人工智能的爆发式增长,特别是生成式AI,正在推动全球数据中心容量需求达到前所未有的高度。微软和亚马逊等主要科技公司正在大力投资AI基础设施,预计2025年合计资本支出将达到1550亿美元。
然而,电力供应已成为数据中心增长的关键瓶颈,全球电力短缺正迫使运营商寻找具有可靠、可持续能源供应的新建设地点。例如在欧洲,2024年需求超过了供应,空置率降至10%以下,预计2025年市场增长20%。此外,地缘政治变化继续影响着区域战略。
随着AI工作负载需求的快速演变,供应商现在必须仔细考虑数据中心的位置和设计,以便在这个快速变化的行业中成功实现设施的未来化。
扩展技术基础设施
那么,运营商可以在哪里寻找有利的扩张条件呢?近年来,中东和北非(MENA)地区已成为具有吸引力的数据中心枢纽,阿联酋和沙特阿拉伯在数字化转型中处于领先地位。
与欧洲的传统系统相比,阿联酋现代化、可扩展的电网是一个关键差异化因素,其能源部署速度也明显更快。该国的地理位置使其能够充当欧洲、亚洲和非洲之间的数据桥梁,同时充足的土地以及围绕大型基础设施建设的更快许可和审批流程,使规模化扩展更加可行。
确定投资数据中心基础设施的可行性既是一门艺术,也是一门科学,涉及许多变量。然而,人才、电力、连接性和资本,即"2P和2C",是当今动态环境中最关键的四个组成部分。
虽然MENA地区电力和充足的投资资本容易获得,但该地区也面临着获取熟练人才的全球性挑战。一些国家在解决这个问题方面做得很好。例如在阿联酋,已投入大量努力吸引各个行业的全球顶尖人才。沙特阿拉伯也采取了类似的方法。
然而,在更广泛的地区内,具有管理大型基础设施项目行业经验的人才有限,这意味着在日益增长的项目池中,项目执行可能会更慢。
与此同时,低延迟和可扩展的连接性丰富,海底电缆正在运营和部署中,大多数国家,特别是海湾合作委员会(GCC)国家,都拥有强大的国内固定和移动网络。然而,互联互通和成本效益的跨境连接需要改善,以实现最佳的泛区域和全球数据流动。
监管是另一个关键考虑因素。在新市场投入大量资本投资之前,获得围绕数据隐私和主权的清晰透明的国家框架至关重要,因为这些在世界各地可能存在显著差异。MENA地区的监管条件使得建设和运营数据中心比其他地方相对容易。
互惠关系
随着AI热潮对数据中心行业施加越来越多的监管审查,电力需求比几年前高得多,数据中心运营商应该很好地展示他们对寻求建立业务的地方的更广泛社会效益和价值。这可能包括创造就业、税收收入,甚至将未使用的电力回馈电网的能力。
举个例子,Khazna最近宣布计划扩展到土耳其,建设一个具有AI功能的数据中心,有潜力扩展到100兆瓦。我们相信这一新业务将通过加强数字基础设施和将安卡拉定位为托管数据密集型服务的战略位置,为该国创造经济增长和投资。
除了直接和间接创造就业机会外,它还将鼓励创新并加速数字化转型,为公司和国家创造双赢。
经验至关重要
预计未来五年全球数据中心需求将增长六到八倍。新的市场进入者——甚至是那些由房地产公司支持的——现在正涉足这个快速增长的行业以获得收益。虽然这种建设热潮是积极的,但许多人低估了成功建设和运营数据中心所需的运营专业知识。
然而,如此多的参与者试图满足如此前所未有的需求,这说明了MENA地区,特别是阿联酋的某些特点。由于其快速部署时间表、稳定的电力基础设施和全球连接的地理定位,它可能是未来几年能够满足全球数据中心需求的少数市场之一。
这为投资者、技术合作伙伴和超大规模运营商将其作为全球数据基础设施枢纽优先考虑提供了黄金机会。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。