【環球網科技報道 記者 林迪】2025年，人工智能正從技術探索邁向規模化落地的關鍵拐點。企業對AI的需求已不再侷限於單一的算力供給，而是轉向“數據—算力—模型—應用”全鏈路的智能支撐。在這一深刻變革中，傳統數據中心（IDC）正加速向人工智能數據中心（AIDC）演進，成爲推動新質生產力發展的核心基礎設施。在此背景下，北電數智以“AI工廠”理念爲核心，構建起面向產業未來的AIDC範式，正在重新定義算力的價值與邊界。
從資源中心到“能力中心”
“AI產業規模化落地的核心需求是‘無感化用AI’。”北電數智首席技術官謝東告訴記者，“這正是AIDC從資源中心轉向能力中心的核心邏輯。”在他看來，真正的AIDC不應只是算力的堆砌，而應是一個能夠持續輸出智能產出的生產系統。
據介紹，這一理念在佛山南海桂城智算中心得到了實踐。
作爲北電數智首個鎮街級智算中心，該項目通過深入對接當地多家AI生態企業與工業企業，精準把握千行百業的實際需求，實現了“算力跟着產業需求走”的按需供給模式。這種“智能調度+生態鏈接”的機制，有效解決了長期存在的“算力供需錯配”問題。
“我們不是單純提供算力，而是構建一個覆蓋數據、算力、模型和應用場景的全棧協同體系。”謝東強調，通過適配多款國產芯片、搭建全棧兼容架構，企業無需關注底層技術細節，即可直接調用貼合自身業務場景的AI工具——無論是製造業的研發仿真，還是文旅行業的AIGC內容創作，都能快速實現智能化升級。
“AIDC的本質已發生根本性轉變——它不再是被動承載計算任務的‘資源容器’，而是主動賦能產業的‘智能生產系統’。”正如謝東所言：“AIDC的設計目標，是從‘保證連接’轉向‘持續輸出智能產出’。”
在全球AI產業集羣發展中，“算力扎堆”並不等於“產業成羣”。不少地區雖投入巨資建設算力設施，卻因缺乏產業聯動與生態培育，陷入“有算力無應用”的困境。對此，謝東明確表示：“AIDC與傳統IDC的核心區別在於，它的本質是‘產業智能生產力的培育載體’，而非單純的算力設施。”
他認爲，要真正成爲區域AI產業集羣的“核心引擎”，關鍵在於做好三件事：一是“需求承接”，即深入理解地方產業痛點，如製造業的生產優化、政務治理的效率提升等，將AI技術轉化爲可落地的解決方案；二是“要素聚合”，整合算力、數據、模型、企業和人才等多元資源，搭建高效的供需對接平臺；三是“能力沉澱”，通過人才實訓、標準輸出等方式，幫助區域建立可持續的AI創新能力。
他以北電數智與佛山的合作爲例進行說明。依託AIDC底座，雙方不僅共建了“AI+製造+文旅”的產業生態，更推動形成了本地化的智能創新閉環。“AIDC的價值，在於支撐新質生產力、決定區域智能邊界。”謝東總結道。這一模式表明，只有當算力深度融入產業場景，才能真正釋放其經濟與社會價值。
技術突破與成本平衡：讓數據從負擔變爲生產力
隨着AI進入大模型時代，產業對“持續訓練、實時推理、智能協同”的需求遠超傳統數據中心的設計極限。面對高密度算力需求與能耗控制之間的矛盾，AIDC必須在技術架構上實現根本性突破。
在北京數字經濟算力中心——即“星火・761”項目中，北電數智交出了一份答卷：實現1000P算力規模的同時，PUE（能源使用效率）低至1.146。這一成績的背後，是複合製冷、算電協同等一系列前沿技術的集成應用。
“我們在架構設計上完成了從‘硬件堆疊’到‘全鏈路協同’的變革。”據謝東介紹，更重要的是，這種高性能與低能耗的統一，並非以犧牲靈活性爲代價。相反，AIDC通過軟硬協同架構，具備強大的動態適配能力，能夠靈活應對大模型迭代和多樣化行業場景的變化。“我們的目標不是建一座靜態的機房，而是打造一個可演進的智能生產系統。”謝東補充道。
這一理念也體現在對國產芯片生態的支持上。針對“適配難、落地慢”的行業痛點，北電數智通過國產算力PoC平臺，已完成11款國產芯片的適配，並實現其中10款的規模化納管。企業無需單獨進行底層適配，便可按需調用最適合自身業務的算力組合。
“異構算力的核心價值，在於降低產業AI化的適配成本，同時提升國產芯片的落地效率。”謝東指出。這種“芯片—算力—產業”的正向循環，不僅增強了我國AI產業鏈的自主可控能力，也爲千行百業提供了更加靈活、多元的技術選擇。
在AI時代，數據既是核心資產，也可能成爲沉重的成本負擔。許多企業面臨“存儲成本激增”與“數據資產化難”的雙重困境。對此，謝東表示，“我們的解法不是簡單增加存儲，而是推動數據全生命週期的智能治理與價值轉化。”
這一思路已在北電數智最新發布的白皮書《從計算到認知：AIDC發展路徑與未來展望》中系統闡述。具體而言，AIDC通過三層體系實現數據的價值躍遷：首先是分級存儲與智能調度，根據不同數據的價值密度分配資源，避免無效存儲；其次是建設可信數據底座，確保數據的安全合規，爲資產化奠定基礎；最後是開展場景化數據賦能，例如爲傳媒行業提供用戶行爲智能分析，爲製造業提供生產流程優化建議。
“本質上，AIDC是通過‘數據—算力—模型’的協同，讓數據從靜態資產變爲動態的智能生產要素。”謝東強調，這一過程不僅是技術的升級，更是商業模式的重構——數據不再只是成本項，而成爲可衡量、可交易、可增值的戰略資源。
可複製、可工程化的“AIDC方法論”
隨着AI自動化決策在金融、醫療、製造等關鍵領域的廣泛應用，如何確保系統的“可控、可信”，防止技術偏離產業需求與人文價值，已成爲不可迴避的議題。
對此，北電數智提出了“AIDC全棧安全體系”的解決方案。該體系涵蓋三個層面：在技術層面，於模型訓練和數據輸入環節嵌入產業需求校驗機制，確保智能決策符合實際業務邏輯；在機制層面，建立“人機協同”流程，要求自動化決策必須結合產業專家的經驗複覈，避免技術孤立運行；在治理層面，則通過數據分級、模型審計和權限管控，保障決策過程可追溯、可修正。
“比如在製造業AI方案中，我們會結合企業的生產工藝標準設置決策邊界；在文旅AI應用中，則融入文化價值導向。”謝東舉例說明，“技術必須服務於產業與社會需求，而不是反過來。”
據介紹，上文提到的“星火・761”項目，其意義不僅在於創造了“1000P算力+1.146 PUE”的技術奇蹟，更在於驗證了一套可複製、可推廣的實施路徑。
謝東將其成功經驗歸結爲兩點：一是“需求導向”，即先明確區域產業發展的真實需求，再據此規劃建設內容；二是“體系化建設”，即通過“高密度算力集羣+全棧協同架構+智能運營體系”的組合拳，構建真正貼合產業節奏的AIDC平臺。
目前，該平臺已在政務、醫療、工業、AI for Science（AI4S）等多個領域落地應用，展現出強大的跨行業適應能力。它不僅是北京的城市AI工廠，更爲其他城市提供了寶貴的參考樣本。
正如謝東所說：“AIDC的長期適配性，源於其‘可演進’的設計邏輯。”模塊化架構支持彈性擴展，全棧適配能力兼容不同代際的技術演進，閉環優化體系則通過產業反饋持續迭代平臺功能。這種動態進化的能力，使AIDC能夠在AI大模型快速迭代、應用場景不斷豐富的背景下始終保持生命力。
當算力不再是稀缺資源的代名詞，而成爲智能產出的生成器時，AIDC的時代才真正到來。北電數智的實踐表明，下一代數據中心不僅是技術設施的升級，更是產業邏輯的重構。
“我們正處於從‘計算’走向‘認知’的關鍵節點。”最後，謝東總結道：“AIDC的使命，是讓每一個組織都能無感地使用AI，讓每一份數據都轉化爲智能生產力。”從“託管資源”到“生成智能”，從“成本中心”到“創新引擎”，AIDC正在重塑算力的價值鏈條。它不再孤立存在，而是深度嵌入城市治理、產業升級和社會發展的毛細血管之中。
