随着生成式AI和大模型训练规模持续扩大，数据中心正从传统云计算的能耗曲线，转向更高功率密度的算力集群。单机柜功率上升、GPU集群长时间高负载运行，使散热和供电成为扩张瓶颈。2026年被多方视为AI基础设施投资加速的一年，能耗问题因此从运营成本问题升级为战略约束。
算力扩张为何推高能耗
AI训练与推理对算力的需求呈阶段性跃升，芯片集成度和集群规模同步提高。传统风冷在较高功率密度下效率下降，机房不得不投入更多电力用于制冷。与此同时，电力接入容量、变压器供应和电网稳定性，开始直接决定数据中心能否按期上线。
能耗飙升不仅是电费问题，也涉及碳排放、水耗和社区接受度。若继续沿用旧有散热与供电模式，算力扩张可能被基础设施拖慢。
液冷：从可选方案到关键支撑
液冷通过液体直接或间接带走热量，换热效率通常高于空气。面对高密度机柜，冷板式液冷可兼容部分现有服务器架构，浸没式液冷则在散热能力和噪音控制上更具潜力。
- 冷板式液冷：改造成本相对可控，适合逐步升级，但需要解决管路、防漏和运维规范。
- 浸没式液冷：散热效率高，可提升功率密度，但冷却液、材料兼容性和维护流程仍是门槛。
- 余热回收：可向园区或城市供热，但需要稳定热源和配套管网，经济性取决于本地条件。
液冷能降低制冷能耗并提升机柜密度，但它不是孤立方案。冷却液供应、运维人才、设备兼容性和初始投资，都会影响部署速度。
核电：稳定低碳，但难解近渴
核电的优势在于稳定、低碳、可提供基荷电力，理论上适合对供电连续性要求极高的AI数据中心。科技公司通过长期购电协议、直接投资或支持小型模块化反应堆等方式，表达了对核能的兴趣。
然而，核电项目审批严格、建设周期长、投资规模大，且选址受地质、水源和公众接受度影响。小型模块化反应堆虽被寄予厚望，但距离大规模商业化仍需时间。因此，核电更像中长期选项，难以单独承担近期算力扩张的电力缺口。
电网、储能与选址的协同
在液冷和核电之外，电网升级、储能配置和需求响应同样关键。数据中心可通过柔性负载、备用电源和绿电采购，缓解高峰压力。选址也会从靠近用户，转向靠近电力、可再生能源和冷却资源。
政策与市场机制将影响落地节奏。若并网排队、电价机制和碳排规则不清晰，即使技术可行，项目也可能延迟。
结论：不是二选一，而是系统题
液冷解决“热”的问题，核电缓解“电”的问题，但二者都无法单独撑起算力扩张。更现实的路径是：短期以液冷、储能、电网优化和绿电组合提升效率，中长期推动核电等稳定低碳电源与数据中心协同布局。
AI数据中心的能耗挑战，最终考验的是能源、算力与政策之间的系统协调能力。只有把散热、供电、选址和运营纳入同一框架，算力扩张才可能可持续。
