AI时代的容量分配：数据中心需要什么样的下一代KPI？
文章提出AI时代数据中心应在PUE之外补充电力容量分配视角，并介绍Airsys提出的PCE（电力与计算效能）指标，即已配置IT计算功率容量除以总已配置电力容量。PCE不取代PUE，用于衡量既定电力容量和冗余架构下可持续分配给IT计算的容量。文中还指出液冷会改变制冷负荷分布，CDU、水泵等仍占用电力容量，未来KPI应分层组合使用。
Dr. Rand Talib 2026-10-17 08:10 天津
AI工作负载正在以前所未有的速度重塑数据中心基础设施。
如今，超过50kW的机架功率密度正在变得越来越普遍。AI训练集群往往需要在较长时间内接近其峰值功率运行，对数据中心的电力和制冷基础设施形成持续负荷。
但AI推理的运行模式有所不同。与持续高负载的训练任务相比，推理工作负载在利用率和运行模式上，很多时候反而更接近传统计算环境。在这一变化之下，行业仍然高度依赖PUE（电力使用效率）作为数据中心基础设施效率的核心指标。
PUE当然仍然重要。
它提供了一个简单、直观且行业广泛认可的指标，用于衡量数据中心设施能耗相对于IT负载的开销，也帮助运营商比较不同数据中心的机械和电气基础设施效率。
但随着AI规模化部署出现，一个新的结构性问题正在变得越来越重要：
PUE衡量的是数据中心在通电运行之后，能源使用得有多高效；但它并不能回答一个更基础的问题——一个数据中心已经获得和配置的电力容量中，究竟有多少真正可以分配给IT计算？
因此，这并不是要用新的指标取代PUE。
而是需要认识到：在AI时代，如何在满足可靠性要求的同时，充分利用已经配置的电力容量，也应该成为数据中心运营的重要衡量维度。
PUE依然重要，但它并不能回答所有问题
过去近20年，PUE的持续测量和优化推动了数据中心基础设施的大幅改进。从机械系统设计、电力分配、气流管理，到UPS效率，PUE帮助运营商持续降低数据中心的基础设施能耗。它仍然是衡量数据中心基础设施运行效率的重要基准。
但PUE关注的是：
IT负载运行时，数据中心设施消耗了多少额外能源？
随着AI数据中心规模不断扩大，另一个问题正在浮现：
一个数据中心一开始到底有多少电力容量可以分配给IT？
这两者并不是同一个问题。
特别是在电网接入容量越来越紧张的地区，数据中心能够获得多少电力容量本身，可能比进一步降低几个百分点的基础设施能耗更加重要。
换句话说：当电力资源成为瓶颈时，“拥有多少电”与“用电有多高效”同样重要。
AI数据中心的瓶颈，可能不是制冷效率，而是电力容量
当AI数据中心的规模扩大到数百兆瓦时，限制数据中心发展的因素可能已经不再只是冷机效率、气流组织或者机房温度控制。
更关键的问题可能是：
在既定的电力接入容量和基础设施冗余架构下，到底有多少电力可以真正用于IT计算？数据中心采用什么样的冗余架构，会直接影响这一结果。
例如，N+1、2N等不同冗余设计，都需要额外配置电气和机械基础设施，以保证系统在设备故障或维护期间仍能保持可靠运行。这些冗余设施本身也需要占用数据中心已经配置的电力容量。
因此，运营商需要开始从“容量分配”的角度审视数据中心：
电网和现场电源一共提供多少总容量？
在峰值设计工况下，制冷系统需要预留多少容量？
电力转换和配电过程中会产生多少损耗？
建筑及其他辅助系统需要多少电力？
最终真正可以分配给IT计算的容量是多少？
这些并不是运行过程中才产生的问题。它们很大程度上取决于数据中心在IT设备通电之前，就已经确定的基础设施设计和容量配置。
而这也引出了一个新的衡量维度：PCE——Power and Compute Effectiveness，即电力与计算效能。
PCE关注的不是“用了多少电”，而是“多少电可以给IT用”
PCE由冷却系统供应商Airsys提出，用于提高数据中心已配置电力容量的分配透明度。按照Airsys的定义，PCE是：
已配置的IT计算功率容量 ÷ 数据中心总已配置电力容量
简单来说，PCE回答的是：
在一个已经确定的电力容量和冗余设计下，到底有多少电力可以持续分配给IT计算？这与PUE关注的问题不同。
PCE并不衡量实时IT利用率，也不评价工作负载本身的计算效率，更不是为了取代PUE。
它关注的是一个更加“结构性”的问题：
在既定的电力容量和可靠性设计下，一个数据中心有多少电力容量最终能够用于计算？
这一指标在电网接入容量受限的市场尤其值得关注。如果一个数据中心能够获得的电力容量是固定的，那么基础设施设计方式将直接决定最终能够部署多少IT计算能力。
例如，在同样的电网容量下，如果更多电力被基础设施系统占用，那么能够用于IT的容量自然会减少。
因此，PCE可以帮助运营商进一步理解：
基础设施设计决策，究竟如何影响数据中心最终能够部署的计算能力。这也可能为选址、基础设施规划、冗余架构选择以及未来扩容提供新的参考。
AI时代需要的是“多层KPI”，而不是一个万能指标
随着AI数据中心规模和复杂度不断提高，单一指标越来越难以完整描述数据中心的实际表现。
未来的数据中心KPI更可能呈现出一种分层结构。(见表1) 不同指标回答不同的问题：
表1：KPI对比概览
这些指标之间并不是相互竞争，而是从不同层面描述数据中心的性能。
例如：一个数据中心可能拥有非常优秀的PUE和PCE，但如果IT基础设施长期处于低利用率状态，其实际计算生产力仍然可能不高。
反过来，一个数据中心可能拥有很高的计算利用率，但如果制冷基础设施限制了可分配给IT的容量，那么未来扩容空间可能非常有限。
因此，理解AI基础设施的整体表现，需要把这些指标放在一起看，而不是孤立地看待某一个数字。
液冷正在改变数据中心的“电力分配账本”
随着AI和HPC机架功率密度持续提高，液冷技术正在从早期试点逐步进入规模化部署。包括：
芯片直冷（Direct-to-Chip Cooling）
后门换热器（Rear-Door Heat Exchanger）
浸没式液冷（Immersion Cooling）
这些技术可以降低部分风扇能耗，并提高高热流密度场景下的散热能力。
但液冷并不意味着“冷却不再消耗电力”。恰恰相反。液冷会改变制冷负荷在数据中心基础设施中的分布方式。
例如：CDU、水泵、热量排放系统，以及相应的冗余系统，都需要消耗电力。而这些电力，与IT计算一样，都来自数据中心有限的电力容量。
因此，冷却架构的选择会直接影响：有多少电力被分配给基础设施，以及最终还剩多少电力可以用于IT计算。
这也是为什么，在AI数据中心中讨论液冷时，不能只看“散热效率提高了多少”，还需要进一步考虑：液冷系统占用了多少电力容量？这种容量分配是否有利于整个数据中心的计算能力最大化？
“已经接入的电”不等于“正在使用的电”
在很多数据中心中，已经配置的电力容量并没有被完全使用。运营商可能已经获得了足够的电网接入容量，并按照未来增长需求提前建设基础设施。但在实际运行阶段，只有其中一部分容量真正被IT负载使用。
这意味着：数据中心拥有的电力容量，与当前实际用于IT计算的容量之间，可能存在明显差距。
PUE可以告诉我们实际运行过程中基础设施相对于IT负载的能源开销。
但PCE提供了另一个角度：在整个已经配置的电力容量中，有多少最终可以分配给IT计算。
对于未来需要在有限电网容量下不断扩展AI算力的数据中心而言，这种“容量分配视角”可能越来越重要。
PCE并不是要重新定义数据中心冗余等级，也不是要改变现有的设计条件和可靠性框架。它提供的是另一个视角：从“电力容量分配”的角度，衡量一个数据中心在既定可靠性架构下，有多少电力容量最终可以用于IT计算。
当然，行业对于任何涉及可靠性设计的指标都会保持谨慎。最大化PCE并不应该成为牺牲冗余或可靠性的理由。真正值得讨论的问题是：在既定的可靠性架构下，能否通过优化容量分配，提高有限电力容量所能支持的IT计算能力？
PCE最终能否成为行业广泛采用的KPI，还需要更多运营商实际跟踪这一指标，并积累跨数据中心、跨架构的数据。如果未来行业数据能够证明PCE可以为数据中心性能、容量规划和扩容决策提供有价值的信息，那么它有可能成为AI时代数据中心KPI体系中的一个重要补充。
-END-
未经书面授权，禁止转载。
延伸阅读链接：
☞数据中心基础设施运维3P文件整理汇总(231014)——2025更新版
【版权声明】
凡本公众平台注明来源或转载的文章或图片，版权归原作者及原出处所有，仅供学习参考，若来源标注错误或侵犯到您的权利，烦请告知，我们将立即删除。
【免责声明】
本公众平台对转载、分享的内容、陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完善性提供任何明示或暗示的保证，仅供读者参考。
来源：数据中心运营管理 · mp.weixin.qq.com