本方案面向AI时代需求，明确区分AIDC智算中心与IDC数据中心，采用液冷、高密部署、无损网络及预制化建设，实现PUE≤1.2。通过算电协同与异构调度，支撑大模型训练、智慧城市等场景，构建绿色、弹性、可演进的智能算力底座。

详细内容目录见文末

1. 项目背景与建设目标

1.1 建设背景

随着人工智能、大模型、自动驾驶、智慧城市等新兴技术加速落地，传统IDC数据中心在算力密度、网络带宽、能耗效率等方面已难以满足AI训练/推理需求。AIDC（人工智能数据中心）作为面向AI原生的新型基础设施，正在成为数字经济的核心算力底座。

1.2 建设目标

• 构建“通用算力+智能算力”融合的绿色数据中心集群

• 支撑千亿/万亿级大模型训练及实时推理

• 实现PUE ≤ 1.2（AIDC部分），传统IDC部分PUE ≤ 1.35

• 提供高弹性、可演进的算力服务体系

---

2. 概念定位：AIDC与IDC的核心差异

维度	传统IDC数据中心	AIDC智算中心
核心定位	通用计算、数据存储与分发	AI专用训练/推理，大模型开发及智能服务
计算负载	CPU为主，负载相对平稳	GPU/NPU为主，训练任务密集波动大
单机柜功率	4～8 kW	10 kW～60 kW（甚至更高）
典型PUE	1.5～1.6	1.15～1.25（液冷方案）
硬件形态	标准风冷服务器	高密度AI服务器、液冷整机柜
网络要求	10G/25G，中等延迟	400G/800G，超低延迟，无损网络
建设模式	先建后租（Build-to-suit）	带单建设（Build-to-order）

说明：AIDC不是对IDC的简单替代，而是在IDC基础上针对AI场景进行算力、网络、散热、调度四个维度的深度重构。

---

3. 总体建设思路

采用 “统一园区、分区建设、资源共享、智能调度” 的总体架构：

• 统一园区：选址靠近能源基地或骨干网络节点

• 分区建设：设置传统IDC机房区（风冷）、AIDC高密区（液冷）

• 资源共享：电力、制冷、安防、运维平台统一

• 智能调度：通过算力调度平台实现CPU/GPU/NPU任务动态分配

---

4. IDC数据中心及机房系统建设方案

4.1 建筑与机房布局

• 采用模块化机房（微模块）设计，单模块支持40～60个机柜

• 层高：净高≥4.5m（便于高密机柜及液冷管道）

• 承重：≥1.2吨/平方米（液冷区≥1.5吨/平方米）

4.2 供配电系统

• 2N冗余架构（市电+油机+UPS）

• 每机柜双路供电，智能PDU

• 市电引入电压等级：110kV或35kV

4.3 制冷系统（传统风冷部分）

• 采用高温冷冻水+EC风机方案

• 冷热通道封闭，冷通道温度设定25±1℃

• 自然冷却时间≥5个月/年

4.4 机房监控与运维

• DCIM（数据中心基础设施管理）系统

• 实时监控：温湿度、漏水、烟感、电力、机柜微环境

• 智能巡检机器人（选配）

---

5. AIDC智算中心建设方案

5.1 总体架构（三层）

层级	内容
算力层	GPU服务器、NPU集群、DPU加速卡、AI存储阵列
网络层	RoCE/IB无损网络，400G Spine-Leaf架构
平台层	AI调度平台、模型训练平台、数据治理平台

5.2 高密AI服务器配置（单机柜示例）

项目	参数
机柜类型	液冷整机柜（支持64张AI加速卡）
单柜功率	45～60 kW
卡间互联	NVLink/华为星河，双向带宽≥900 GB/s
液冷方式	冷板式液冷（CPU/GPU直接接触）

5.3 制冷：液冷系统设计

• 一次侧：闭式冷却塔+板换

• 二次侧：去离子水循环，供液温度30～40℃

• 盲插设计：支持水电三总线盲插，单节点维护不中断业务

5.4 算力调度平台

• 支持多租户、多任务（训练/推理混合调度）

• 实现算电协同：根据电价与绿电预测，动态迁移训练任务

• 支持跨区域（300公里以上）分布式训练（如联通案例）

5.5 能效目标

• PUE ≤ 1.20（液冷区）

• WUE（水利用效率）≤ 1.6 L/kWh

• 绿电使用比例 ≥ 50%

---

6. 关键技术体系

技术领域	关键方案
高密度供电	巴拿马电源、BBU（电池备份单元）、高压直流
液冷技术	冷板式/浸没式液冷，管路快速接头
无损网络	RoCEv2 / InfiniBand，智能拥塞控制
异构算力池化	GPU虚拟化、NPU共享、跨厂商统一API
预制化建设	预制模块化机房，现场拼装周期≤3个月
AI能效优化	动态温控、负载预测、液冷CDU变频调节

---

7. 应用场景及赋能案例

7.1 大模型训练与推理

• 场景：千亿/万亿参数大模型预训练、SFT、RLHF

• 要求：万卡级集群，线性加速比≥0.9

• 案例：某智算中心完成300公里跨区域大模型分布式协同训练，有效算力达92%

7.2 智慧城市AI底座

• 统一提供视频分析、交通预测、政务NLP能力

• 单城市需500～1000 PetaFlops（FP16）智算能力

7.3 科学研究与生命科学

• 基因测序分析（GPU加速）、蛋白质折叠预测、材料模拟

• 算力需求波动大，适合弹性调度

7.4 智能制造

• 工业视觉质检、工艺参数优化、设备预测性维护

• 边-云协同：AIDC训练模型，边缘侧推理

7.5 自动驾驶

• 海量仿真场景（每日百万公里仿真）

• 模型训练集群 + 场景库存储池

---

8. 实施路径与周期

阶段	时间	主要工作
可行性研究	M1～M2	选址、能评、环评、电力报装
设计阶段	M3～M4	建筑/机电/液冷系统详细设计
预制生产	M3～M6	预制模块、液冷CDU、机柜工厂生产
现场施工	M5～M8	土建、机电安装、液冷管路铺设
设备上架与调试	M9～M10	服务器上架、网络调优、液冷排泡
试运行	M11～M12	满载压力测试、PUE验证、业务迁移

总周期：12～14个月（相比传统方式缩短4～6个月）

---

9. 投资估算与效益分析

9.1 投资构成（以1000个机柜的混合园区为例，其中200柜为AIDC高密区）

项目	占比	说明
土建及装修	15%	厂房、办公、园区配套
供配电系统	25%	变压器、UPS、油机、配电柜
制冷系统	20%	液冷+风冷+冷塔
AI服务器及网络	30%	GPU/NPU服务器、IB/RoCE交换机
管理平台及软件	5%	调度平台、DCIM、AI平台
其他	5%	安防、消防、监理等

总建设投资：约3.5～4.5亿元（根据地域及设备选型浮动）

9.2 运营效益

• 电费：液冷方案年节电约30%

• 算力收入：按1万元/PFLOPS/月估算，年收入可达2～3亿元

• 投资回收期：5～6年（含建设期）

---

10. 风险与应对措施

风险类型	具体描述	应对措施
技术迭代风险	AI芯片/网络技术快速换代，硬件可能短期落后	采用开放架构，支持卡级/节点级平滑升级
电力供应风险	高密区电力容量大，市电容量不足	选址靠近220kV变电站，预留储能系统
液冷泄漏风险	冷板或管路泄漏导致服务器损坏	二次侧低压去离子水，分区泄漏检测带
客户需求波动	AI训练需求阶段性下降	设计算力分时租赁、推理服务混合部署
政策合规风险	能评、PUE指标趋严	提前与能评部门沟通，采用液冷+绿电方案