- ดาต้าเซ็นเตอร์ AI ใช้เวลา 12–18 เดือน ในการก่อสร้าง แต่ต้องใช้เวลา 5–7 ปี สำหรับการเชื่อมต่อโครงข่ายไฟฟ้า ทำให้ข้อจำกัดหลักของการขยายตัวเปลี่ยนจาก GPU ไปเป็นความสามารถด้านไฟฟ้า/ใบอนุญาต/การก่อสร้าง
- ดาต้าเซ็นเตอร์ไฮเปอร์สเกลที่ประกาศ ณ ต้นปี 2026 มีขนาด 777 โครงการ/190GW และ BYOP (Bring Your Own Power) ที่สร้างโรงไฟฟ้าและแบตเตอรี่เองเพื่อให้ได้ไฟฟ้ากำลังกลายเป็นกลยุทธ์หลัก
- โอกาสสำหรับสตาร์ตอัปกำลังก่อตัวขึ้นใน 6 ด้าน ได้แก่ การอนุญาต/คัดเลือกทำเล, การผลิตไฟฟ้า, การส่งจ่าย/แปลงไฟฟ้า, ซอฟต์แวร์, การก่อสร้าง/บำรุงรักษา, การระบายความร้อน
- จากการขาดแคลนอุปกรณ์ไฟฟ้าและความหนาแน่นของแร็กที่สูงขึ้น ระยะเวลาจัดหาหม้อแปลงยืดออกไปได้นานถึง 5 ปี และแร็ก AI บางส่วนใช้ไฟ 500–600kW ทำให้ต้องมีสถาปัตยกรรมพลังงานแบบใหม่ เช่น 800V DC และ solid-state transformer
- บริษัทที่จะยั่งยืนในรอบการลงทุนนี้คาดว่าจะเป็นบริษัทที่ไม่เพียงจัดหาอุปกรณ์ แต่ควบคุมทั้งราคาไฟฟ้า/แบตเตอรี่/งาน AI/การระบายความร้อนไปพร้อมกัน และสร้างโครงสร้างพื้นฐานที่ฝังอยู่ในการดำเนินงานของดาต้าเซ็นเตอร์ระยะยาว
วงจรการลงทุนโครงสร้างพื้นฐานขนาดใหญ่ที่ AI จุดชนวนขึ้น
- AI เป็นเวิร์กโหลดที่ใช้พลังงานมากที่สุดในประวัติศาสตร์คอมพิวติ้ง โดย ณ ต้นปี 2026 มีการประกาศดาต้าเซ็นเตอร์ไฮเปอร์สเกลรวม 190GW
- ราว 148GW อยู่ในขั้นวางแผน, 21GW อยู่ระหว่างก่อสร้าง, และ 12GW เปิดดำเนินการแล้ว
- คาดว่าการใช้ไฟฟ้าของดาต้าเซ็นเตอร์ทั่วโลกจะเพิ่มขึ้นมากกว่าสองเท่าภายในปี 2030
- ในสหรัฐฯ คาดว่าการใช้ไฟฟ้าของดาต้าเซ็นเตอร์จะสูงกว่าภาคการผลิตแบบใช้พลังงานเข้มข้นทั้งหมดรวมกัน
- ตัวดาต้าเซ็นเตอร์เองสร้างเสร็จได้ภายใน 12–18 เดือน แต่การเชื่อมต่อโครงข่ายไฟฟ้าใช้เวลา 5–7 ปี
- จากดาต้าเซ็นเตอร์ 110 แห่งที่มีกำหนดเปิดใช้ในปี 2025 มากกว่าหนึ่งในสี่ล่าช้าเพราะปัญหาไฟฟ้า/ใบอนุญาต/การก่อสร้าง
- ผู้ประกอบการไฮเปอร์สเกลเริ่มยอมรับความซับซ้อนของการสร้างและเดินระบบผลิตไฟฟ้าของตนเอง เพื่อให้มั่นใจได้ทั้งด้านกำลังการผลิตและกำหนดเวลา
- รัฐบาลสหรัฐฯ เริ่มปฏิบัติต่อโครงสร้างพื้นฐาน AI ในฐานะประเด็นความมั่นคงแห่งชาติ
- ในเดือนเมษายน 2026 ประธานาธิบดี Trump ได้ใช้อำนาจตาม Section 303 ของ Defense Production Act เพื่อกำหนดให้อุปกรณ์โครงข่ายไฟฟ้าขนาดใหญ่และห่วงโซ่อุปทานเป็นภาคส่วนที่จำเป็นต่อการป้องกันประเทศ
- อนุญาตให้มีการสนับสนุนทางการเงินฉุกเฉินจากรัฐบาลกลางเพื่อขยายการผลิตชิ้นส่วนโครงข่ายไฟฟ้าหลักภายในสหรัฐฯ
- ในปี 2025 ดาต้าเซ็นเตอร์คิดเป็น 4.5 พันล้านดอลลาร์/78% ของเงินลงทุนเวนเจอร์รวม 5.7 พันล้านดอลลาร์ในสภาพแวดล้อมการก่อสร้าง
- Bessemer Venture Partners เปรียบเทียบเทคโนโลยีโครงสร้างพื้นฐานไฟฟ้าในปัจจุบันกับกระบวนการที่เหล็กกล้าผลิตจำนวนมากเคยทำให้การสร้างทางรถไฟ/สะพาน/โรงงานเป็นไปได้ และกำลังลงทุนในระบบกายภาพที่จะรองรับเศรษฐกิจ AI
1. การอนุญาตและการคัดเลือกทำเล
- ดาต้าเซ็นเตอร์ต้องได้รับการอนุมัติหลายอย่างจากรัฐบาลท้องถิ่น/รัฐก่อนจะจัดหาไฟฟ้าหรือติดตั้ง GPU ได้
- รวมถึงผังการใช้ที่ดิน, กฎสิ่งแวดล้อม, สัญญาเชื่อมต่อโครงข่ายไฟฟ้า, ใบอนุญาตด้านอากาศ/คุณภาพน้ำ, การสำรวจชนิดพันธุ์ใกล้สูญพันธุ์, การสำรวจมรดกทางวัฒนธรรม ฯลฯ
- ขั้นตอนและระยะเวลาอนุมัติแตกต่างกันไปตามเขตอำนาจ ทำให้การบริหารโครงการซับซ้อน
- ตั้งแต่มีนาคม 2024 ถึงมีนาคม 2025 โครงการพัฒนาดาต้าเซ็นเตอร์ 16 โครงการล่าช้าหรือถูกปฏิเสธเพราะข้อจำกัดด้านการอนุญาต โดยการต่อต้านจากชุมชนเป็นปัจจัยหลัก
- ในสหรัฐฯ มีการใช้จ่ายกับการอนุญาตด้านโครงสร้างพื้นฐานที่ซับซ้อนมากกว่า 5 พันล้านดอลลาร์ต่อปี
- คิดเป็นมากกว่าหนึ่งในสามของค่าใช้จ่ายด้านการอนุญาตทั้งหมดของประเทศ
- เงินทุนโครงสร้างพื้นฐานมูลค่ามากกว่า 1.5 ล้านล้านดอลลาร์ติดค้างอยู่ในขั้นตอนการอนุญาต
- แม้ตลาดจะมีทั้งบริษัทที่ปรึกษาขนาดใหญ่และผู้ให้บริการรายย่อยกว่า 50,000 ราย แต่หลายแห่งมีพนักงานไม่ถึง 15 คน และงานส่วนใหญ่ยังทำแบบแมนนวล
- Lorica พัฒนาบริการเตรียมการและดำเนินการขออนุญาตที่ใช้ AI เพื่อทำให้การเก็บ/จัดโครงสร้าง/ยื่นข้อมูลเป็นอัตโนมัติ
- สร้างชั้นข้อมูลที่สะสมเส้นทางการอนุญาตที่เหมาะสมที่สุดสำหรับแต่ละโครงการ เพื่อคาดการณ์กำหนดการและความเสี่ยงของโครงการถัดไป
- Paces รวมข้อมูลโครงข่ายไฟฟ้า/การอนุญาต/สิ่งแวดล้อมไว้ในแพลตฟอร์มเดียว
- ตรวจจับข้อจำกัดของโครงข่ายไฟฟ้า, ความขัดแย้งด้านผังการใช้ที่ดิน, และปัญหาสิ่งแวดล้อมก่อนลงเงินทุน
- ลูกค้ารายงานว่าสามารถระบุความเสี่ยงล่วงหน้าได้ ทำให้อัตราการปิดดีลเพิ่มขึ้นราว 3 เท่า
- การทำแบบจำลองเชิงพื้นที่, การสำรวจด้วยโดรน, และการจำลองภาระทรัพยากรก็สามารถใช้เพื่อประเมินความเป็นไปได้ของแรงต้านจากชุมชนก่อนลงทุนขนาดใหญ่ได้เช่นกัน
- ผลิตภัณฑ์ที่มีศักยภาพควรผสานข้อมูลที่แยกส่วนเข้ามาในหน้าจอเดียว และสร้างทั้งเอเจนต์ที่ใช้บริบทและ data flywheel ที่แม่นยำขึ้นเมื่อผ่านโครงการซ้ำ ๆ
2. การผลิตไฟฟ้าเองและ BYOP
- พื้นที่แบบเชื่อมต่อโครงข่ายไฟฟ้ามีจำนวนมากที่สุด คิดเป็น 45% ของจำนวนโครงการที่ประกาศ แต่ การผลิตไฟฟ้าเองและรูปแบบไฮบริดคิดเป็นเกือบครึ่งหนึ่งของกำลังการผลิตที่ประกาศ
- BYOP คือกลยุทธ์ผลิตไฟฟ้าโดยตรงแบบ behind-the-meter (BTM) เพื่อหลีกเลี่ยงคิวรอเชื่อมต่อโครงข่ายไฟฟ้า
- ในปี 2025 ปีเดียว มีการประกาศโครงการผลิตไฟฟ้าก๊าซแบบ BTM ราว 50GW
- กลายเป็นกลยุทธ์หลักสำหรับการเปิดใช้งานดาต้าเซ็นเตอร์ AI แห่งใหม่อย่างรวดเร็ว
- เทคโนโลยีการผลิตไฟฟ้ากำลังพัฒนาโดยเน้นโครงสร้างแบบโมดูลาร์ที่รับมือแรงกระแทกของห่วงโซ่อุปทานได้และขยายตามอุปสงค์ได้
- Boom Supersonic นำแกนเครื่องยนต์เจ็ตสำหรับเครื่องบินความเร็วเหนือเสียงมาดัดแปลงเป็นกังหันก๊าซธรรมชาติ 42MW Superpower สำหรับดาต้าเซ็นเตอร์
- Arbor กำลังพัฒนากังหันก๊าซยุคใหม่ที่ใช้ supercritical CO₂ เป็นของไหลทำงานและมีระบบดักจับคาร์บอนในตัว
- แบตเตอรี่ BTM ชาร์จในช่วงนอกพีกที่ราคาถูกและคายประจุในช่วงพีกเพื่อลดค่าธรรมเนียมความต้องการไฟฟ้า
- ยังให้พลังงานสำรองฉุกเฉินและความเป็นอิสระจากโครงข่ายไฟฟ้าด้วย
- Calibrant Energy จัดหาเงินทุนและติดตั้งระบบแบตเตอรี่ให้ดาต้าเซ็นเตอร์ไฮเปอร์สเกลโดยตรง
- Exowatt พัฒนาระบบพลังงานแสงอาทิตย์แบบโมดูลาร์และ thermal battery สำหรับ AI factory โดยตั้งเป้าจ่ายไฟได้ตลอด 24 ชั่วโมงเมื่อจำเป็น
- Inertia ต้องการนำเทคนิค laser-based inertial confinement fusion จาก Lawrence Livermore National Laboratory มาทำเชิงพาณิชย์เพื่อสร้างโรงไฟฟ้าระดับโครงข่าย
- แม้นิวเคลียร์ฟิวชันจะเป็นเทคโนโลยีระยะยาวที่สุด แต่ก็ถูกมองว่าเป็นสาขาสำคัญหลังทศวรรษ 2030 เพราะมีศักยภาพในการจ่ายไฟฐานสะอาดและจ่ายได้ตามต้องการในระดับใหญ่
- American Terawatt กำลังก่อสร้างโครงข่ายส่งไฟฟ้าแรงดันสูงกระแสตรงของเอกชนที่เชื่อมแหล่งผลิตไฟฟ้ากับดาต้าเซ็นเตอร์โดยไม่ผ่านโครงข่ายสาธารณะ
- ความสามารถแข่งขันระยะยาวจะเกิดจากต้นทุนไฟฟ้าเฉลี่ยตลอดอายุโครงการ (LCOE) ที่ต่ำ, รูปแบบการติดตั้งที่ทำซ้ำได้, และห่วงโซ่อุปทานที่มั่นคง
- หลังส่งมอบอุปกรณ์แล้ว ควรสามารถเพิ่มซอฟต์แวร์เพิ่มประสิทธิภาพการจ่ายไฟและการควบคุมเชิงคาดการณ์ได้
- เมื่อสถาปัตยกรรมพลังงานมุ่งสู่ 800V DC architecture ของ NVIDIA ก็เกิดโอกาสในการเป็นพาร์ตเนอร์โครงสร้างพื้นฐานหลัก
3. การส่งไฟฟ้า/แปลงไฟฟ้าและช่วงกลางของพลังงาน
- ไฟฟ้าทั้งหมดที่ไปถึงดาต้าเซ็นเตอร์ต้องผ่านหม้อแปลงที่เปลี่ยนแรงดันในขั้นตอนการผลิต/ส่ง/ภายในสถานที่
- ความต้องการหม้อแปลงเพิ่มขึ้น 119% ระหว่างปี 2019 ถึง 2025 แต่กำลังการผลิตตามไม่ทัน
- ระยะเวลาส่งมอบของ GE, Siemens, Mitsubishi และรายอื่น ๆ เพิ่มจากราว 1 ปีก่อนโควิด-19 ไปเป็นสูงสุด 5 ปี
- ระยะเวลาส่งมอบสวิตช์เกียร์ก็เกิน 60 สัปดาห์แล้ว และสายเคเบิลแรงดันสูงกับเซอร์กิตเบรกเกอร์ถูกชี้ว่าเป็นคอขวดถัดไป
- ในยุคคลาวด์ ความหนาแน่นกำลังไฟของแร็กอยู่ที่ 20–40kW แต่คลัสเตอร์ฝึก AI บางแห่งใช้ไฟ 500–600kW ต่อแร็ก
- NVIDIA ตั้งเป้า 1MW ต่อแร็กหลัง Rubin Ultra
- พร้อมกับการทำมาตรฐาน 800V DC ขั้นตอนแปลง AC/DC แบบเดิมก่อให้เกิดการสูญเสียพลังงานและต้องใช้อุปกรณ์เพิ่ม
- โอกาสในด้านการส่งกำลังไฟแบ่งได้เป็น 3 กลุ่ม
- จัดหาอุปกรณ์โครงข่ายไฟฟ้าได้เร็วกว่าเจ้าตลาดเดิม
- ออกแบบสถาปัตยกรรมหม้อแปลงและการแปลงไฟใหม่ตั้งแต่ต้น
- เพิ่มความจุจากโครงสร้างพื้นฐานส่งไฟฟ้าที่ติดตั้งอยู่แล้ว
- Ayr Energy ใช้ผู้ผลิตตามสัญญาในอินเดียเพื่อผลิตหม้อแปลงและเซอร์กิตเบรกเกอร์สำหรับสถานีย่อย/สายส่ง
- ลดเวลาส่งมอบจากเดิม 3–5 ปี เหลือ 6–12 เดือน
- solid-state transformer (SST) รวมหลายขั้นตอนของการแปลงพลังงานไว้ในอุปกรณ์แบบโมดูลาร์ชิ้นเดียว
- ใช้สารกึ่งตัวนำ Silicon Carbide เพื่อแปลงไฟ AC แรงดันปานกลางเป็น 800V DC โดยตรง
- ด้วยโครงสร้างแบบสองทิศทางและตั้งโปรแกรมได้ จึงเชื่อมต่อโดยตรงกับระบบกักเก็บพลังงานแบตเตอรี่, พลังงานแสงอาทิตย์, และการผลิตไฟฟ้าเองได้
- Heron Link ของ Heron Power คือ SST แรงดันปานกลางแบบโมดูลาร์ที่ออกแบบมาสำหรับการแปลงเป็น 800V DC และเป็นพาร์ตเนอร์สำคัญในสถาปัตยกรรม 800V DC ของ NVIDIA
- DG Matrix กำลังพัฒนา SST แบบหลายพอร์ตที่รับแรงดันและความถี่ได้หลากหลาย แล้วจ่ายออกเป็น 800V DC หรือ AC
- รวมระบบไฟฟ้าแยกกัน 10–17 ชุดให้เหลืออุปกรณ์เดียว
- ต้นทุนจากความแออัดของโครงข่ายไฟฟ้าในสหรัฐฯ อยู่ที่ราว 11.5 พันล้านดอลลาร์ต่อปี
- เนื่องจากผู้ปฏิบัติการมองเห็นสถานะจริงของสายส่งแบบเรียลไทม์ได้ไม่เพียงพอ จึงต้องเดินระบบแบบเผื่อความปลอดภัยที่ต่ำกว่าขีดจำกัดความร้อนจริงมาก
- FUSION-T ของ GridAstra ทำแบบจำลอง dynamic line rating, advanced power flow controller, และการจัดโครงสร้าง topology โครงข่ายใหม่ในสภาพแวดล้อมเดียว
- สร้างแผนควบคุมที่เบี่ยงไฟจากสายที่โอเวอร์โหลดไปยังสายที่ใช้งานต่ำกว่าโดยอัตโนมัติ
- TS Conductor ใช้การเปลี่ยนสายส่งใหม่ด้วยสายแกนคอมโพสิตเพื่อเพิ่มความจุของทางเดินสายส่งเดิมได้ราวสองเท่า
- ช่วยเลี่ยงการขออนุญาตและการจัดหาสิทธิใช้ที่ดินที่จำเป็นสำหรับการสร้างสายส่งใหม่
- ความสามารถแข่งขันเกิดจากการมีทั้งความเร็วในการส่งมอบได้ทันที และโครงสร้างการผลิตที่รองรับปริมาณระดับไฮเปอร์สเกลพร้อมกัน
4. ซอฟต์แวร์ที่เชื่อมไฟฟ้ากับงาน AI
- ดาต้าเซ็นเตอร์กำลังเปลี่ยนเป็นระบบพลังงานที่ซับซ้อน ซึ่งต้องเดินระบบแหล่งผลิตไฟฟ้า, แบตเตอรี่, การเชื่อมต่อโครงข่าย, และเวิร์กโหลด AI ที่เปลี่ยนแปลงอยู่ตลอดร่วมกัน
- การจัดการพลังงาน, การจัดตารางงาน, การสื่อสารกับโครงข่าย, และการปฏิบัติตามข้อกำหนดยังคงแยกอยู่คนละระบบ
- DCIM เดิมของ Schneider, Vertiv, Sunbird และรายอื่นถูกออกแบบโดยตั้งสมมติฐานดาต้าเซ็นเตอร์ยุคก่อนหน้า
- โอกาสซอฟต์แวร์ใหม่กำลังก่อตัวในด้าน SLA แบบแบ่งระดับ, การบูรณาการเศรษฐศาสตร์พลังงานกับการควบคุมอุปกรณ์จริง, และ DCIM สำหรับเวิร์กโหลด AI
SLA แบบแบ่งระดับที่สะท้อนเวิร์กโหลดแบบยืดหยุ่น
- สัญญาไฟฟ้าและสัญญาบริการดาต้าเซ็นเตอร์แบบเดิมปฏิบัติต่อเวิร์กโหลด AI เหมือนอุปสงค์คงที่ที่ขัดจังหวะไม่ได้
- แต่ในความเป็นจริง งาน AI บางส่วนสามารถเดินระบบอย่างยืดหยุ่นได้
- งานฝึกสามารถหยุดชั่วคราวแล้วกลับมาทำต่อได้
- batch inference สามารถย้ายไปยังภูมิภาคที่มีไฟฟ้าเพียงพอได้
- งานที่มีลำดับความสำคัญต่ำสามารถยอมรับ latency ที่นานขึ้นได้
- เพราะความยืดหยุ่นของงานไม่ได้สะท้อนอยู่ในสัญญา ความจุโครงข่ายไฟฟ้าที่ใช้งานได้จึงถูกปล่อยทิ้งไว้
- SLA แบบแบ่งระดับถูกออกแบบมาเพื่อย้ายงานฝึกที่สามารถขยับเวลาได้ไปยังช่วงนอกพีก, เพิ่มความหน่วงของงานที่สำคัญน้อยกว่า, และคืนความจุให้โครงข่ายในภาวะฉุกเฉิน
- Emerald AI จัดตารางเวิร์กโหลด GPU แบบไดนามิกตามสถานะพลังงาน
- หยุดหรือจำกัดการฝึกแบบแบตช์เมื่อโครงข่ายไฟฟ้าขาดแคลน
- ปกป้องงาน inference ที่ไวต่อ latency
- ย้ายการประมวลผลไปยังภูมิภาคที่มีไฟฟ้าอุดมสมบูรณ์
- Aurora AI Factory ใน Virginia ซึ่งมี Emerald, Digital Realty, NVIDIA, EPRI และ PJM เข้าร่วม คาดว่าจะเป็นกรณีสาธิตเชิงพาณิชย์ครั้งแรกของดาต้าเซ็นเตอร์ที่ปรับอุปสงค์ไฟฟ้าได้อย่างยืดหยุ่น
การบูรณาการเศรษฐศาสตร์พลังงานกับการควบคุมอุปกรณ์จริง
- บริษัทที่ดำเนินงานดาต้าเซ็นเตอร์หลายแห่งต้องจัดการทั้งอสังหาริมทรัพย์, ราคาไฟฟ้าและการเฮดจ์, การจัดตารางงาน, และการปฏิบัติตามข้อกำหนดไปพร้อมกัน
- กระทบยอดค่าไฟหลายพันรายการ
- เฮดจ์ความเสี่ยงจากราคาไฟฟ้าขายส่ง
- ชาร์จ/คายประจุแบตเตอรี่ตามราคาแบบเรียลไทม์
- บันทึกบัญชีใบรับรองพลังงานหมุนเวียน
- ปัจจุบันหลายแห่งยังใช้สเปรดชีตและโซลูชันแยกส่วนมาต่อเข้าด้วยกัน
- Verse รวมการจัดการค่าไฟฟ้า, power purchase agreement (PPA), การวิเคราะห์พอร์ตพลังงาน, การบริหารความเสี่ยงและการเฮดจ์ไว้ในแพลตฟอร์มเดียว
- Dispatch Intelligence ตัดสินใจชาร์จแบตเตอรี่ BTM แบบเรียลไทม์
- เงื่อนไข PPA ระยะยาวส่งผลต่อวิธีการคายประจุแบตเตอรี่ และการเรียกเก็บค่าธรรมเนียมความต้องการไฟฟ้าเกินจริงอาจกระทบต่อกลยุทธ์การเฮดจ์โดยรวม
DCIM สำหรับเวิร์กโหลด AI
- ผู้ปฏิบัติการดาต้าเซ็นเตอร์มักมองเห็นได้ยากแบบเรียลไทม์ว่าแร็กแต่ละตัวใช้ไฟจริงเท่าไร, มีเผื่อด้านความร้อนเท่าไร, มีความจุที่ถูกปล่อยทิ้งเพราะการกำหนดค่าพิกัดแบบเผื่อความปลอดภัยเท่าใด, และ GPU ใดกำลังเสื่อมประสิทธิภาพ
- DCIM รุ่นถัดไปควรรวมความสามารถต่อไปนี้เข้าด้วยกัน
- telemetry แบบเรียลไทม์
- การจำลองเชิงคาดการณ์ของการไหลของความร้อนและพลังงาน
- การตรวจจับความผิดปกติด้วย AI
- การควบคุมอัตโนมัติที่เชื่อถือได้ ไม่ใช่แค่แสดงผลบนแดชบอร์ด
- Aravolta และ Phaidra กำลังพัฒนาระบบปฏิบัติการที่ใช้ AI
ระบบอัตโนมัติด้วย AI สำหรับงานของบริษัทไฟฟ้า
- บริษัทไฟฟ้าและผู้ปฏิบัติการโครงข่ายต้องจัดการคำขอเชื่อมต่อ, การวางแผนผลิต/ส่งไฟฟ้า, การทำแบบจำลองการเพิ่มขึ้นของโหลด, และกระบวนการกำกับดูแลอัตราค่าไฟ
- ซอฟต์แวร์ที่ใช้ AI สามารถทำงานอัตโนมัติในด้านต่อไปนี้
- การศึกษาการเชื่อมต่อโครงข่ายไฟฟ้า
- การวางแผนโครงการลงทุนและการพยากรณ์โหลด
- เอกสารด้านกฎระเบียบและกระบวนการพิจารณาอัตราค่าไฟ
- Senpilot กำลังพัฒนาระบบปฏิบัติการสำหรับบริษัทไฟฟ้าที่รวมเอเจนต์สำหรับงานวิศวกรรม/กำกับดูแล/บริการลูกค้าไว้ในแพลตฟอร์มเดียว
- แม้ซอฟต์แวร์สำหรับบริษัทไฟฟ้าจะเปลี่ยนแปลงช้าในตลาดเทคโนโลยีองค์กร แต่ AI อาจเป็นจุดเปลี่ยนในการแทนที่ระบบเดิม
การวางแผนและการปฏิบัติการของโครงข่ายไฟฟ้า
- การผลิตไฟฟ้าแบบ BTM ช่วยให้ได้ไฟฟ้าในระยะสั้น แต่ระยะยาวโครงข่ายสาธารณะต้องรองรับโหลดใหม่ได้เร็วขึ้น
- ThinkLabs AI ที่แยกตัวจาก GE Vernova กำลังพัฒนา AI digital twin สำหรับโครงข่ายไฟฟ้าที่สะท้อนกฎฟิสิกส์
- ทำแบบจำลองการไหลของไฟฟ้า, ความแออัด, และผลกระทบของการเชื่อมต่อใหม่ได้เร็วกว่าเครื่องมือเดิม
- ช่วยให้บริษัทไฟฟ้าวางแผนขยายอุปกรณ์และเชื่อมต่อโหลดใหม่ได้มีประสิทธิภาพยิ่งขึ้น
- ซอฟต์แวร์ที่มีมูลค่าสูงที่สุดต้องเชื่อมเวิร์กโหลดด้าน IT กับอุปกรณ์ไฟฟ้าจริงแบบเรียลไทม์ และสามารถลงมือดำเนินการได้โดยตรงบนพื้นฐานของข้อมูลที่เก็บมา
5. การก่อสร้าง/บำรุงรักษาและภาวะขาดแคลนแรงงาน
- ณ สิ้นปี 2025 อุตสาหกรรมก่อสร้างขาดแคลนแรงงานราว 439,000 คน
- จำนวนแรงงานหน้างานสูงสุดของดาต้าเซ็นเตอร์เพิ่มจากราว 750 คนในยุคคลาวด์ เป็น 4,000–5,000 คนในปัจจุบัน
- อายุเฉลี่ยของบุคลากรดาต้าเซ็นเตอร์อยู่ที่ 53 ปี และ 60% ของผู้ประกอบการประสบปัญหาในการจ้างงาน
- การขาดแคลนแรงงานกลายเป็นปัจจัยที่ทำให้โครงการล่าช้าไม่แพ้ปัญหาไฟฟ้าและใบอนุญาต และหุ่นยนต์/ระบบอัตโนมัติ/ซอฟต์แวร์ AI กำลังถูกนำมาใช้ตั้งแต่การก่อสร้างจนถึงการรื้อถอน
การก่อสร้างระยะแรก
- Bedrock Robotics เพิ่มความสามารถขับเคลื่อนอัตโนมัติให้เครื่องจักรหนักเดิมผ่าน Bedrock Operator
- Built Robotics พัฒนาอุปกรณ์ขุดเจาะ/ตอกเสาเข็มอัตโนมัติสำหรับดาต้าเซ็นเตอร์และโรงไฟฟ้าพลังงานแสงอาทิตย์
- TerraFirma เป็นผู้รับเหมาช่วงที่ขับเคลื่อนด้วยเทคโนโลยี และนำงานดินด้วยหุ่นยนต์ไปใช้งานจริงในไซต์ก่อสร้างดาต้าเซ็นเตอร์
- DroneDeploy ใช้โดรนเก็บข้อมูลหน้างานและใช้ AI ตรวจสอบความคืบหน้างาน ความเสี่ยงด้านความปลอดภัย และคุณภาพงานก่อสร้าง
การดำเนินงานและบำรุงรักษา
- MaintainX ให้ข้อมูลทรัพย์สินและข้อมูลงานที่ใช้ AI แก่เจ้าหน้าที่บำรุงรักษา
- Gecko Robotics ใช้หุ่นยนต์ตรวจสอบโรงงานอุตสาหกรรมเพื่อตรวจพบการกัดกร่อนและปัญหาเชิงโครงสร้างก่อนเกิดความขัดข้อง
- Watney Robotics กำลังพัฒนาหุ่นยนต์อัตโนมัติที่ทำงานซ่อมแซม โลจิสติกส์ และบำรุงรักษาประจำภายในสถานที่
การรื้ออุปกรณ์และการใช้แบบหมุนเวียน
- เมื่อผู้ประกอบการไฮเปอร์สเกลเร่งรอบการเปลี่ยนไปใช้ GPU และเซิร์ฟเวอร์รุ่นใหม่ ปริมาณอุปกรณ์ที่ถูกปลดระวางก็เพิ่มขึ้นอย่างรวดเร็ว
- Molg พัฒนาโรงงานจิ๋วหุ่นยนต์สำหรับการถอดแยกเซิร์ฟเวอร์, แล็ปท็อป, และอุปกรณ์อิเล็กทรอนิกส์อุตสาหกรรมแบบอัตโนมัติ
- กู้คืนมูลค่าจากอุปกรณ์ที่ถูกปลดระวางผ่านการนำชิ้นส่วนกลับมาใช้ใหม่, การผลิตซ้ำ, และการรีไซเคิล
- ความสามารถแข่งขันระยะยาวเกิดจากการผสานระบบอัตโนมัติกับข้อมูลหน้างานที่เป็นกรรมสิทธิ์
- คาดการณ์ความขัดข้องก่อนจะลุกลามเป็นความล้มเหลวต่อเนื่อง
- พบปัญหาคุณภาพงานก่อสร้างก่อนต้องทำซ้ำ
- ระบุมูลค่าที่กู้คืนได้จากอุปกรณ์ที่จะถูกปลดระวาง
6. เทคโนโลยีระบายความร้อนสำหรับแร็ก AI ความหนาแน่นสูง
- คาดว่าแร็ก AI จะต้องการความหนาแน่นกำลังไฟสูงกว่าในยุคคลาวด์ 50 เท่า ภายใน 1 ปีข้างหน้า
- การระบายความร้อนด้วยอากาศไม่สามารถดึงความร้อนออกได้เร็วพอ ทำให้ยากต่อการป้องกันการจำกัดประสิทธิภาพและการเสื่อมสภาพของฮาร์ดแวร์
- เนื่องจากความร้อนสูงเกินส่งผลโดยตรงต่ออายุฮาร์ดแวร์และประสิทธิภาพต่อวัตต์ ผู้ประกอบการไฮเปอร์สเกลและห้องแล็บแนวหน้าจึงกำลังออกแบบสถาปัตยกรรมการระบายความร้อนใหม่ทั้งระบบ
- การระบายความร้อนด้วยของเหลวกำลังกลายเป็นแนวทางหลักของสถาปัตยกรรมระบายความร้อนสำหรับดาต้าเซ็นเตอร์ AI แห่งใหม่ส่วนใหญ่
- direct-to-chip cooling ส่งของเหลวหล่อเย็นไปยังพื้นผิวโปรเซสเซอร์ผ่าน cold plate และ manifold
- immersion cooling จุ่มเซิร์ฟเวอร์ทั้งเครื่องลงในของไหลไม่นำไฟฟ้าเพื่อรองรับความหนาแน่นของแร็กที่สูงมาก
- direct-to-chip cooling ผสานเข้ากับโครงสร้างดาต้าเซ็นเตอร์เดิมได้ง่ายกว่า จึงมีขอบเขตการใช้งานระยะสั้นกว้างกว่า
- Corintis พัฒนา microfluidic cold plate ที่ออกแบบด้วย AI
- ส่งของเหลวหล่อเย็นตรงไปยังจุดกำเนิดความร้อนของชิป จึงให้ประสิทธิภาพสูงกว่าแผ่นทองแดงช่องขนานแบบเดิม
- ตลาดซอฟต์แวร์ที่ใช้ AI เพื่อเพิ่มประสิทธิภาพการเดินระบบอุปกรณ์ระบายความร้อนก็กำลังก่อตัวขึ้นเช่นกัน
- Phaidra ใช้การใช้พลังงานแบบเรียลไทม์เป็นสัญญาณล่วงหน้าของความต้องการที่พุ่งสูง
- ปรับระบบระบายความร้อนก่อนที่อุณหภูมิชิปจะสูงขึ้น เพื่อเพิ่มเสถียรภาพด้านความร้อน
- การระบายความร้อนไม่ได้เป็นเพียงระบบประกอบอีกต่อไป แต่กำลังกลายเป็นระบบควบคุมเชิงรุกที่กำหนดทั้งประสิทธิภาพของชิป, อายุฮาร์ดแวร์, การใช้น้ำ และการปล่อยก๊าซของดาต้าเซ็นเตอร์
- เทคโนโลยีระบายความร้อนที่มีศักยภาพควรไม่ผูกติดกับผู้จัดหาฮาร์ดแวร์รายใดรายหนึ่ง และต้องปรับตัวเข้ากับสถาปัตยกรรมดาต้าเซ็นเตอร์ที่เปลี่ยนแปลงได้
โครงสร้างพื้นฐานการปฏิบัติการที่ยังคงอยู่หลังยุคลงทุนอุปกรณ์
- ชั้นพลังงานของโครงสร้างพื้นฐาน AI เป็นระบบนิเวศที่เชื่อมโยงกันระหว่างการผลิตไฟฟ้า, การจ่ายไฟ, การบริโภคแบบยืดหยุ่น, การทำให้โครงข่ายไฟฟ้าทันสมัย, และซอฟต์แวร์สำหรับบริษัทไฟฟ้า
- แม้แต่ละสาขาจะมีโอกาสทางธุรกิจแยกกัน แต่ความสามารถแข่งขันระยะยาวจะเกิดจากความสามารถในการเชื่อมหลายชั้นเข้าด้วยกัน
- บริษัทที่น่าดึงดูดที่สุดคือบริษัทที่เติบโตจากการลงทุนอุปกรณ์ขนาดใหญ่ในปัจจุบัน และยังคงอยู่ในฐานะโครงสร้างพื้นฐานการปฏิบัติการของดาต้าเซ็นเตอร์และบริษัทไฟฟ้า เพื่อสร้างรายได้ระยะยาวแม้การก่อสร้างใหม่จะชะลอตัวลง
ยังไม่มีความคิดเห็น