 KV 快取管理，導致記憶體頻寬和訪存延遲成為瓶頸。推論叢集更傾向於使用更接近使用者的資料中心（邊緣 POP 點），但同樣開始採用液冷和高密度設計來降低總體擁有成本（TCO）。

2. 計算單元：從晶片到伺服器再到 POD

AI 伺服器的基本計算單元是“GPU 基板”，例如 NVIDIA HGX 基板整合 8 顆 GPU，通過 NVLink 形成全互聯域。多個這樣的基板被裝進一個機櫃，多個機櫃組成一個 POD，再由多個 POD 構成整個園區。

典型層級：

• 1 臺 AI 伺服器：8 GPU，內部 NVLink 頻寬合計數 TB/s（例如 DGX H100 系統約 4.5TB/s）。
• 1 個 SuperPod/叢集域：當前 NVSwitch 域最大可支援數百 GPU（如 Blackwell 架構 576 GPU）通過高速交換實現機架內或跨機架互聯；更大規模（數千 GPU）的叢集域則通過網路（InfiniBand/乙太網路）連線多個 NVLink 域，形成一個邏輯上的“巨型 GPU”。
• 整叢集：多個 SuperPod 通過高效能乙太網路或 InfiniBand 互聯，規模可到萬卡甚至十萬卡。

在這種層級下，網路頻寬和延遲的瓶頸往往出現在 POD 之間的跨聚合層，因此新一代的網路設計引入了 rail-optimized 拓撲（軌道最佳化網路），通過將相同位置的 GPU 放在同一軌道上以降低 AllReduce 通訊步數。

3. 網路拓撲：扁平化與可擴充套件

傳統資料中心多采用 Clos 架構，AI 資料中心則在此基礎上進行定製。比如 NVIDIA 的 DGX SuperPOD 使用了多個層級的網路架構：

• 計算網路（後端）：專用於 GPU 間通訊，採用 InfiniBand NDR/XDR 或 400G/800G 乙太網路，通常為無阻塞或低超額訂閱的胖樹拓撲。
• 儲存網路（前端）：用於資料讀寫、管理，可能複用後端網路或獨立建置，頻寬要求相對較低。
• 帶內管理網路：用於叢集排程、監控。

為了支援 AllReduce 集體通訊模式，網路工程師會精心設計物理連線，使得資料在最少的跳數內完成匯聚與廣播。對於 MoE 模型，還會引入 All-to-All 通訊，這需要對網路進行更細緻的流控設計。

4. 電力架構：從晶片級到電網級

AI 伺服器內部，電流從母線 48V 轉換成晶片需要的低壓大電流（約 0.8V 1.2V），這一步驟的損耗（VR 損失）是熱量的主要來源。業界正轉向：

• 48V 供電：降低傳輸電流，減少 I^2R 損耗,允許更長的機櫃內傳輸距離。
• 功率封頂與動態調節：通過軟體介面即時監測 GPU 功耗，結合訓練任務的繁忙度動態調整功耗上限，避免超載跳閘，並最佳化基礎設施利用率。
• 園區級電力架構：超大規模 AI 訓練園區的總功率可達數百兆瓦甚至吉瓦，通常需要專設變電站，並規劃冗餘的備用發電機組。但考慮到成本和環境影響，很多資料中心更依賴電網+電池+燃料電池的組合，而非純柴油發電機。

5. 熱管理：液冷時代的到來

GPU 的 TDP 從 300W 躍至 700W 甚至更高，風冷需要極大的氣流和風道空間，能效比下降。液冷分為：

• 冷板液冷（Direct-to-Chip）：冷卻液通過固定在晶片上的冷板帶走熱量，可冷卻 80‑90% 的熱量，剩餘熱量仍需風冷或其它方式帶走。
• 浸沒液冷：將整個伺服器浸泡在絕緣冷卻液中，冷卻效率更高，但材料相容性、維護複雜性挑戰較大。

如今大型 AI 資料中心普遍採用“溫水冷卻+再利用”路線：冷卻液溫度較高（例如 40‑45°C），排出的熱水可用於區域供暖或工業預熱，以提升整體能源效率（PUE 趨近於 1.0‑1.1）。部分設施已實現 PUE 低於 1.1。

技術原理

本節從計算並行、通訊集體操作、網路擁塞控制及供電散熱的底層機制展開，呈現一個 GPU 核心如何與數百公里外的冷卻水泵產生物理關聯。

大規模並行訓練的通訊核心：Ring AllReduce 與樹形演算法

假設一個叢集有 N 個 GPU，每個GPU上的梯度為 G(k)。AllReduce 的目標是在所有 GPU 上計算全域性梯度 ∑G(k)。

Ring AllReduce：GPU 排成邏輯環，每個 GPU 將資料分成 N-1 塊。執行 Scatter-Reduce 階段，相鄰節點收發累加；再執行 AllGather 階段，將完整結果廣播回所有節點。傳輸資料量為 2×(N-1)/N × 總資料量，頻寬效率高，但延遲受環的跳數影響，適用於頻寬受限場景。

雙樹演算法：建置兩棵不相交的二叉樹，一棵做歸約，一棵做廣播，資料量為 2×總資料量，延遲對數級，更適合高延遲網路。

現代大規模叢集往往採用混合策略（NCCL 庫中實現）。對於 MoE 模型，All-to-All 通訊成為關鍵路徑，要求網路的全域性頻寬和顯式擁塞控制。

Ring AllReduce 示意（以 4 個 GPU 為例）：
   GPU0 ──→ GPU1 ──→ GPU2 ──→ GPU3
     ↑                           │
     └───────────────────────────┘
   Scatter-Reduce 後 AllGather 迴環。

並行策略的物理對映

• 資料並行（DP）：每個 GPU 持有一份完整模型副本，處理不同資料小批次，梯度同步靠 AllReduce。
• 張量並行（TP）：單層矩陣乘法沿行或列切分到多 GPU，內層通訊為 AllReduce，頻寬要求高，通常在高速 NVLink 域內（單機或單機架）。
• 流水線並行（PP）：不同層放在不同 GPU，互相傳遞啟用值，通訊模式為點對點（Send/Recv），頻寬需求相對較低。
• 序列並行：將長序列切分，每個裝置持有一部分，配合 Ring Attention 等實現，通訊模式複雜。

混合並行（3D 並行）要求網路在 NVLink 域、機架內、跨機架三層頻寬呈階梯下降，同時延遲要求逐步放寬。一個設計良好的 AI 資料中心，其網路結構必須與這個物理層級合拍，否則就會出現“昂貴的 GPU 等著資料”的狀態。

無損網路的關鍵機制

AI 後端網路要求零丟包、低延遲，不同網路技術採用不同機制實現無損傳輸：

• InfiniBand 網路基於鏈路層信用流控（Credit-based Flow Control），從根本上避免緩衝區溢位丟包。
• RoCE v2 網路則常結合 PFC（優先順序流量控制） 和 ECN + DCQCN 等機制來應對擁塞：PFC 在接收端緩衝區超過閾值時暫停對應優先順序佇列的傳送，避免丟包，但可能引發頭部阻塞和風暴；ECN + DCQCN 通過端到端擁塞控制，傳送方根據帶 ECN 標記的包比例調整發送速率。此外，自適應路由等技術也可用於提升整體頻寬利用率。

在實際部署中，對於 RoCE 網路，工程師會精細調節 PFC 和 ECN 的門限，並配合資料中心級的端側 RDMA 實現低 CPU 開銷的遠端記憶體訪問。

供電鏈路的物理約束

從電網進入變電站後，中壓（如 10kV）送入資料中心內部變電室，降壓至低壓（如 400V），再經過 UPS（不間斷電源）和配電單元（PDU），最終交付給機櫃內的 PSU（電源供應單元）。在≥30kW機櫃中，傳統的 12V 配電損耗過大，因而 48V 母線方案流行。PSU 將交流轉換成 48V 直流，在機櫃內通過機架配電到底板，再由 VR 直接給 GPU 供電。

所有元件都必須承受高瞬變電流：GPU 的訓練負載呈現尖峰特徵，從空閒幾百瓦到滿載 700W 可能在微秒內發生，會給電網和 UPS 帶來諧波與瞬降，需要藉助板載電容、功率平滑演算法甚至飛輪儲能來緩衝。

技術演進史

• 2012‑2015：萌芽期。深度學習的早期訓練在少量 GPU 上進行，利用的仍然是通用 HPC 叢集或傳統雲端中的 GPU 例項。網路多為 10GbE/40GbE，機架功率仍屬常規。
• 2016‑2019：定製化初現。Transformer 興起，模型規模迅速增加，NVIDIA 推出 DGX-1 和後續 DGX 系統，內部 NVLink 互聯，跨節點用 InfiniBand EDR（100Gbps）。液冷開始在超算中心試水，但主流仍是風冷。
• 2020‑2022：千卡叢集規範化。GPT-3 類模型需數千 GPU 同時訓練。網路升級到 200Gbps/400Gbps，InfiniBand HDR 和 RoCE v2 成熟。機櫃功率密度達到 15‑25kW，部分設施採用後門換熱器或行級製冷，PUE 約 1.1‑1.2。
• 2023‑2025：萬卡/十萬卡時代。大語言模型和 MoE 架構使叢集規模躍升數倍，節點數突破 10,000 GPU 甚至更多。供電架構全面向 48V 和液冷轉變，新建設施多要求 PUE<1.1，園區的總電力合同可達數百兆瓦。網路進入 800Gbps 時代，NVSwitch 實現機架內高速互聯。同時，高密度液冷機櫃開始商業化，冷板液冷成為主流方案之一。定製 AI 晶片（如 Google TPU v5p，AWS Trainium2）以及多種 GPU/XPU 的比拼也促使資料中心的設計更加多元化。

技術路線對比

維度	傳統雲端資料中心	AI 訓練資料中心（主流）	前沿 AI 資料中心（萬卡+）
核心處理器	CPU（通用）	GPU（NVIDIA H100 系列等）	多型別 XPU 混合，定製 ASIC
單機櫃功率	5 10 kW	20 40 kW	50 100 kW+
網路後端	25 100 GbE	400G InfiniBand/RoCE	800G 甚至 1.6T 光互聯
主要散熱	風冷	液冷+風冷混合（冷板為主）	全液冷（冷板/浸沒）
PUE	1.2‑1.4	1.1‑1.15	≤1.1（目標甚至 1.05）
電力架構	交流UPS + 12V PSU	48V 或 12V，鋰電 UPS	48V 直流 + 大容量鋰電 + 備載燃氣/氫
拓撲最佳化	通用 Clos	軌道最佳化 + 自適應路由	超圖割最佳化、光交換器動態重構
可用性要求	99.99%	訓練可容忍作業失敗重啟，可用性要求相對低	極端規模時，MTBF 成為瓶頸，需設計彈性訓練

注：具體引數因廠商和代際而異，表中為行業估算範圍。

上下游

上游（核心元件與基礎設施）

• 晶片與板級元件：GPU/NPU/TPU 等 AI 加速器（NVIDIA、AMD、Intel、自研）；高速記憶體（HBM，供應商 SK 海力士、三星、美光）；交換晶片（Broadcom、Marvell、NVIDIA）；電源管理 IC、多相 VR、功率電感等。
• 連線與光模組：光模組 DSP（Marvell、Credo）、光晶片/雷射器（Lumentum、Coherent）；光纖、電纜（AEC/ACC 等直接銅纜）；聯結器及液冷接外掛。
• 散熱與機電設施：冷板元件（Cooler Master、Boyd、Auras）、CDU（冷量分配單元）、冷水機組（Carrier、Trane）、精密空調；高壓直流電源、UPS（Vertiv、Eaton、華為）；柴油/燃氣發電機；大型變壓器與配電櫃。

中游（整合與解決方案）

• 伺服器與機櫃：ODM 廠商（廣達、緯穎、富士康、英業達）；品牌商（Dell、HPE、聯想、Supermicro 等）；液冷機櫃解決方案商。
• 網路裝置：交換器（Arista、Cisco、NVIDIA、新華三）；網絡卡 SmartNIC/DPU。

下游（運營與租用）

• 超大規模使用者：微軟 Azure、AWS、Google Cloud、Oracle Cloud、Meta、xAI 等自建或者大規模定製租賃。
• 算力租賃/AI 雲端：CoreWeave、Lambda Labs、國內各計算中心等，提供按小時或長期租用算力服務。
• 模型廠商與大型企業：OpenAI、Anthropic、國內大型模型廠商，部分自建、部分租用。

關鍵指標

• 模型 FLOPs 利用率（MFU）：實際達到的計算吞吐量佔 GPU 理論峰值 FLOPs 的比例，是衡量叢集效率的核心指標。頂級叢集訓練大型模型時 MFU 通常在 30‑50%，設計不當可能低至 10%。
• 每秒浮點運算次數（FLOPS）：整個叢集的理論峰值 FP16/FP8 算力，通常以 E（百億億次）衡量。示例：數千 H100 叢集可提供數 ExaFLOPS 的 AI 算力。
• 網路頻寬與通訊開銷：計算時間與通訊時間的比率。當每個 GPU 的通訊頻寬需求超過可用頻寬時，GPU 停頓增加。指標包括每 GPU 的雙向頻寬（如 400GB/s NVLink + 400Gb/s 外部）和整體二分頻寬與總聚合頻寬之比。
• 電力使用效率（PUE）＝ 資料中心總能耗 / IT 裝置能耗，理想值為 1.0。前沿 AI 園區可做到 1.05‑1.10。
• 水使用效率（WUE）：冷卻用水（蒸發、補水等）與 IT 裝置能耗的比值，液冷比風冷通常更節水（因為閉迴圈）。液冷多采用溫水，減少蒸發。
• 建設成本與 TCO：單 GPU 機櫃的基礎設施投資可達 20‑50 萬美元；長期 TCO 中，電力成本佔主導，因此選址對電價高度敏感。
• 可用度與彈性：訓練叢集通常不要求傳統 5 個 9 的高可用，但大規模下硬體故障頻發，需要自動故障恢復和檢查點過載來實現彈性訓練。平均無故障時間間隔（MTBI）可能只有數小時，要求架構和排程器在數分鐘內恢復。

供需與市場資料

• 市場規模：全球資料中心 CapEx 已進入高強度週期，AI 相關基礎設施佔比快速提升；具體總額、超大規模雲端廠商合計支出和 AI 佔比需逐公司年報、CapEx 展望或權威行業報告核驗，本文不寫未溯源硬數。
• 算力需求：大型模型訓練與推論需求持續推高 AI 加速卡、網路和供電冷卻需求；具體 GPU 出貨量、訓練算力倍數和年度增速需按廠商出貨、雲端廠商採購和供應鏈報告交叉核驗。
• 電力約束：在主要樞紐（如北維吉尼亞、都柏林），電網容量成為新建的最主要障礙，部分割槽域的新資料中心需等待數年才能獲得充足供電，導致專案向電力充裕地區外溢。
• 供應瓶頸：先進封裝（CoWoS）產能、HBM 記憶體、關鍵電源模組等均長期處於緊平衡或短缺狀態，影響了 AI 伺服器的交付速度。
• 區域分佈：美國仍是 AI 資料中心投資核心區域，亞太、中東和北歐也因雲端需求、能源與政策條件吸引大型專案；區域佔比需以專案資料庫或機構報告核驗。

以上涉及規模、出貨量和區域佔比的判斷，需以廠商季報、CapEx 展望和權威行業報告複核後再寫入具體數值。

代表公司與資本對映

晶片與核心 IP

• NVIDIA（提供從晶片、NVLink、InfiniBand 到參考架構的全棧方案，是 AI 資料中心實際標準制定者）
• AMD（Instinct 系列 GPU，開放生態）
• 博通（交換晶片、定製 ASIC 設計服務）
• Marvell（資料中心光模組 DSP、定製 XPU）

伺服器與系統整合

• 廣達、緯穎、Supermicro、Dell、HPE：主要白牌或品牌 AI 伺服器製造商，直接受益於 GPU 出貨量增長。

網路裝置

• Arista Networks：超大規模資料中心交換器的領軍者，大量部署於 AI 後端網路。
• 思科：向 AI 網路轉型，收購 Splunk 等延伸可觀測性。
• Coherent、Lumentum：800G 光模組及部件供應商。

電力與冷卻

• Vertiv、Eaton、施耐德電氣：UPS、配電、液冷系統整合;
• Cooler Master、Boyd：冷板熱管理解決方案；
• Carrier、Trane、Daikin：大型冷水機組及相關服務。

IDC 運營商與算力商

• 易昆尼克斯、數字房地產（Digital Realty）：全球領先的託管資料中心，正在建設大量 AI 就緒設施。
• CoreWeave（已上市）：以 GPU 加速計算為核心的雲端廠商，市值一度超數百億美元。
• 國內萬國資料、秦淮資料、資料港等，紛紛轉向液冷高密度改造。

資本邏輯：直接投資 AI 資料中心的底層資產（物業、電力、晶片）類似基礎設施投資，但技術迭代過快導致折舊週期短。投資者傾向於版面配置具有定價權和高進入壁壘的環節，如核心光模組晶片、液冷全棧解決方案、關鍵電力部件等。

投資邏輯

1. 供需錯配與時間套利：電力審批、供應鏈限制導致優質 AI 資料中心交付週期長達 2‑3 年，率先鎖定電力容量和關鍵裝置供應的企業，將享受先發租金溢價。
2. 電力即新貨幣：在可用電力緊張的樞紐市場，擁有中壓電力合同的運營商具備稀缺資源，投資價值從“平方米”變為“千瓦”。關注電力資產整合商。
3. 液冷滲透率曲線：液冷目前滲透率仍較低（約 10‑20%，按新建設施計），隨著 GPU TDP 繼續上升，預計 2026‑2027 年將成為主要散熱方案，產業鏈上專精冷板、CDU、快接頭的企業有長期增長機會。
4. 網路升級週期：每一代 GPU 都需要對應速率的網路互聯，從 400G 到 800G 再到 1.6T 的升級將在幾年內完成，光模組、交換晶片頭部企業將享有明確的量價齊升邏輯。
5. 下游租用模式分化：大廠自建，小型公司租用。專注 GPU 即服務的新型雲端服務商（Neocloud）在資本市場的估值取決於長期合約和利用率，需關注其客戶集中度和續約率。
6. 風險：AI 模型路線可能轉向更高效的推論或邊緣部署，導致訓練需求暫時放緩；技術突破（如光學互聯、片上記憶體）可能改變資料中心架構，提前使現有液冷和網路投資貶值；地緣政治導致晶片出口管制，改變區域供需格局。

常見誤讀糾偏

1. “AI 資料中心只是一個有很多 GPU 的機房”
   • 糾偏：單純堆積 GPU 並不能線性提升效能。如果沒有適配的網路拓撲、散熱與電力系統，大量 GPU 會因通訊阻塞和熱降頻導致利用率極低。一個萬卡叢集的投資中，GPU 佔總成本可能僅一半左右，其餘是網路、儲存、冷卻和電力部署，且需要深度協同設計。
2. “模型引數越多，需要的 GPU 記憶體越大，所以 AI 資料中心只是記憶體容量戰”
   • 糾偏：記憶體容量只是約束之一。實際也強調記憶體頻寬（HBM 頻寬）、晶片間頻寬（NVLink/Infinity Fabric）和節點間頻寬。很多大型模型訓練受限於網路延遲和頻寬，而非純 HBM 容量。設計資料中心需考慮所有層級頻寬的層次化匹配，否則“木桶效應”會浪費大量昂貴的算力。
3. “液冷就能讓 PUE 下降很多”
   • 糾偏：液冷降低的是冷卻系統的能耗，但如果供電裝置（UPS、變壓器）效率低、照明和輔助系統耗電過高，PUE 仍會較差。PUE 改善需要從晶片級到電網級的整體最佳化，液冷是必要但不充分條件。此外，液冷的實施成本（CAPEX）和運維複雜性也可能抵消一部分能源節約。

學習路徑

1. 入門概念：閱讀 NVIDIA DGX 系統白皮書，理解 GPU 叢集的建置塊。關注“超大規模資料中心”公開展示的架構（如 Meta、Google 的論文）。
2. 網路深入：學習《High-Performance Data Center Networks》相關內容，瞭解 Clos、胖樹、軌道最佳化；研究 RoCEv2 和 InfiniBand 的基礎知識，閱讀微軟、阿里等發表的 AI 網路論文。
3. 電力與冷卻：閱讀 The Uptime Institute 關於功率密度和液冷的報告；瞭解 48V 架構和 ORv3（Open Rack version 3）等標準。ASHRAE TC 9.9 提供的熱指南也是重要的參考資料。
4. 行業追蹤：關注超大規模廠商的季度財報電話會議（亞馬遜、Google、微軟、Meta），其中會揭露資本支出方向和基礎設施趨勢。追蹤專業資料中心分析機構（如 Omdia、LightCounting）的出貨和預測資料。
5. 前沿實踐：學習 xAI 的 Colossus 叢集、Meta 的 Research SuperCluster 等公開案例，理解從專案談判到上線運營的全流程。

一句話總結

AI 資料中心並非機房的升級版，而是為大規模神經網路量身定製的“算力工廠”，它以晶片為原子、網路為血管、電子為血液、冷卻為體溫調節，重新定義了基礎設施的物理與經濟規則。

延伸閱讀與來源

• NVIDIA. DGX SuperPOD Reference Architecture.
• Meta. The Research SuperCluster (RSC).
• Google. Jupiter Evolving: Transforming Google’s Datacenter Network.
• Microsoft. Project Forge: Network for Large-scale AI Training.
• Uptime Institute. Annual Data Center Survey（多次報告高密度趨勢）.
• Omdia, Data Center Thermal Management Report.
• 行業財報：NVIDIA, Broadcom, Arista, Vertiv 等公司的季度報告和投資者演示，提供了出貨量、營收趨勢和資本支出展望。

由於網際網路檢索暫不可用，具體引用網址無法列出，建議通過上述關鍵詞直接搜尋獲取最新官方資料。部分資料為行業公開共識，具體盈利與財務資料請查閱公司官方最新財報。