AI算力卡在电上，联想给出什么解法？
当人工智能从模型训练走向持续推理和智能体应用，算力基础设施面对的核心问题正在发生变化。
过去几年，产业关注的焦点是能否拿到足够多的GPU。但随着AI集群规模和机柜功率密度不断攀升，另一重约束变得越来越具体：数据中心能够获得的供电、能够承受的散热以及可用的空间，往往在建设之初就已基本确定。在这些条件之内，究竟能够释放多少可以稳定使用的计算性能，又需要多长时间才能投入生产，正在成为企业评估AI基础设施的新标准。
11月11日，联想集团面向全球市场推出新一代AI与高性能计算基础设施及服务组合，涵盖全新ThinkSystem服务器、高性能存储、互连技术、Neptune海神液冷技术，以及面向企业级混合式AI工厂和吉瓦级AI工厂的部署与运营服务。
“人工智能与高性能计算正在围绕客户的一项核心需求加速融合，即如何将日益复杂的工作负载转化为实际成果。”联想集团基础设施方案业务集团（ISG）副总裁Scott Patti表示，“这意味着需要从每瓦电力中获得更多有效计算性能，克服日益严峻的电力与冷却限制，并加快从基础设施部署到AI实际投入运营的进程。”
这也提出了一个值得产业思考的问题：当芯片不再是唯一的瓶颈，AI算力的竞争将以什么为尺度？
算力的新尺度：不只是峰值性能，而是每瓦电力的有效产出
电力与算力之间的关系，正在被越来越多地量化。此前一天，在河北张家口举行的联想万全混合词元工厂品牌发布活动上，国家信息中心信息化和产业发展部主任单志广援引南方电网的测算指出，生成100万个词元的平均耗电量大约为15至20度电。这意味着，AI服务的成本最终要落到能源消耗上，单位电力能够支撑多少有效计算，将直接影响AI应用的经济性。
不过，服务器的标称性能并不等于实际可用的性能。在高负载、长时间运行的情况下，散热能力不足可能导致处理器无法持续保持在较高性能水平，一部分已经投入的算力因此难以充分发挥。
此次发布的ThinkSystem SC755服务器，针对的正是这一问题。资料显示，SC755搭载第六代AMD EPYC处理器，采用联想Neptune海神液冷技术，设计可通过水冷方式带走系统最高100%的热量；与同类风冷系统相比，其持续运行性能最高可提升40%。同时，该产品搭载的Lenovo Dynamic Partitioning动态分区技术，支持更加灵活地分配计算资源。
换言之，液冷的价值不仅体现在降低冷却能耗上，也体现在让同样的硬件在既有供电条件下持续输出更多性能。从行业趋势来看，英伟达下一代Rubin平台已采用全液冷方案，液冷正在从高性能计算领域的专用技术，逐步成为AI基础设施的主流配置。
智能体带来的变化：计算需求从GPU扩展到整个系统
如果说液冷回应的是能源约束，那么此次发布的另一款产品，则反映出AI工作负载本身的变化。
SR755是一款面向智能体AI及多种企业级工作负载的高带宽单路服务器，同样搭载第六代AMD EPYC处理器。联想方面表示，随着智能体应用日益普及，AI系统不仅需要完成模型推理，还需要执行工具调用、数据检索、应用逻辑处理及工作流编排等任务，这对CPU计算能力和内存带宽提出了更高要求。
这一变化值得关注。在大模型发展的早期，算力投入主要集中于GPU；而当智能体开始承担多步骤的实际任务，模型推理只是整个流程中的一个环节，通用计算、存储和网络的重要性可能随之上升。联想集团董事长兼CEO杨元庆此前曾判断，未来的智能终端和基础设施不仅要服务人类，还要服务“数以亿计、7×24小时不间断工作的智能体”。
与此相对应，联想此次还推出了ThinkSystem DE6800和DE6500高性能存储产品，面向高吞吐量、时延敏感型块存储工作负载，并完成了Cornelis CN5000互连网络的验证。这意味着，未来AI基础设施的效率可能不再仅仅取决于单一芯片或服务器的性能，而要看计算、存储、网络和冷却之间能否协同，减少系统瓶颈。
交付能力：从设备到货到投入运营的距离
硬件性能之外，AI基础设施能否真正产生价值，还取决于它需要多长时间才能投入实际运行。
随着AI基础设施向高密度、整机架和大规模集群演进，算力交付正在从单一设备部署，转向复杂系统的整体建设与运营。对企业而言，计算、网络、冷却、软件及运营环境中的任何一个环节出现延误，都可能推迟整个系统的上线时间，已经投入的设备也难以及时转化为业务产出。
就此，联想进一步扩展了两类服务。面向企业客户的混合式AI工厂服务中，GPU高级服务新增了GPU部署、配置和优化能力，并扩展了跨Red Hat和NVIDIA软件生态的多节点支持；面向大型AI基础设施建设的AI云超级工厂服务，则覆盖从场地就绪评估与设计，到液冷、机架及网络部署、系统验证和运营优化的完整流程。
这一方向与当前的市场环境有关。联想集团执行副总裁兼中国区总裁刘军日前在接受媒体采访时指出，当前算力供给仍然紧张，“今年、明年甚至后年，都会是算力紧缺的情况。”在供给受限的背景下，能否让有限的计算资源更快上线、更充分地被利用，其重要性可能不亚于新增算力本身。
从业务数据来看，联想在今年8月披露的财季业绩中，基础设施方案业务营收同比接近翻倍，AI服务器储备订单达到540亿美元。订单规模的扩大，也对系统集成与交付能力提出了更高要求。
从算力到生产力：仍需在实际运行中接受检验
将此次发布与联想前一天在张家口发布的万全混合词元工厂放在一起观察，可以看到一条相对清晰的线索：后者试图把算力转化为可计量、可调用的词元服务，前者则着眼于词元背后的物理基础，即如何在既定的能源和空间条件下获得更多有效算力，并缩短其投入运营的周期。
两者指向的是同一个问题。随着AI应用从试点走向规模化，企业对基础设施的评估，可能逐步从单纯比较硬件参数，转向比较完成同等任务所需的综合成本，包括能源消耗、部署周期以及长期运营效率。
当然，需要指出的是，“最高100%”的热量移除和“最高40%”的性能提升均为产品设计指标，在不同的数据中心环境和工作负载下，实际效果仍有待客户部署后的运行数据加以验证。
但产业的方向已经相对明确。正如Scott Patti所言，客户的核心需求是“将日益复杂的工作负载转化为实际成果”。当算力的竞争从芯片数量延伸到每瓦电力的产出和投入运营的速度，AI基础设施的价值，最终仍要由它所支撑的生产力来衡量。
