谁在破解亚洲 AI 数据中心的能源困局？
以下文章来源于Tech in Asia
每个 AI 生成的回复或视频背后，都需要大量电力来驱动服务器运行。数据中心的高耗电量不仅对美国城市电网造成压力，也在以化石能源为主的亚洲地区引发可持续发展方面的担忧。
在美国，AWS、Google Cloud 等超大规模企业通常自建并运营数据中心；而在亚洲，它们则广泛依赖第三方托管服务商，如 AirTrunk 和 Iron Mountain。根据标普全球的分析，这种模式有助于分摊前期建设成本，同时仍能向终端用户提供稳定服务。
标普全球指出，亚太地区目前在全球数据中心租赁容量方面处于领先地位。
这种依赖关系为初创企业创造了新机遇。新加坡的 Red Dot Analytics、英国的 EkkoSense 以及美国的 Phaidra 等公司，正在借助自身技术切入 AI 基础设施市场，无需直接向超大规模企业销售产品。
这些企业正布局一个超过 32 亿美元的市场。随着数据中心运营商积极寻求降低电力成本并履行碳排放承诺，该市场预计到 2030 年将实现逾一倍的增长。
根据麦肯锡的预测，到 2030 年全球数据中心容量需求将达到 219 吉瓦，较 2025 年的 82 吉瓦增长近三倍。其中，AI 计算任务将占据 156 吉瓦，约占总需求的 71%。
若 AI 数据中心全年保持满负荷运行，156 吉瓦的容量将每年消耗约 1366 太瓦时的电力。
当然，数据中心并非全年都以 100% 负载运行，但即使按 50% 的负载率计算，其年耗电量仍将超过新加坡 2023 年总用电量（55 太瓦时）的 12 倍。
尽管 AI 模型训练过程能耗较高，但其计算负载相对可预测且易于优化。相比之下，推理任务——即 AI 模型在生成响应时所需的计算处理——则更具波动性。
麦肯锡预测，到 2030 年，推理任务将成为 AI 计算的主导负载类型。
尽管 OpenAI 等 AI 巨头持续致力于优化模型能效并降低计算资源需求，但由于 AI 应用方式日益多样化，优化工作不能仅限于模型架构或芯片层面的改进。
Red Dot Analytics 首席执行官 Jimin Jia 指出，目前仍有部分计算任务运行在托管中心的过时硬件上，且这些设施通常缺乏专门的工程团队进行能效优化。
Red Dot Analytics 成立于 2016 年，源自南洋理工大学，通过融合数字孪生技术与 AI 算法，实现对数据中心风险与冷却系统的智能化管理。今年 8 月，该公司完成由 Granite Asia 领投的数百万美元 Pre-A 轮融资。
Red Dot Analytics 具备巨大的市场潜力。根据数据中心市场调研机构 DC Byte 的数据，新加坡、马来西亚、印尼、泰国、越南和菲律宾目前共有 605 座在运营的数据中心，其中近 80% 为第三方托管设施。
DC Byte 分析师 Vivian Wong 与 Nicole Seah 指出，超大规模企业在东南亚通常倾向于作为第三方托管设施的“唯一租户”，以获得更强的控制能力和更高的运营安全性。
然而，超大规模企业通常会设定特定的设计标准与运营要求，而这些标准需由第三方托管服务商负责执行。
尽管托管商需投入资金以满足科技巨头设定的标准，但标普报告指出，拥有超大规模企业作为核心租户的数据中心通常能获得更高的租金溢价。科技巨头的入驻意味着租金支付有保障，设施利用率高，从而增强投资者对项目稳定性的信心。
在数据中心中，数字孪生技术正被广泛应用于能耗监测与性能模拟，包括对单体设备及整体设施的电力消耗进行计算，从而简化能效评估流程。
但数据的准确性仍存在较大挑战。Red Dot Analytics 首席执行官 Jimin Jia 指出，许多运营商由于采集的数据不完整或质量较差，难以获得可靠的能耗数据。
为解决这一问题，Red Dot Analytics 构建了数据中心的数字孪生模型，用于模拟热量与电力在设施内部的流动方式。系统会整合现有的传感器数据，并通过 AI 识别与数字模型不一致的读数。
这不仅有助于填补信息缺口，还能为运营商提供更清晰的设施运行效率全貌，并附带具体的优化建议。
总体而言，该初创公司承诺每月可实现高达 5% 的能源节省。以一座容量为 5 兆瓦的典型数据中心为例，年节省成本可达约 50 万新币（约合 38.9 万美元）。不过，Jia 指出，具体节能效果会因各设施所处理的计算负载类型而有所不同。
目前，Red Dot Analytics 的技术已在新加坡、马来西亚、中国香港和德国的约 15 个数据中心中部署应用。
美国的 Iron Mountain 于 2023 年在其新加坡数据中心首次部署数字孪生技术，报告显示平均每月节电超过 20 万千瓦时，相当于每月节省约 7.1 万新币（约合 5.5 万美元）。
《Tech in Asia》曾就此向 Iron Mountain 寻求回应，但截至发稿时，尚未收到回复。
Red Dot Analytics 的其他客户还包括总部位于新加坡的 Bridge Data Centres 和 BDx Data Centers。不过，在新加坡市场，本土解决方案并不总是企业的首选。
总部位于新加坡的数据中心服务商 ST Telemedia Global Data Centres（STT GDC）选择与美国 Phaidra 合作，测试其 AI 代理系统以优化部分设施的冷却系统，该系统结合了空气冷却与液体冷却技术。STT GDC 预计可实现 10% 的节能效果，并表示随着 AI 模型吸收更多运营数据，节能率有望提升至 30%。
Phaidra 由 DeepMind 能源部门前团队负责人 Jim Gao 于 2019 年创立，目前已累计融资 6050 万美元。该初创公司未回应《Tech in Asia》的采访请求。
与此同时，英国的 EkkoSense 采取了不同的技术路径。与 Red Dot Analytics 依赖热力与气流物理模型不同，EkkoSense 主要依靠机器学习算法与实时传感器数据，即时识别数据中心运行中的能效问题。
该公司为运营商提供 3D 可视化工具，可精准识别设施内部的热热点与冷却系统不均衡问题。
根据 Tracxn 数据，EkkoSense 已累计融资 5090 万美元，目前在日本和中国香港拥有客户，并正与印尼和马来西亚的潜在客户洽谈合作。该公司不仅向托管服务商销售软件，也直接面向设施租户，包括银行及其他企业用户。
对于新建数据中心项目，美国 Cadence Design Systems 等公司提供数字孪生工具，可帮助客户从设计初期就对关键模块进行建模与优化。Cadence 表示，目前其全球已有数百个数字孪生模型已投入使用或即将部署。
Ikemoto 解释道，AI 模型训练虽然占用大量算力资源，但并不直接带来收入；而推理任务则驱动面向客户的服务。因此，提高推理效率相比单纯降低电力成本，能带来更可观的财务回报。
来源：Cadence楷登
