在2026世界人工智能大会现场，人们看到的是更强的大模型、更灵活的机器人和更多进入真实产业的AI应用。

但支撑这些应用运行的，是持续增长的算力基础设施。

模型规模不断扩大，工业视觉、数字孪生和工业智能体加快部署，正在推动GPU集群和高性能计算需求快速增长。

算力规模持续扩大的同时，数据中心也面临一组更现实的问题：

服务器功率密度越来越高，传统风冷还能不能支撑？
大量GPU能否长期稳定运行？
制冷和供配电成本如何控制？
算力增长是否会带来更高的能源与碳排压力？

因此，在2026 WAIC上，AI数据中心已经不再只是人工智能产业的后台基础设施，而是影响AI规模化落地的重要议题。

工业富联此次亮相2026 WAIC，不仅展示了AI Factory相关实践，也发布了《2026灯塔工厂最新解读：全球化智造运营转型与AI Factory路径》白皮书，与产业伙伴共同探索人工智能与绿色算力融合发展的技术路径。

从这一趋势可以看到，未来AIDC竞争已经不只是GPU数量的竞争，而是算力、散热、能源和运营能力的综合竞争。

高密度算力正在改变传统数据中心

传统数据中心的单机柜功率通常在10kW左右。

随着GPU服务器和高性能计算设备集中部署，单机柜功率正在向数十千瓦甚至更高水平发展，部分高密度场景已经达到200kW以上。

功率密度提升以后，最直接的变化是单位空间内产生的热量大幅增加。

如果这些热量不能及时带走，服务器可能出现降频、故障甚至停机。此时企业虽然采购了大量算力设备，却无法持续获得稳定算力。

传统风冷依靠冷空气带走服务器热量。

当机柜功率密度持续提高时，系统需要增加送风量、降低送风温度，但空气的带热能力本身有限。

风量不断提高后，能耗、噪声和气流组织复杂度都会上升，局部热点仍然可能出现。

因此，高密度算力正在推动数据中心从传统风冷向液冷及风液结合方案演进。

液冷解决了换热问题，但没有解决全部问题

液体的换热能力明显高于空气。

冷板液冷可以直接将冷却介质输送到CPU、GPU等主要发热部件附近，缩短热量传递路径，提升散热效率。

对于更高功率密度场景，浸没式液冷也能够进一步提升设备与冷却介质之间的换热能力。

但液冷并不等于数据中心已经完成了绿色运营升级。

如果冷却系统仍然采用固定流量、固定温度和固定运行策略，即使使用液冷，也可能出现冷量分配不均的问题。

某些机柜负载很高，冷量供应不足；另一些机柜负载较低，却仍然维持较高冷却能力。

因此，液冷解决的主要是热量如何更高效地从芯片传递出来，而完整的热管理体系还需要解决另外一个问题：

冷量应该在什么时间，以什么方式，分配到什么位置。

这需要将IT负载、液冷设备、制冷系统和环境数据统一连接起来。

热管理需要从机房平均温度走向机柜级感知

传统数据中心制冷系统常常以机房温度、回风温度等指标作为主要控制依据。

但在AI训练和高性能计算场景中，不同机柜的负载变化可能非常明显。

同一时间内，有的GPU集群正在满负荷训练，有的服务器处于等待状态。机房平均温度看起来正常，并不意味着每个机柜都处于安全状态。

因此，面向AIDC的热管理需要建立更细颗粒度的感知体系。

系统不仅需要采集机房温湿度，还需要获取服务器功率、芯片温度、冷却液流量、供回液温差以及冷却设备运行状态。

这些数据不能彼此孤立。

系统需要知道某个GPU任务运行在哪台服务器，对应哪个机柜，由哪条冷却回路提供冷量。

只有建立从算力任务到服务器、机柜和冷却系统的完整映射，平台才能判断热量从哪里产生，又应该由哪一套制冷资源处理。

这也是AIDC从传统设施管理走向智能运营的重要基础。

AI让制冷从被动响应走向提前预测

传统制冷系统通常采用被动响应方式。

温度升高后，系统再增加制冷能力。

对于功率密度较低、负载相对稳定的数据中心，这种方式可以满足基本需求。但AI训练任务可能在短时间内快速拉高服务器功率，热量变化速度也更快。

等到温度传感器检测出明显升温时，局部热点可能已经形成。

AI可以结合历史负载、任务排程和实时设备数据，对未来一段时间的热负荷进行预测。

例如，当系统识别到大规模训练任务即将启动时，可以提前提高对应冷却回路的流量，并调整冷机和水泵的运行状态。

任务结束后，再逐步降低冷量供应，避免制冷系统长期维持高能耗状态。

这让热管理从“温度升高以后再处理”，转向“负载变化之前提前准备”。

不过，预测模型并不能替代底层安全控制。

温度、压力和流量等关键指标仍然需要由确定性控制系统进行保护。AI主要承担预测和策略优化，底层控制系统负责执行和安全兜底。

这种分层设计，是AI进入关键基础设施场景的重要原则。

PUE优化不能只围绕一台冷机

数据中心节能经常以PUE作为重要指标。

但PUE受到IT负载、供配电系统、制冷系统和环境条件共同影响。

单独提升某一台冷机或者水泵的效率，并不一定能够获得整体最优结果。

例如，提高冷却液温度可能降低冷机能耗，但如果服务器风扇或循环泵因此增加功率，整体能效改善可能十分有限。

因此，AIDC绿色运营需要从单设备优化转向系统级协同。

系统需要综合考虑算力任务优先级、服务器负载、机柜温度、制冷效率和能源价格，在保证设备安全和算力交付的前提下，寻找更优运行策略。

在园区级场景中，数据中心还可以与光伏、储能和能源管理系统进一步协同。

当绿色能源供给较为充足时，可以合理安排部分非实时算力任务；当用电价格进入高峰时，也可以通过储能和负载调节降低综合能源成本。

这意味着未来的算力调度，可能不只需要考虑计算资源，还需要同时考虑冷却资源和能源条件。

绿色算力的目标不是单纯降低能耗

AIDC绿色运营容易被理解为降低用电量。

但对于AI数据中心而言，单纯追求最低能耗并不一定合理。

如果为了节能而限制服务器功率，可能影响模型训练效率和任务交付。

真正需要优化的，是单位能源能够支撑多少有效算力，以及这些算力能否长期稳定输出。

因此，AIDC绿色运营需要同时平衡三个目标：

首先是设备安全和系统稳定；
其次是算力任务按时完成；
最后是在满足前两个目标的基础上降低综合运营成本和碳排放。

这也是为什么数据中心热管理不能只被看成一个暖通工程。

它需要IT设备、液冷系统、供配电系统、能源平台和运维体系共同参与。

从2026 WAIC走向绿色算力运营

2026 WAIC呈现的，不只是AI应用数量的增加，更是人工智能产业基础设施需求的全面升级。

当AI进入制造、研发和企业运营核心，算力基础设施就必须具备更高的稳定性、能源效率和自主运营能力。

工业富联正围绕液冷、热管理、绿色能源和智慧园区等能力，推动AIDC从单点设备建设向整体运营体系演进。

在AI Factory架构下，算力中心不再是独立存在的机房，而是与工厂生产、能源系统和园区基础设施相互关联的重要组成部分。

未来数据中心的竞争，不只是比谁拥有更多GPU。

真正决定长期竞争力的，是这些GPU能否稳定运行，冷量能否准确分配，能源能否高效使用，以及整个系统能否持续输出可用算力。

算力规模决定能力上限，而绿色运营能力决定这些算力能否真正转化为长期价值。

更多详情请点击链接下载《2026灯塔工厂最新解读：全球化智造运营转型与AI Factory路径》