NVIDIA
AI算力扩张正触及全球电网极限,仅靠堆砌硬件无法解决近40%的搁置容量损耗,必须依托能源智能与系统级交接协同打破供电瓶颈。
AI-assisted summary of NVIDIA GTC Studio with Insights from Schneider Electric — original source. Check the original for full context.
Source published:
Key ideas
- 施耐德电气指出 AI 基础设施建设已面临能源瓶颈,提出“以 AI 赋能能源,以能源支撑 AI”(AI for energy and energy for AI)的双向闭环,强调仅靠扩建电网无法满足指数级增长的算力用能需求。 (0:10)
- AI 算法落地已显现实质节能效果:通过分析暖通历史数据可削减近 10% 的制冷能耗,同时数字电网调度软件成功将电网物理线损降低数个百分点。 (3:10)
- 当前 AI 工厂普遍存在严重的“搁置容量”问题,输入 100 单位电能通常仅有约 64 单位送达计算核心,电力与冷却子系统交接不畅是电能损耗的核心诱因。 (11:11)
- 结合 Motivair 液冷技术与 SimReady 数字化仿真标准,施耐德电气正推动通过数字孪生在数据中心动工前完成全链路流体与能效预优化。 (14:21)
Detailed notes
## Background 该视频由 NVIDIA 官方频道于 2026 年 3 月 30 日发布在 YouTube 平台。视频简介指出,施耐德电气(Schneider Electric)软件与服务执行副总裁 Pankaj Sharma 阐述了扩展 AI 基础设施所面临的挑战,强调能源是‘五层蛋糕’架构的基石,并探讨了如何利用 AI 来优化和扩建能源系统以应对日益严峻的电网与电力压力。
## TL;DR 在 NVIDIA GTC 对话中,施耐德电气的 Pankaj Sharma 指出能源是整个 AI 生态链条的最底层瓶颈,行业必须建立‘以 AI 赋能能源,以能源支撑 AI’的双向闭环。针对数据中心巨大的能源损耗与搁置容量,他阐述了如何通过 AI 算法将暖通制冷能耗降低近 10%,并依靠数字电网软件削减技术线损。面对老旧棕地设施改造与高密度算力挑战,双方深入探讨了融合数十年运行历史数据的‘能源智能’、系统级多物理层协同交付,以及利用 SimReady 资产构建数字孪生来从源头实现设计优化的全栈解决方案。
## Atmosphere & style 整场对话洋溢着高密度的行业洞察与理性前瞻的极客氛围,主持人 Tiffany Janzen 与 Pankaj Sharma 之间的互动流畅自然、配合默契。从开场面对海量电力需求的行业焦虑,逐步推进到施耐德电气拿出软硬件协同与算法治理的破局对策,访谈情绪由沉重转为笃定。聆听过程兼具技术研讨的严谨与工业创新的穿透力,清晰地传递出在 AI 算力狂飙时代下,工程与物理极限交织的紧迫感和重塑未来的决心。
## Bulletin - [00:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=10s) 施耐德电气指出 AI 基础设施建设已面临能源瓶颈,提出“以 AI 赋能能源,以能源支撑 AI”(AI for energy and energy for AI)的双向闭环,强调仅靠扩建电网无法满足指数级增长的算力用能需求。 - [03:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=190s) AI 算法落地已显现实质节能效果:通过分析暖通历史数据可削减近 10% 的制冷能耗,同时数字电网调度软件成功将电网物理线损降低数个百分点。 - [11:11](https://www.youtube.com/watch?v=lBNHFR41GgY&t=671s) 当前 AI 工厂普遍存在严重的“搁置容量”问题,输入 100 单位电能通常仅有约 64 单位送达计算核心,电力与冷却子系统交接不畅是电能损耗的核心诱因。 - [14:21](https://www.youtube.com/watch?v=lBNHFR41GgY&t=861s) 结合 Motivair 液冷技术与 SimReady 数字化仿真标准,施耐德电气正推动通过数字孪生在数据中心动工前完成全链路流体与能效预优化。
## Key takeaways - [00:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=10s) 在黄仁勋提出的 AI“五层蛋糕”架构中,能源与电网基础设施位于最底层,是支撑上层 GPU 计算与模型训练的核心基石。 - [00:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=10s) 解决 AI 能源危机的核心理念是“AI for energy and energy for AI”,不仅要为算力供电,更要用 AI 算法反哺并简化能源系统的调度。 - [03:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=190s) 利用 AI 分析暖通空调(HVAC)与冷却系统的历史运行数据,能够将数据中心制冷能耗直接降低近 10%。 - [03:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=190s) 施耐德电气的数字电网软件通过优化输配电流程,可将电网物理线损压降数个百分点,节约出的电力可直接回流支撑关键设施。 - [03:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=190s) 针对超大规模训练工厂,AI 算法能够根据算力峰谷周期动态调配功率,有效削减整体电力峰值负荷。 - [05:49](https://www.youtube.com/watch?v=lBNHFR41GgY&t=349s) 单靠加速计算无法解决瓶颈,发电、电网改造、物理基础设施及配套软件必须与芯片计算同步实现全面加速。 - [05:49](https://www.youtube.com/watch?v=lBNHFR41GgY&t=349s) 大量存量数据中心(Brownfield)在设计之初未考虑当今的超高算力密度,其配电和冷却标准已在物理层面触及极限。 - [08:55](https://www.youtube.com/watch?v=lBNHFR41GgY&t=535s) “能源智能”(Energy Intelligence)通过在数十年设施历史数据上构建 AI 模型,生成原生洞察以直接指导和优化物理层的运行效能。 - [08:55](https://www.youtube.com/watch?v=lBNHFR41GgY&t=535s) 对缺乏数字化能力的老旧设施,企业面临加装边缘数据采集装置或彻底更换现代化硬件两条技术改造路径。 - [08:55](https://www.youtube.com/watch?v=lBNHFR41GgY&t=535s) 数据中心扩建受制于属地电网容量,若当地区域可用配电配额已耗尽,单纯盲目扩建厂房将毫无实质意义。 - [11:11](https://www.youtube.com/watch?v=lBNHFR41GgY&t=671s) 当前 AI 工厂内存在近 40% 的搁置与损耗容量,输入 100 单位电能仅约 64 单位真正被计算核心所消耗。 - [11:11](https://www.youtube.com/watch?v=lBNHFR41GgY&t=671s) 计算负载突增、电力响应与散热排出三者间的跨系统交接(Handover)若缺乏无缝协同,是造成搁置容量扩大的主要原因。 - [11:11](https://www.youtube.com/watch?v=lBNHFR41GgY&t=671s) 液冷技术(如 Motivair)的有效发挥依赖于对全机房流体流向管理(Fluid Flow)及最佳换热温控策略的整体把控,而非单纯堆砌硬件设备。 - [14:21](https://www.youtube.com/watch?v=lBNHFR41GgY&t=861s) 基于 SimReady 标准的数字孪生技术允许工程师在开工前预演全局能效与流体布局,从源头消除系统设计冗余。 - [14:21](https://www.youtube.com/watch?v=lBNHFR41GgY&t=861s) 若缺乏基于电力运行规律构建的“能源智能”,AI 发展面临的指数级用电缺口将根本无法通过传统硬扩建途径得到解决。
## Detailed walkthrough ### [00:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=10s) AI 工厂与“五层蛋糕”底层的能源挑战
在 NVIDIA GTC Studio 的现场,主持人 Tiffany Janzen 与施耐德电气(Schneider Electric)软件与服务执行副总裁 Pankaj Sharma 展开了深入对话。谈及参会感受,Pankaj Sharma 兴奋地表示,过去两天的 GTC 极其忙碌,信息量巨大,整体反响十分热烈。Tiffany Janzen 随即指出,施耐德电气当前正在攻坚的核心课题,正是整个行业在扩展 AI 基础设施时所面临的最大瓶颈。当前 AI 工厂(AI factories)的建设势头异常迅猛,全球各地如雨后春笋般涌现,但要让这些工厂真正运转起来,必须消耗极其庞大的电能。
面对 Tiffany 关于能源挑战与机遇的提问,Pankaj Sharma 借用黄仁勋(Jensen Huang)在主题演讲中提出的“五层蛋糕”(five-layered cake)架构作了解释。他指出,施耐德电气虽然横跨其中的多个层级,但最核心的立足点是在最底层,即必须率先就位的能源基础设施。随着 AI 应用在消费端与企业端的急剧渗透,效率提升的同时也带来了对物理基础设施和可用电力的严峻考验。更为棘手的是,这些电力必须是可持续的绿色能源。全球可用能源、电网基础设施以及清洁发电的短缺,构成了摆在全行业面前的宏大挑战。
Pankaj Sharma 强调,这既是瓶颈,更是重塑产业的机遇。行业不能只被动地看待能源消耗,而应主动利用 AI 反哺能源生态。施耐德电气提出了“以 AI 赋能能源,以能源支撑 AI”(AI for energy and energy for AI)的核心理念。正如 Pankaj Sharma 所指出的那样:“Everybody talks about energy for AI, oh, energy, so much of energy needed. But AI can actually enable by simplifying through digital and so on.”(“每个人都在谈论面向 AI 的能源,抱怨需要太多电力;但 AI 实际上能够通过数字化简化等手段反哺能源系统。”)
```mermaid flowchart TD accTitle: AI 与能源基础设施的五层蛋糕关系 accDescr: 展示 AI 工厂与施耐德电气在底层能源设施之间的相互赋能关系
subgraph Layers["AI 体系结构(五层蛋糕)"] L5["顶层应用与服务"] L4["模型与大语言模型 (LLMs)"] L3["加速计算平台 (NVIDIA GPU 等)"] L2["物理基础设施 (机架 / 制冷 / 配电)"] L1["底层能源与电网基础设施"] end
subgraph FeedbackLoop["双向赋能闭环"] E4AI["Energy for AI: 提供清洁、稳定的高密度电力"] AI4E["AI for Energy: 算法优化散热、调配算力与降低电网损耗"] end
L1 --> E4AI E4AI --> L3 L4 -.-> AI4E AI4E -.-> L1 ```
---
[03:10](https://www.youtube.com/watch?v=lBNHFR41GgY&t=190s) 破局电网与数据中心瓶颈:AI for Energy 的实际落地
面对现有电网无法承受 AI 大规模扩展的客观现实,Tiffany Janzen 追问具体的解决案例,并坦言自己在调研中也一度陷入“我们到底该如何解决如此庞大的能耗”的困惑阶段。Pankaj Sharma 列举了施耐德电气在大型数据中心和电网侧的多项实践。首先是在数据中心最吃电的散热环节:计算芯片产生的大量热量需要暖通空调(HVAC)和冷却系统持续排出,施耐德电气通过引入 AI 算法分析暖通系统的历史运行数据,实现开闭时机与运行功率的自动化调优,直接降低了近 10% 的冷却能耗。
除了环境制冷,AI 还能深入到物理层的算力调度本身。例如在大型 AI 训练工厂中,算法能够精准预测并判断何时需要算力、何时处于空闲,从而动态调节能耗负荷,拉低整体电力峰值需求。在电网层面,施耐德电气的数字电网业务(Digital Grid business)利用专用软件管理和优化输配电流程,仅通过软件侧的智能调度,就能将电网的物理技术线损降低几个百分点。这些被节约下来的电量,即可直接转供至 AI 数据中心等关键设施中。
Pankaj Sharma 认为,外界极易被“需要海量能源”这一事实所吓倒,但解决问题的核心钥匙恰恰是技术本身,正如他所断言:“So AI for energy actually is a very important tool. And I try to say that whenever somebody asks me this question, because it's very easy to just get overly perplexed by the fact that, oh, there's so much of energy needed. But unless we do AI, we can't even solve for that.”(“因此,以 AI 赋能能源是一个非常关键的工具。每当有人问我这个问题时,我都会这么说,因为人们很容易被‘需要这么多能源’这个事实搞得晕头转向;但如果我们不用 AI,我们甚至根本无法解决这个问题。”)
- **暖通空调节能数据**:利用 AI 分析暖通及冷却系统历史运行数据,可削减近 10% 的制冷能耗。 - **电网效率优化**:数字电网业务(Digital Grid)通过软件优化,将电网物理传输损耗(technical losses)降低数个百分点。 - **算力能耗协同**:针对大型 AI 训练集群实施动态功率管理,在算力低谷期主动压降能耗。
---
[05:49](https://www.youtube.com/watch?v=lBNHFR41GgY&t=349s) 全栈协同与棕地改造:应对旧设施的技术极限
Tiffany Janzen 好奇施耐德电气是在 AI 爆火之后才仓促跟进,还是早已布局多年。Pankaj Sharma 明确回应,数据中心的能源问题绝非新议题,几十年来一直是业界痛点;根本的变化在于,NVIDIA 强大的计算能力与更强的大语言模型(LLMs)让 AI 的应用落地速度出现了指数级爆发,才让能源压力显得尤为迫切。施耐德电气的长期策略始终立足于双重视角:一方面优化物理产品本身的硬件工程设计,另一方面依靠全套数字化软件管理各个组件,全力缩小输入数据中心的原始电量与算力芯片实际消耗电量之间的差距。
针对当前的产业爆发期,Pankaj Sharma 强调,单靠加速计算本身远远不够,发电、电网改造、物理基础设施以及配套软件都必须同步被全面加速,绝不能各自为战。Tiffany 随之指出软硬件整体配合的必要性,并追问在面对已有厂房或老旧软件的企业客户时(即棕地项目,Brownfield),施耐德电气该如何处理。
Pankaj Sharma 回应道,严格意义上的“已建成的 AI 工厂”目前全球其实并不多,整个行业尚处于起步摸索期。但全球建造常规数据中心已有数十年历史,在当前的爆发性需求下,存量数据中心的负荷率极高。然而,许多过往建造的存量数据中心在物理层面上已经撞上了性能上限,原因很简单——它们最初的设计标准根本就不是为了承载如今这种超高密度的算力负载。面对这些棕地设施,行业必须在物理层与软件层同时进行深度改造和重构。
- **多要素全面加速**:不仅计算需要加速(Accelerated compute),发电、基础设施和数字化软件均需进入加速状态。 - **系统级协同理念**:“The system play is absolutely critical.”(“系统级的整体配合是绝对至关重要的。”) - **存量数据中心(Brownfield)瓶颈**:早期建设的数据中心受限于原有配电和冷却标准,无法直接承载当今 AI 超高密度的计算发热与电力负荷,已触及物理极限。
[08:55](https://www.youtube.com/watch?v=lBNHFR41GgY&t=535s) 棕地改造与“能源智能”(Energy Intelligence)的定义
在探讨现有基础设施的改造时,Pankaj Sharma 提出了软件层面的核心概念——“能源智能”(Energy Intelligence)。他指出,在棕地(Brownfield,即已建成的旧设施)环境中,完全可以通过引入软件来实现性能优化。所谓能源智能,是指利用数据中心或其他应用场景几十年来积累的长期运行性能数据,借助软件在其上构建 AI 模型,生成具备可操作性的洞察(Insights)。这些洞察既可以是 AI 增强型的(AI augmented),也可以是原生 AI(AI native),且行业如今正加速迈向原生 AI 阶段,其根本目的在于指导并改善物理层(Physical Layer)的整体运行效能。
然而,对年代久远的传统设施进行改造面临着现实物理条件的严峻制约。老旧数据中心的物理硬件往往完全不具备数字化能力。面对这种情况,企业必须在两种路径中做出抉择:要么在现有物理硬件上加装类似专用装置(Appliance)的边缘采集设备,使其具备数字化传感与数据收集能力,从而支撑上层的能源智能运算;要么干脆进行彻底的物理设备更新换代。Pankaj Sharma 强调,施耐德电气(Schneider Electric)数十年来一直在为客户规划和建设数据中心,他们通常会先进驻现场对客户的物理层进行全方位的资产评估(Asset Analysis),通过数字化软件尽量精简流程;“但如果物理层完全不具备数字化能力,那唯一的办法就是将它们彻底更换掉。”对谈主持人对这种复杂性表示赞同,认为每个场景所面临的挑战都具有独特性。
Pankaj Sharma 进一步补充,每个数据中心的条件差异极大,除了设备新旧程度外,还高度取决于设施所处的地理位置、周边自然环境以及当地电网的电力可用容量。如果某特定区域的电力供应指标已经被彻底占满,“就算你能在该地建出更多设施,也根本没有任何意义,因为电网已经无法分配更多电能。”
- **能源智能的核心公式**:数十年运行历史数据 + 软件上层部署 AI = 驱动物理层能效改进的原生洞察。 - **老旧物理层数字化两大路径**:外接硬件装置实现数据感知,或全盘置换为现代数字化硬件。 - **地域电网瓶颈**:数据中心选址必须与当地实际可分配的电力容量强绑定,盲目扩建无电可用即为无效投资。
---
[11:11](https://www.youtube.com/watch?v=lBNHFR41GgY&t=671s) AI 工厂全系统协同:从搁置容量到多物理层交接
针对主持人提出的“为何必须对 AI 工厂的所有系统进行集中协同管理”这一问题,Pankaj Sharma 解剖了整个物理层的电能流转路径。尽管运行 AI 训练任务的 AI 工厂在行业内被视作利用率极高的计算环境,其负载形态也相对统一稳定,但其内部依旧潜藏着严重的“搁置容量”(Stranded Capacity,即未被有效调用的备用或损耗电能)。Pankaj Sharma 举例指出,在实际供能中,如果输入 100 单位的电能,往往只有约 64 个单位真正被用于计算核心,其余近 40 个单位都在流转过程中被闲置或浪费在各级支撑架构中。
```mermaid flowchart TD accTitle: AI工厂物理层系统交接与电能损耗流转图 accDescr: 展示电力输入后从供电基础设施流向计算核心,再传递至冷却基础设施时的交接损耗过程。
subgraph PowerIn["供电入口 (100% 总容量)"] Grid["输入电能: 100 单位"] end
subgraph CoreLayer["核心物理转换层"] PowerInfra["电力基础设施"] Compute["计算核心消耗<br/>(约 64 单位)"] Strand["搁置/损耗容量<br/>(约 40 单位)"] end
subgraph CoolingLayer["热能导出与协同"] CoolingInfra["冷却基础设施<br/>(液体冷却/换热器)"] end
Grid --> PowerInfra PowerInfra -->|"计算负荷驱动"| Compute PowerInfra -.->|"未高效匹配损耗"| Strand Compute -->|"产生热量需精确移出"| CoolingInfra PowerInfra <===>|"关键系统交接点 (Seamless Handover)"| CoolingInfra ```
为了彻底解决这部分搁置电能,关键在于处理物理层各个独立子系统之间的动态协同接口。数据中心的物理层包含了电力基础设施、冷却系统、布线系统以及数据管网等。就算每个单独组件都选用了最先进的“软件定义”(Software-defined)高效设备,一旦跨子系统交接(Handover)出现断裂,整体效率依然会崩溃。Pankaj Sharma 指出,计算量的瞬间激增会直接转化为对电力基础设施的高负荷调用,而电能释放出的巨大热量又必须无缝同步映射到冷却系统进行精准导出:“如果这个交接过程不够平滑无缝,你就会损失大量的能源。大家所谈论的搁置容量,根源就在这里。”因此,整套系统的全局联动才是决定 AI 工厂实际能源利用效率的胜负手。
主持人补充道,如果散热和能源无法精确回流或妥善构建系统,大量电能都将以废热的形式凭空消耗。Pankaj Sharma 顺势指出,大约两年前,液体冷却领域的全球领军企业 Motivair 加入了施耐德电气,液冷技术现已成为其业务版图中不可分割的核心支柱。但他随即明确澄清,仅拥有顶级的液冷硬件单品(例如冷却液分配单元 CDU 或换热器)是远远不够的。更加关键的命题是:冷却介质在数据中心内部的流体动态路线是如何调控的?流体的实时运行温度被设定在哪个最适区间?如果流体流向配置不当或者温控策略失衡,冷却本身就是在空耗巨大的二次能源,这在 AI 算力极度渴求电力的大背景下是无法被接受的。
- **AI 工厂电能损耗现实**:每引入 100 个单位电能,实际送达计算载荷的通常仅有约 64 个单位,存在近 40% 的容量损耗与搁置。 - **系统交接关键链路**:计算负载 $\rightarrow$ 电力系统利用率 $\rightarrow$ 散热与冷却系统响应;三者之间的无缝流转决定了系统级 PUE。 - **Motivair 液冷能力整合**:液冷体系不仅仅是硬件设备的部署,更核心的在于全机房流体流向管理(Fluid Flow)及最佳换热温度的动态控制。
---
[14:21](https://www.youtube.com/watch?v=lBNHFR41GgY&t=861s) 破局 AI 算力瓶颈:数字孪生与 SimReady 设计闭环
随着访谈进入尾声,主持人将话题引向 AI 规模化扩展的核心瓶颈——电力短缺问题,并探寻除液冷硬件之外还有哪些解锁途径。Pankaj Sharma 强调,液冷和高效供配电设备仍属于物理层基建范畴,要从根本上解锁供电瓶颈,必须依赖物理层极限效率与“能源智能”软件层的双轮驱动。
在本届 NVIDIA GTC 大会上被频繁提及的“SimReady”(仿真就绪)概念,正是这一解题思路的核心支柱。Pankaj Sharma 解释道,如果所有进入物理层的设备模型全部达到 SimReady 标准,工程师就能在 AI 工厂破土动工之前,利用完整的工业数据构建出极其精准的数字孪生(Digital Twin)。“由于融入了我们数十年来沉淀下来的物理层设备运行智慧,你可以借助算法预演并生成最优设计方案,这能让你在开工前就明白如何打造出远超以往的卓越设施。”这种前置仿真消除了设计冗余和布局缺陷,确保了每一度送入变电站的电能都能获得最高效的流转路径。
Pankaj Sharma 最后总结了施耐德电气的产业定位与使命:作为一家长期致力于能源管理的企业,施耐德电气深知 AI 爆发对能源呈指数级增长的需求绝无法单靠“盲目硬扩”来满足;“如果没有能源智能,AI 发展所需的越来越庞大的电能供应是根本无法实现的。”行业不仅需要新建与升级物理电网,更需要将过去数十年积累的能源运行规律转化为 AI 算法,用 AI 来反哺能源效率。主持人对此表示高度共鸣,认为“能源智能(AI for Energy)”是本次对话中最具启发性的核心认知,并感谢 Pankaj 的深入分享,为本场 GTC Studio 访谈画上句号。
- **SimReady 的核心价值**:所有物理设施具备标准化仿真属性,赋能高保真数字孪生设计,彻底实现建厂前的能效预验证。 - **AI 与能源的双向闭环**:不仅是在数据中心用能上“为 AI 供能”,更是运用数十年电力数据构建 AI 算法,实现“以 AI 优化能源(AI for Energy)”。
## Notable quotes > [14:21](https://www.youtube.com/watch?v=lBNHFR41GgY&t=861s) 如果没有能源智能,AI 发展所需的越来越庞大的电能供应是根本无法实现的。 — Pankaj Sharma
> [14:21](https://www.youtube.com/watch?v=lBNHFR41GgY&t=861s) 由于融入了我们数十年来沉淀下来的物理层设备运行智慧,你可以借助算法预演并生成最优设计方案,这能让你在开工前就明白如何打造出远超以往的卓越设施。 — Pankaj Sharma
## Mentioned Pankaj Sharma, Tiffany Janzen, 黄仁勋 (Jensen Huang), 施耐德电气 (Schneider Electric), NVIDIA, Motivair, NVIDIA GTC, SimReady
## Video description Pankaj Sharma, Executive Vice President of Software and Services at Schneider Electric, outlines the challenges of scaling AI infrastructure, emphasizing energy as the foundation of the five-layer AI cake. As AI adoption accelerates, he points to growing pressure on power, grid capacity, and sustainable energy—while highlighting the opportunity to use AI to optimize and expand energy systems for the next generation of AI.
[Source](https://www.youtube.com/watch?v=lBNHFR41GgY)