1GW 算力园区，真正难在交付

这周我在终端里跑一批推理压测，云 GPU 用了大概一个月，样本来自工业视觉检测的复检队列。模型不大，并发一上来，延迟抖动比显存先爆。正琢磨要不要把 checkpoint 挪到并行文件系统上，刷到塔塔咨询要在海得拉巴建 1GW AI 数据中心，预计投资 7000 亿卢比。

新闻里还有几个数字，HyperVault 取得 264 英亩土地，OpenAI 作为首位客户初始使用 100 兆瓦，未来有望扩展到 1 吉瓦。我第一反应落在怎么交付上。AI 数据中心要把 GPU 机柜放进房子只是表面，难点在电、冷、网、存储和调度。它更像一座高功率、高噪声、高耦合的工厂。

短期看，1GW 容易把注意力带偏。土地有了，容量写了，投资金额也吓人，但让算力跑起来的是电、冷、网、存储和调度。这组关系很关键。100MW 已经能支撑高强度部署，1GW 更像长期路线图。客户采购 AI 算力，不会只看园区面积，会看能不能稳定提供 GPU 小时、网络吞吐、故障恢复、数据驻留。

我这边测下来，训练和推理的瓶颈各有侧重。训练集群里，GPU 之间频繁做集合通信，网络一抖，整组卡都在等。推理更碎，KV cache、批处理、冷启动、长尾请求都会影响首 token 和尾 token 延迟。你拿同一个 AI 数据中心去接两类业务，运维复杂度完全不同。

电力、散热、网络、存储和软件都是硬门槛。变电站、变压器、UPS、切换时间、冗余路径，缺一个都会拖慢上架。高密度机柜靠风冷很难舒服，液冷接根管子远远不够。训练看 RDMA、多轨道、带宽和延迟，推理看出口、负载均衡和跨区调度。模型权重、数据集、checkpoint 都要读写，并行文件系统如果元数据顶不住，GPU 照样饿着。调度、容错、监控、计费、多租户隔离，这些才决定能不能卖给企业。

所以短期判断是，别急着把它当全球领先来鼓掌。先看 100MW 能不能按功率、SLA、客户负载分批验收。HCLTech 投 350 亿卢比、远期 50MW，Google 也在印度砸 150 亿美元建数据中心和海底电缆，印度 IT 巨头集体下场，说明大家看的是未来几年企业 AI 部署的底座。

长期看，这件事比机房更有意思。塔塔咨询过去最会做的是外包交付，工程师、流程、SLA、客户驻场。现在它拿土地、建 AI 数据中心，还准备让数千名员工用企业版 ChatGPT，部署 Codex 改善软件工程成果。路线很明显，它想把 AI 塞进自己的交付体系，再把这套体系卖给客户。

我之前说过，AI 生成代码只是交付的一部分，关键还是验收标准、测试记录和回滚机制。现在看算力也类似。1GW 听起来是规模，客户买的是确定性，这个模型能不能按时跑，数据能不能留在本地，故障能不能恢复，成本能不能算清。

印度有工程师、有英语市场、有数据本地化需求，也有企业软件外包的传统。如果 TCS 能把 HyperVault 做成可验证的基础设施，它的角色会变。它要从接项目转向提供合规推理、行业微调、私有化部署、算力调度。这对中国出海、欧洲企业、本地金融和制造客户都有吸引力。

不过短板也直白。高端 GPU 供应链、液冷设备、电力工程、跨区网络、运维人才，宣布规划补齐不了。电池行业卷参数，算力行业卷瓦数，最后拼的还是失效验证。模型训练失败可以回滚 checkpoint，数据中心断电就是事故。客户不会因为你有 1GW 规划就原谅 100MW 都抖。

我长期判断，这件事能不能成，要看它能不能把 AI 就绪拆成可测试项，包括每兆瓦可用率、网络丢包、存储写回、GPU 故障率、客户数据隔离、灾备恢复时间。把这些指标跑通，1GW 才是资产。跑不通，就是一堆昂贵的机柜。

如果你现在做模型部署，或者要给公司选 AI 基础设施，我的建议是先别被吉瓦数字吓住。把问题拆小。先测业务链路，再谈模型选型。一个客服问答、一个文档抽取、一个视觉质检，对算力要求完全不同。实时交互看延迟，批量处理看吞吐，私有化看数据驻留，训练看故障恢复。你拿不到业务指标，就没办法判断 1GW 跟自己有什么关系。

要求供应商给分阶段验收。不要只听 AI 数据中心、高性能 GPU、绿色算力。要看功率上限、PUE 或冷却效率口径、网络带宽、SLA、故障演练、数据隔离、审计日志、回滚机制能不能写进合同。没有这些，采购只是买概念。

验收单位应落到每一兆瓦能不能稳定跑满。我跑推理压测时，benchmark 显示瓶颈经常来自 token 输出、网络抖动和存储写回。大型 AI 数据中心也会这样。数字越大，越考验工程细节。

所以看塔塔这条新闻，短期关注 100MW 落地，长期关注它能不能把外包能力转成算力交付能力。1GW 很唬人，AI 基础设施最后拼的是稳定供电、稳定散热、稳定调度和稳定回滚。