2027年一吉瓦AI数据中心的总拥有成本

吉瓦级规模为何改变测算方式

一吉瓦级的AI数据中心并不是普通机房的放大版。项目达到这个规模时，「它要花多少钱」这个问题就不再只有一个答案。财务团队看到的是建设预算，工程团队看到的是电网接入申请和冷却系统，运营团队看到的则是一批加速卡，它们可能在建筑还没还清贷款之前就已经过时。许多方案仍然只列出一个资本支出的总数，并把它称为总成本。这个数字通常遗漏了运营成本、时间进度风险，以及设施开始运行后才会出现的那部分费用。

真正的痛点在于，吉瓦级项目往往在第一个工作负载运行之前的好几年就已经决定，而模型中的错误事后很难修正。如果团队低估了电力成本，或者假设硬件的寿命和建筑一样长，最后可能得到一个在账面上已经完全折旧、实际上却无法收回投资的设施。本文将说明如何建立一套足够诚实的总拥有成本视角，让它能够支撑真正的投资决策。

小规模时，成本大致与机器数量成正比。到了吉瓦级，成本则由一系列门槛决定。这种规模的电网接入、变电站、输电升级、现场发电和备用系统都属于「整块式」投资，并不随规模线性增长。负载翻倍并不意味着账单也翻倍，而电网审批延迟一年造成的损失，可能比硬件价格的小幅波动还要大。

因此，第一步是把总成本拆成三类，并分别建模：建设阶段即沉没的资本成本、随能源和人员变化的经常性成本，以及与计算硬件相关的更新成本。如果把它们混在一个年度数字里，就会掩盖它们对应不同决策的事实。土地和建筑的选择会锁定数十年，计算设备每隔几年就要更新一轮，电力合同虽然可以重新谈判，但只能在签约时设定的范围内进行调整。

资本投入的真正去向

一个常见错误是把建筑视为主要投资，把计算设备当作之后再添置的附加项。实际上，在现代AI项目中，IT设备通常是最大的单项支出，而围绕它的基础设施，包括配电、冷却和网络，都是按照它的规模来设计的。如果计算方案改变，周边基础设施也会随之改变。

一个实用的检查方法，是列出每一项资本支出，并询问它是按照当前的硬件方案还是按照通用设计来配置的。为某一代加速卡设计的设施，在机架功率密度上升时，往往需要代价高昂的改造。因此，电气和冷却容量应该以密度区间而不是单一数值来规定，模型还应显示当密度落在区间上限时成本会如何变化。

电力：既是成本，也是进度风险

对于这种规模的设施，电费往往是最大的经常性成本，同时也是最可能拖慢整个项目的约束。一个像样的模型应包括合同约定的电价、预期负载系数、任何现场发电的成本，以及市场价格变动时的价格风险敞口。它还应包括等待的成本。如果设施已经建成却几个月无法通电，资本就在闲置，而利息和折旧仍在持续累积。

团队常见的做法是把电力简单建模为每千瓦时电价乘以装机容量。这种算法在两个方面过于乐观：它假设设施始终接近满载运行，同时忽略了即使不使用、也必须支付的备用容量成本。更好的做法是把能耗建模为预期利用率的函数，为储备和冗余单独列出一项，并额外测试一个通电日期推迟的情景。

冷却与能效：仔细解读指标，并计入设备更新

电源使用效率（PUE）等能效指标有助于比较不同设施，但在成本模型中很容易被误读。账面上的好比值并不一定意味着总电费低，因为该指标取决于测量方式和当地气候。在某些地区，冷却还涉及用水问题，而水资源的可得性会同时影响许可审批和运营成本。

务实的做法是建模设施的总能耗，而不只看比值。把设计方案转换为在真实天气和负载曲线下的年度能耗估算，并在适用的地方加上用水成本。两种冷却方案应以同一基准比较，包括各自的资本成本和所需的维护制度。一个初始价格较低、却需要频繁专业维护的冷却系统，在设施全寿命周期内可能反而更贵。

吉瓦级规划中最重要的错配，是建筑外壳与计算设备之间的使用寿命差异。建筑和主要电气系统的设计寿命可达很多年，而加速卡的升级周期则短得多，其经济寿命取决于新一代芯片能多快地提供更好的每瓦性能和每美元性能。

如果模型对所有资产采用同一套折旧年限，就会扭曲经济性判断。应把资产划分为不同类别，给每类设定现实的寿命，并把设备更新支出作为经常性项目列示，而不是一次性购置。然后测试结果对更新间隔的敏感度。更新周期短会提高年度成本，但可能提升单位电力的产出；更新周期长则能降低支出，却可能让设施长期使用更老旧、效率更低的设备。两种选择都不是自动正确的，但其中的权衡应当清晰可见。

利用率决定回报，建立模型后再相信总数

计划中的总拥有成本与实际结果之间最常见的差距，来自利用率。为高负载设计、却以较低平均负载运行的设施，每单位有效工作的成本会更高。闲置的产能仍然要承担融资、人员、维护合同以及部分能源储备等固定成本。

因此在呈现成本时，应以单位有效产出来表达，例如每个可用加速卡小时的成本，或每单位出售给客户的交付容量的成本。然后展示在不同利用率水平下，这一单位成本如何变化。这样可以清楚看出，投资回报有多大程度取决于设施能否被充分填满。如果读者关注的是回报而非仅仅是成本，同样的逻辑也适用于企业AI投资回报的讨论，其核心问题是收益能否按照计划假设的速度实现。

一个可用的总拥有成本模型，对这类设施通常包含以下核心部分：按资产类别及其现实寿命划分的资本支出，带利用率曲线的电力与能耗计划，计算设备的更新计划，人员与维护费用，融资成本，以及包含延迟情景的时间表。每项假设都应有明确的来源或选择该数值的合理理由。至少运行三种情景：基准情景、通电延迟情景，以及高密度或低利用率情景，并报告结果的区间，而不是只给出一个数字。

模型还必须让没有参与构建它的人能够读懂。决策者应能看清哪些输入驱动了结果。如果改变某一个假设对结果的影响超过其他所有假设的总和，那么这个假设就需要最严格的审视。希望在AI项目中建立更广泛成本评判框架的团队，也可以将这一方法与企业AI采用成本的通常测算方式进行比较，后者同样区分了一次性支出与经常性支出。

对于希望把这类多情景比较做成可重复流程、而不是一次性电子表格的团队，定义输入、测试情景并共享结果的工作流，可以在 Duaer 中搭建。如果团队需要让同一个模型随着电力合同和硬件计划的变化而持续更新，这会是一个切实可行的选择。

本周可以做什么与总结

选择一个团队正在评估的吉瓦级方案，写下它最大的五项成本，包括资本与经常性成本。对每一项，记录最影响它的那一个假设，例如电价、通电日期、密度、更新间隔或利用率。然后制作一张单页的敏感性表，展示当每个假设在现实范围内变动时，总额如何变化。你很可能会发现，只有两三个输入起主导作用。在投入任何资本之前，这些输入正是需要与供应商、电网运营方和硬件规划人员核实的重点。

如果你希望把这张单页表格发展成团队可以持续更新的共享模型，可以访问 https://www.duaer.com ，注册试用，搭建工作流并测试自己的情景。

一吉瓦AI数据中心的总成本，是在不确定性下做出的一长串决策的总和，而资本支出这一个数字很少能反映它的全貌。可信的视角应当把资本成本与经常性及更新成本分开，把电力同时视为价格和进度风险，仔细解读能效指标，让资产寿命与其真实的经济周期相匹配，并以单位有效产出来表达成本。从一开始就用多情景搭建模型，你所呈现的数字，才是决策者可以依赖的数字。