AI за енергетиката и подводният център за данни на Китай
24 мегавата е водещото число в новото подводно съоръжение в Шанхай, а само тази стойност казва много за посоката, в която се движи AI за енергетиката. Проектът, изграден от HiCloud Technology и China Communications Construction, не е просто инженерен експеримент; той е реален тест за това как държавите могат да посрещнат търсенето на AI с по-ниски разходи за охлаждане, по-добра енергийна ефективност и по-голям дял на възобновяема енергия. Според материал, преведен от WIRED en Español, обектът комбинира офшорна вятърна енергия и морско водно охлаждане в момент, когато ръстът на изчислителните мощности променя инфраструктурните решения.
Китай открива първия подводен център за данни с офшорна вятърна енергия
Проектът се намира в специалната зона Lin-gang в Шанхай, в рамките на China Pilot Free Trade Zone, като модулите са потопени на около 10 метра под водата. Началният му капацитет е 24 MW, а оперативният модел е проектиран да използва морската вода като естествена охладителна система, вместо да разчита основно на конвенционална климатизация.
Това е важно, защото охлаждането остава един от най-слабо гъвкавите разходи в AI инфраструктурата. В стандартен наземен обект охладителните системи могат да формират 40 до 50 процента от общото електропотребление, както отбелязва изходният материал. За сравнение, китайският проект цели енергията за охлаждане да остане под 10 процента от общото потребление — сериозно намаление, ако бъде постигнато в реална експлоатация.
Съоръжението е забележително и заради енергийния си източник. HiCloud вече пусна търговски подводен център за данни в Хайнан през 2023 г., но комплексът в Шанхай е първият, за който се съобщава, че работи с офшорна вятърна енергия. За бизнес лидерите, които следят услугите по AI внедряване и инфраструктурния риск, именно това е по-важният сигнал: разширяването на изчислителния капацитет все по-често зависи от места, където чиста енергия и ефективно охлаждане могат да бъдат осигурени заедно, а не поотделно.
Защо проектът има значение за търсенето на AI инфраструктура
По-широкият контекст е ясен: ръстът на AI превръща енергийното планиране в тема на ниво борд. Скорошен доклад на ООН, цитиран в изходното отразяване, посочва, че само 32 държави разполагат със специализирани за AI центрове за данни, а около 90 процента от тази инфраструктура е концентрирана в Китай и Съединените щати. Тази концентрация означава, че капацитетът вече не е само софтуерен въпрос. Той е и въпрос на локация, мрежа и снабдяване.
За компаниите в технологичната инфраструктура, енергетиката и производството това променя начина, по който трябва да се оценява AI стратегията. Ключовото ограничение може да не е изборът на модел. То може да е достъпът до надеждно електрозахранване, приемлива оперативна цена и достатъчна термична ефективност, за да остане разширяването жизнеспособно.
Друг практически извод е, че инфраструктурният дизайн вече влияе върху последващите решения за AI бизнес автоматизация. Ако изчислително интензивните натоварвания станат по-скъпи в региони с високи температури и напрегнати електрически мрежи, компаниите ще трябва да са по-селективни къде разполагат обучение, inference, анализи и AI automation agents.
Получавайте по една практична бележка за AI програми всяка седмица. Абонирайте се за бюлетина на Encorp.
Числата зад твърдението за ефективност
Най-силната причина тази история да заслужава внимание е плътността на измеримите твърдения. Според проектното изявление на китайското правителство, подводният обект е проектиран да използва над 95 процента зелена електроенергия, да намали енергийното потребление с 22,8 процента и да свие използването на вода и земя със 100 процента и над 90 процента съответно спрямо традиционните наземни центрове за данни.
Втори ключов показател е PUE 1.15. Както Google обяснява в своя обзор за ефективността на центровете за данни, power usage effectiveness измерва общата мощност на съоръжението, разделена на мощността на IT оборудването, като 1.0 е теоретичният идеал. Цел от 1.15 поставя проекта в Шанхай на хартия в категорията на най-модерните практики.
Три числа изпъкват най-силно:
- 24 MW начален капацитет — достатъчен, за да говорим за сериозен инфраструктурен актив, а не за лабораторен пилотен проект.
- Под 10 процента от енергията за охлаждане спрямо 40 до 50 процента, често наблюдавани при конвенционалните дизайни според изходния материал.
- Над 95 процента зелена електроенергия, което свързва разширяването на изчислителния капацитет директно със снабдяването с възобновяема енергия.
Тези показатели обясняват и защо това е повече от екологична история. Те сочат към оперативната икономика. По-ниските разходи за охлаждане подобряват маржовете и могат да стабилизират дългосрочното планиране на капацитета. По-добрият PUE прави AI data analytics и high-availability натоварванията по-лесни за бюджетиране. А интеграцията на възобновяема енергия може да намали експозицията към колебанията в цените на изкопаемите горива, макар че носи собствени компромиси, свързани с интермитентност и балансиране на мрежата.
Има и ограничения. Поддръжката под вода е по-сложна от обслужването на стандартна наземна зала. Изборът на локации е ограничен. Застраховането, логистиката по ремонтите и надеждността на подводните компоненти ще имат много по-голямо значение, отколкото при обичайно корпоративно изграждане. С други думи, това е важен сигнал, а не универсален шаблон.
Какво казва политическият завой на Китай за AI надпреварата
Този проект има повече смисъл, когато се разглежда заедно с по-широката енергийна политика на Китай. Изходният материал отбелязва, че нов енергиен закон е влязъл в сила миналата година с приоритет за възобновяемите източници и водорода, докато реформите на електроенергийния пазар от юни 2025 г. изискват слънчевата и вятърната енергия да се търгуват чрез пазарни механизми или търгове, а не по старите модели с фиксирани тарифи.
Този политически завой има значение, защото AI инфраструктурата изисква дългосрочно планиране. Енергийните договори, развитието на обектите и интеграционните услуги зависят от увереността, че производствен капацитет ще има там, където расте търсенето на изчислителна мощност. Изглежда, че Китай третира темата като въпрос на индустриална стратегия, а не само на устойчивост.
Сравнението със Съединените щати не е, че едната страна строи центрове за данни, а другата не. По-скоро двете страни залагат на различни пътища към сигурност на доставките. Китай се опитва да намали зависимостта от външни изкопаеми енергийни източници, като едновременно мащабира възобновяемите и ядрените мощности. Това дава на проекти като този в Шанхай по-голяма стратегическа роля: те тестват дали инфраструктурата в ерата на AI може да бъде едновременно по-ефективна и по-контролируема на вътрешно ниво.
Тук е полезен и анализът на Международната агенция по енергетика за електроенергията и центровете за данни като контекст. Търсенето, породено от AI, тласка комуналните дружества, операторите и големите купувачи към по-подробно прогнозиране на пиковите товари, нуждите от устойчивост и ограниченията в преносната мрежа. На практика услугите по AI integration services вече зависят толкова от енергийния реализъм, колкото и от софтуерната архитектура.
Как това се сравнява с конвенционалния дизайн на центрове за данни
Полезен начин да се чете това развитие е не като бинарен избор между подводен и наземен дизайн, а като ориентир спрямо наследени допускания. Традиционните съоръжения се конкурират по локация, данъчни стимули и достъп до оптична свързаност. По-новите AI-ориентирани обекти трябва да се конкурират и по модел на охлаждане, потребление на вода и осигуряване на енергия.
| Design factor | Conventional onshore data center | Shanghai underwater model |
|---|---|---|
| Cooling method | Mechanical air conditioning | Seawater cooling |
| Cooling energy share | Often 40-50% per source article | Under 10% by design |
| PUE target | Varies widely by age and site | 1.15 target |
| Land use | Significant campus footprint | More than 90% lower by project claim |
| Power source mix | Grid-dependent, often mixed | More than 95% green electricity by project claim |
Това сравнение има директни последици за корпоративните покупки. Купувачите трябва да се интересуват повече къде се изпълняват натоварванията, как изглежда енергийният микс и дали доставчиците могат да отчитат показателите за ефективност последователно. Това е особено важно за компании, които мащабират услуги по AI внедряване в множество бизнес звена.
За операторите с по-тактически фокус именно тук услуга като AI Smart Energy Management for Facilities се вписва най-добре: същите дисциплини, които имат значение в подводен център за данни — като прогнозиране на натоварването, откриване на аномалии и непрекъснат мониторинг на ефективността — имат значение и в обикновени корпоративни сгради. Разликата не е в нуждата от оперативна видимост, а в степента на инженерна сложност.
Какво трябва да следят компаниите оттук нататък
Три индикатора вече имат по-голямо значение, отколкото преди година: PUE целите, делът на възобновяемата енергия и регионалните ограничения при охлаждането. Това вече не са второстепенни метрики за екипите по устойчивост. Те се превръщат в част от основната AI стратегия и от проверката на доставчиците.
Компаниите трябва да следят и дали проекти като този ще останат изолирани национални витрини, или ще започнат да влияят върху търговските стандарти за проектиране в Азия, Европа и Северна Америка. Ако повече съоръжения започнат да търсят алтернативно охлаждане и по-тясна енергийна интеграция, купувачите може да започнат да възприемат инфраструктурната ефективност като основен критерий за избор, а не като ESG бележка под линия.
Тенденцията е ясна, дори ако този конкретен дизайн остане нишов. AI за енергетиката преминава от абстрактен политически разговор към физически инфраструктурни решения, измервани в мегавати, PUE и условия за снабдяване. Компаниите, които планират рано спрямо тези ограничения, ще вземат по-добри решения къде принадлежат AI натоварванията и каква трябва да бъде тяхната цена.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation