[Аналитика ИИ-инфраструктуры] Почему питание и охлаждение стали следующей проблемой для ИИ-дата-центров

ИИ больше не определяется одной моделью или ИИ-процессором. Чтобы ИИ эффективно работал в реальных сервисах и промышленных приложениях, необходимы более быстрые вычисления, более широкая пропускная способность памяти, высокопроизводительные сети, более эффективное хранение данных, а также более стабильное питание и охлаждение, работающие как единое целое. Именно поэтому конкуренция в сфере ИИ смещается от отдельных технологий к проектированию и эксплуатации всей инфраструктуры в целом.

В серии «Аналитика ИИ-инфраструктуры» мы исследуем, как эволюционирует архитектура ИИ-инфраструктуры — от вычислений, памяти, хранилищ, сетей, питания и охлаждения до того, как они объединяются в единую систему, и что это означает для отрасли.

[Обзор серии] ① Что меняется внутри ИИ-дата-центров? ② Почему одни только быстрые графические процессоры (GPU) не могут обеспечить производительность ИИ ③ Почему питание и охлаждение стали следующей проблемой для ИИ-дата-центров ④ Как будет проектироваться ИИ-инфраструктура будущего

Конкуренция в области ИИ-инфраструктуры выходит за рамки обеспечения более высокой вычислительной производительности и переходит к поддержанию этой производительности на надежном уровне и ее эффективной эксплуатации в реальных дата-центрах. Архитектура ИИ-дата-центра, рассмотренная в части 1, и проблемы перемещения данных, обсуждавшиеся в части 2, в конечном итоге приводят к двум практическим вопросам: электроснабжению и терморегуляции. В средах, где одновременно работают большое количество систем, способность обеспечить стабильное питание и эффективно управлять выделяемым теплом с помощью охлаждения определяет производительность и масштабируемость.

В результате питание и охлаждение больше не являются вопросами, которые нужно решать после постройки дата-центра, а становятся ключевыми требованиями, которые должны учитываться на этапе первоначального проектирования. Стабильная подача питания и эффективное управление тепловыми процессами также необходимы для полноценного использования производительности более быстрых ускорителей, высокой пропускной способности памяти и высокоскоростных сетей.

Рост спроса на электроэнергию по мере расширения ИИ-инфраструктуры

По мере роста объемов обучения и вывода ИИ увеличиваются вычислительные нагрузки, которые должны обрабатывать дата-центры, и мощность, необходимая для их поддержки. Поскольку высокопроизводительное оборудование, такое как ИИ-ускорители*, память, сетевые устройства и системы хранения данных, становится все более концентрированным и эксплуатируется одновременно на уровне стоек* и кластеров, масштаб мощности, которую дата-центры должны надежно обеспечивать и поставлять, стремительно растет.

* ИИ-процессор: полупроводниковое или вычислительное устройство, предназначенное для быстрой обработки крупномасштабных вычислений, необходимых для обучения и вывода ИИ. Примеры включают GPU, NPU и TPU. * Стойка (Rack): физическая инфраструктурная единица, предназначенная для размещения нескольких серверов, а также сетевого оборудования, систем питания и охлаждения.

Этот сдвиг приводит к увеличению потребления электроэнергии дата-центрами по всему миру. Международное энергетическое агентство (МЭА) оценивает, что в 2024 году мировые дата-центры потребили около 415 ТВт·ч* электроэнергии, что составляет примерно 1,5% от мирового потребления электроэнергии. МЭА прогнозирует, что к 2030 году эта цифра может более чем удвоиться, достигнув примерно 945 ТВт·ч. В частности, ожидается, что потребление электроэнергии ускоренными серверами*, которые тесно связаны с ростом ИИ, будет увеличиваться в среднем на 30% ежегодно в период с 2024 по 2030 год.

* Тераватт-час (ТВт·ч): единица потребления электроэнергии. Один ТВт·ч эквивалентен 1 миллиарду кВт·ч. * Ускоренный сервер: сервер, оснащенный специализированными вычислительными устройствами, такими как GPU или ИИ-ускорители, для повышения производительности обучения и вывода ИИ.

В Соединенных Штатах расширение дата-центров также повышает важность обеспечения адекватной энергетической инфраструктуры. По оценкам McKinsey, на долю дата-центров может приходиться около 75% прогнозируемого роста спроса на электроэнергию в США в течение следующего десятилетия. Если текущие темпы строительства сохранятся, дата-центры будут строиться со скоростью, требующей эквивалента почти 30 ГВт* мощности каждый год*. Эта цифра включает не только электроэнергию, потребляемую ИТ-оборудованием, таким как серверы, системы хранения и сетевые системы, но и системы охлаждения, оборудование для распределения питания и резервные мощности, необходимые для надежной работы.

* ГВт: один ГВт эквивалентен 1 миллиону кВт. * McKinsey & Company, «Powering AI: How real is the risk of overbuilding?», 31 июля 2026 г.

Таким образом, масштабируемость ИИ-инфраструктуры напрямую связана с эксплуатационными возможностями дата-центров, которые ее поддерживают. Для непрерывной работы крупномасштабного оборудования требуются достаточная энергетическая инфраструктура и системы охлаждения, а также эксплуатационный запас для покрытия пиковых нагрузок*. Именно поэтому ограничения на расширение ИИ выходят за рамки производительности отдельных полупроводников и распространяются на эксплуатационные возможности дата-центра в целом.

* Пиковая нагрузка: максимальный уровень спроса на электроэнергию в течение определенного периода. Дата-центры должны учитывать достаточный резерв мощности для поддержания надежной работы даже во время пиковых нагрузок.

В ИИ-дата-центрах электроэнергия потребляется не только ускорителями, но и всей системой, включая память, хранилища и сетевое оборудование. Перемещение данных, обсуждавшееся в части 2, также способствует росту энергетических потребностей. По мере того как данные перемещаются между несколькими уровнями, а объем и частота перемещения данных увеличиваются, энергия, необходимая для передачи данных, также может возрастать.

Более высокое энергопотребление также означает, что оборудование выделяет больше тепла. Охлаждение дата-центра можно условно разделить на два этапа: отвод тепла, выделяемого серверами и стойками, и передача полученного тепла за пределы объекта. Первый этап использует такие методы, как воздушное и жидкостное охлаждение, в то время как второй опирается на циркуляцию хладагента и системы теплообмена. Оба этапа требуют дополнительных затрат энергии. Потери эффективности также возникают при преобразовании и распределении электроэнергии, поступающей извне, в формы, которые могут использовать серверы и другое оборудование. В конечном счете, эффективность ИИ-дата-центра зависит не только от характеристик одного полупроводника, но и от эффективности всей системы — от вычислений и перемещения данных до преобразования питания и охлаждения.

В частности, по мере развертывания все большего количества высокопроизводительного ИИ-оборудования плотность мощности* и тепловыделение на уровне стоек растут, что делает терморегуляцию все более важной. Недостаточное охлаждение может привести к тому, что процессоры будут снижать рабочие частоты, что снижает производительность и влияет на надежность оборудования, срок службы и затраты на техническое обслуживание. В результате охлаждение стало фактором, который необходимо учитывать на самых ранних этапах проектирования наряду с конфигурациями серверов, стоек и кластеров, а также архитектурой корпусирования* и распределения питания.

* Плотность мощности: количество энергии, потребляемой в пределах заданного пространства. В центрах обработки данных (ЦОД) этот термин обычно используется для описания энергопотребления на уровне стойки или серверного помещения и измеряется в киловаттах (кВт). * Корпусирование (Packaging): технология, которая обеспечивает электрическое соединение и защиту полупроводниковых чипов для их использования в реальных системах. В высокопроизводительных полупроводниках корпусирование также тесно связано с межчиповыми соединениями, отводом тепла и эффективностью подачи питания.

Важность проектирования систем охлаждения возрастает по мере того, как оборудование для ИИ становится все более плотно интегрированным. Хотя плотность стоек в центрах обработки данных по-прежнему значительно варьируется, в некоторых высокоплотных средах уже намечаются изменения. Согласно глобальному исследованию центров обработки данных Uptime Institute за 2025 год, 82% респондентов заявили, что самые плотные стойки на их объектах потребляют менее 30 кВт, в то время как в некоторых шкафах этот показатель превышает 100 кВт. Высокоплотная инфраструктура ИИ еще не стала нормой, но плотность мощности в некоторых областях уже достигает уровней, с которыми трудно справиться при использовании традиционных систем питания и охлаждения.

По мере увеличения плотности стоек меняются и методы охлаждения. Традиционное воздушное охлаждение по-прежнему широко используется, но в высокоплотных системах ИИ ключевыми технологиями становятся жидкостное охлаждение* и охлаждение вблизи кристалла (near-junction cooling)*, которые отводят тепло ближе к источнику его возникновения. В частности, по мере того как высокопроизводительные процессоры и память размещаются все ближе друг к другу, возрастает потребность в структурах, способных эффективно рассеивать тепло. В результате фокус проектирования систем охлаждения смещается с управления температурой всего пространства центра обработки данных на непосредственный контроль тепла в точках его концентрации, таких как стойки и процессоры. Именно поэтому корпусирование полупроводников и тепловое проектирование необходимо рассматривать в комплексе.

* Жидкостное охлаждение: метод охлаждения, при котором для отвода тепла, выделяемого серверами и полупроводниками, вместо воздуха используются жидкости, такие как вода или хладагент. Он привлекает внимание как способ эффективного управления теплом в высокоплотном оборудовании для ИИ. * Охлаждение вблизи кристалла (Near-junction cooling): метод охлаждения, который отводит тепло в непосредственной близости от тепловыделяющих полупроводников, таких как процессоры и память. За счет сокращения расстояния между источником тепла и охлаждающим оборудованием он помогает эффективно управлять теплом в высокоплотных системах.

☑︎ Отработанное тепло центров обработки данных: источник отопления для городов в эпоху ИИ. Энергетические возможности выходят за рамки самих объектов ЦОД. В Хамине, Финляндия, реализуется проект по утилизации отработанного тепла от Google центра обработки данных для нужд централизованного теплоснабжения. Google предоставляет тепло, полученное от своего центра обработки данных, местной сети централизованного теплоснабжения, что позволяет компании Haminan Energia покрывать около 80% потребностей в отоплении жилых домов, школ и общественных зданий в этом районе. Утилизация отработанного тепла зависит от ряда факторов, включая местную сеть централизованного теплоснабжения, климат, расположение центра обработки данных, инфраструктуру рекуперации тепла и эксплуатационные расходы, что означает, что данная технология не может быть применена повсеместно к каждому центру обработки данных. Тем не менее, проект значим тем, что рассматривает тепло, генерируемое центрами обработки данных, не просто как побочный продукт, подлежащий утилизации, а как ресурс, который можно интегрировать с местной инфраструктурой. Это пример расширения концепции эффективности центра обработки данных за пределы внутреннего энергопотребления и затрат на охлаждение, включая использование генерируемого тепла. Источник изображения: Google

☑︎ Отработанное тепло центров обработки данных: источник отопления для городов в эпоху ИИ

Энергетические возможности выходят за рамки самих объектов ЦОД. В Хамине, Финляндия, реализуется проект по утилизации отработанного тепла от центра обработки данных Google для нужд централизованного теплоснабжения. Google предоставляет тепло, полученное от своего центра обработки данных, местной сети централизованного теплоснабжения, что позволяет компании Haminan Energia покрывать около 80% потребностей в отоплении жилых домов, школ и общественных зданий в этом районе.

Утилизация отработанного тепла зависит от ряда факторов, включая местную сеть централизованного теплоснабжения, климат, расположение центра обработки данных, инфраструктуру рекуперации тепла и эксплуатационные расходы, что означает, что данная технология не может быть применена повсеместно к каждому центру обработки данных. Тем не менее, проект значим тем, что рассматривает тепло, генерируемое центрами обработки данных, не просто как побочный продукт, подлежащий утилизации, а как ресурс, который можно интегрировать с местной инфраструктурой. Это пример расширения концепции эффективности центра обработки данных за пределы внутреннего энергопотребления и затрат на охлаждение, включая использование генерируемого тепла.

Источник изображения:

Спрос на электроэнергию со стороны инфраструктуры ИИ быстро растет, но продолжать расширять мощности по электроснабжению и охлаждению, доступные для центров обработки данных, с той же скоростью сложно. Расширение сетевых подключений, генерации электроэнергии и инфраструктуры передачи требует времени и инвестиций, в то время как сами центры обработки данных сталкиваются с физическими ограничениями по объему получаемой энергии и количеству тепла, с которым они могут справиться. В результате, наряду с обеспечением дополнительной энергией, еще одной задачей для инфраструктуры ИИ является повышение эффективности использования этой энергии.

Важным показателем в этом контексте является производительность на ватт*. Если центр обработки данных может обрабатывать больше запросов на логический вывод при том же объеме потребляемой энергии или обеспечивать ту же производительность при меньших затратах энергии, он может повысить как операционную эффективность, так и потенциал для расширения. Таким образом, энергоэффективность — это не просто способ сокращения затрат; она стала ключевым фактором, определяющим, насколько масштабируемыми могут быть сервисы ИИ в рамках существующих инфраструктурных ограничений.

* Производительность на ватт: показатель эффективности, указывающий, какой объем вычислений или сколько задач может быть обработано при использовании заданного количества энергии.

Это также меняет роль проектирования полупроводников и систем. Процессоры и память должны проектироваться с учетом не только производительности обработки, но и энергопотребления и перемещения данных, в то время как программное обеспечение должно координировать распределение рабочих нагрузок и время выполнения для эффективного использования системных ресурсов. Чтобы обрабатывать больше рабочих нагрузок при том же объеме энергии, ускорители, память, серверы, стойки, системы охлаждения и программные операции должны быть скоординированы для достижения одной и той же цели.

Эти изменения также меняют критерии инвестирования в центры обработки данных. То, где можно надежно обеспечить электроснабжение и как можно управлять выделяемым теплом, влияет на то, где строятся центры обработки данных и к какой инфраструктуре они подключаются. В результате, помимо земельных участков и доступа к сети, ключевыми факторами при инвестировании в центры обработки данных для ИИ и выборе площадки становятся наличие электроэнергии, возможность подключения к сети, ресурсы для охлаждения и эксплуатационные расходы. Облачные компании и операторы центров обработки данных должны учитывать не только серверное оборудование, но и стратегии закупок энергии, инфраструктуру охлаждения и способы подключения объектов к местным электросетям.

Роль компаний, занимающихся технологиями электропитания и охлаждения, также возрастает. Силовое оборудование, системы охлаждения, технологии теплообмена, строительство центров обработки данных, эксплуатация электросетей и цепочки поставок энергии становятся все более тесно интегрированными с инфраструктурой ИИ. McKinsey отмечает, что по мере концентрации центров обработки данных в существующих и развивающихся региональных хабах, несоответствие между расположением площадок и мощностью энергосетей может привести к проблемам с энергоснабжением в тех районах, где инфраструктура генерации и передачи энергии уже работает на пределе возможностей.

Центры обработки данных в эпоху ИИ должны обеспечивать как высокую вычислительную мощность, так и операционную эффективность, необходимую для ее поддержания.

Чтобы надежно обрабатывать растущие рабочие нагрузки ИИ в условиях ограниченных мощностей энергоснабжения и терморегулирования, процессоры, память, серверы, системы охлаждения и программное обеспечение должны работать как единая система, согласованная с энергоснабжением и эксплуатацией центров обработки данных. Конкуренция в сфере инфраструктуры ИИ теперь выходит за рамки производительности отдельных технологий и охватывает энергетику, цепочки поставок и операционные возможности.

В следующей части будет рассмотрено, как эти изменения меняют фундаментальную единицу проектирования инфраструктуры ИИ. Будет изучена эволюция систем ИИ по мере их перехода от отдельных серверов к архитектурам, ориентированным на стойки и кластеры.