1、AIDC机房参考设计白皮书前言随着近年来人工智能（AI）产业快速发展，AI业务负载已经逐步成为数据中心的重要组成部分。为了满足爆发式增长的AI业务对算力的需求，智算设备正加速向高密化、液冷化、集群化方向发展。机柜的功率密度和集群的规模快速提升，给机房物理基础设施（包括供配电、制冷设备等）规划设计和快速部署带来颠覆性的挑战。为应对这些挑战，我们需要重新思考数据中心从智算设备到机房物理基础设施的系统规划和设计，从而建设出可以适应未来AI业务演进发展的智算数据中心（AIDC）。本白皮书通过分析未来的AI整机柜、超节点和集群发展趋势，以及对机房物理基础设施的关键挑战，并给出面向未来的AIDC机房规划设

2、计思路和部署模式参考建议，旨在联合产业链，共铸AIDC标准体系，共建AIDC生态。01AI业务负载及算力设备发展趋势1.1 AI业务负载发展趋势 P11.2 AI算力设备发展趋势 P12.1 AIDC机房规划与设计挑战P22.1.1 散热系统设计挑战2.1.2 供配电系统设计挑战2.1.3 建筑结构设计挑战2.1.4 网络布线设计挑战P32.2 AIDC 机房建设周期挑战02AIDC机房挑战CONTENTS目录3.1 设计思路建议P44.1 共铸AIDC标准体系P94.2 共建AIDC生态P94.3 与国家政策同频共振P103.1.1 散热系统设计思路建议3.1.2 供配电系统设计思路建议3.

3、1.3 建筑结构设计思路建议3.1.4 网络布线设计思路建议3.2 部署模式建议P63.3 存量场景参考建议P703 AIDC机房设计思路及部署模式建议04标准规范和生态建设倡议高密化：为支撑规模算力供应，AI芯片的算力密度和功率密度快速增长，整机柜设计上为了获得低时延带来的计算效率收益，单机柜内电互连域的芯片数量也在持续增长，整机柜功耗逐步从50kW演进到未来的300kW以上，机柜功耗发展预测如下表:液冷化：随着单芯片和整机柜功耗的快速增长，传统的风冷散热模式已经无法满足AI高密机柜散热需求，液冷因更高的散热能力和系统能效更优成为AI算力基础设施的主流部署模式。集群化：传统服务器堆叠模式因服

4、务器之间缺乏大带宽、低时延互联使得大模型依赖的张量并行（TP）、专家并行（EP）、序列并行（SP）、流水线并行（PP）和数据并行（DP）等大规模分布式混合并行算法通信效率低下，无法支撑大模型训练的TTA（Time To Accuracy）要求。AI超节点集群正在成为业界主流选择，基于Scale-Up大带宽、低时延总线互联，互联域从单机8卡扩展到数百、数千卡规模，有效降低了大模型在训练过程中TP、EP等并行切分间的通信开销，大幅提升模型训练、推理性能。当前AI模型正朝着超大规模、多模态融合的方向快速发展，模型规模从GPT-1到GPT-5，模型的参数量从1.17亿提升至数万亿，模型结构也从稠密LL

5、M模型向MoE稀疏化模型以及多模态模型持续演进发展。大模型的发展呈现出两条路线：一是以超大规模参数+新算法挑战模型上限，通过模型参数量、数据量的增长逐步的提升模型效果；二是优化模型架构降低AI使用门槛，让各行各业都有机会参与到AI的浪潮中，实现人工智能普及化。在行业应用方面，智能化转型正在加速，AI技术正在深度赋能各个业务场景。自动驾驶领域利用AI技术处理海量传感器数据实现实时辅助驾驶决策，金融行业利用AI进行高频交易分析和风险预测，医疗健康领域则通过AI辅助诊断和药物研发，智能制造则运用AI优化生产流程。未来随着多模态大模型与具身智能的发展，AI将更深层次地融入生产生活领域。无论是从AI业务

6、负载还是应用发展趋势，都驱动算力需求呈现爆发式增长，这是AI持续演进和发展的基础。为了支撑AI智能化时代的高速增长的规模算力需求，AI算力建设难以通过简单服务器堆叠来解决，高密化、液冷化、集群化成为算力设备的主流发展方向。01AI业务负载及算力设备发展趋势1AI业务负载及算力设备发展趋势1.1 AI业务负载及应用发展趋势1.2 AI算力设备发展趋势注：上表及下文，所指机柜不包含业界宏机柜 年度机柜功耗50kW80150kW150300kW300kW以上2026202720282025机房层高挑战：随着AI机柜功耗密度提升，为了解决机柜散热，需要更大直径的液冷管路，进而需要更高的架空地板，与此同