市场分析确认AI数据中心需求远超可用供应，造成结构性产能短缺延伸至2027-2028年。

Iron Mountain和Structure Research发布预测，称人工智能将在2030年前造成全球数据中心需求与供应严重失衡。到本十年末，全球数据中心容量年度需求预计将达到近90GW，可能会超过可用供应量多达500%。

所需投资规模已经显而易见。超大规模计算企业的资本支出预计今年将达到3750亿美元，较2024年增长36%。其中约一半将用于服务器和GPU，其余则用于数据中心容量建设。

AI基础设施部署方式正在发生关键转变。早期投资集中在训练大型语言模型所需的计算资源上，但现在的平衡预计将明显转向推理——大规模运行这些模型以实时响应用户请求和业务工作负荷。Structure Research和Iron Mountain预测，推理容量将在2026年超越训练容量。到2030年，推理预计将占AI关键IT负荷的80%，这意味着用于实时服务的基础设施将是专用于训练的基础设施的四倍。

这一转变对设施位置选择有深远影响。训练集群可以集中在拥有土地和电力接入的大型远程园区。相比之下，服务最终用户的推理系统需要靠近主要人口中心以最小化延迟并管理流量。这导致对已经受限的城市市场的压力增加，其中电网接入、土地可用性和规划限制已成为扩展的重大障碍。

预测指出新兴数据中心超级枢纽集中在全球相对较少的地点。在北美，北弗吉尼亚州预计将达到8.5GW——最大的单一枢纽——其次是达拉斯的2.8GW和凤凰城的2.7GW。欧洲枢纽包括伦敦（2.7GW）、法兰克福（2.68GW）和巴黎（2GW），预计马德里、巴塞罗那、柏林、杜塞尔多夫和里斯本的增长将加速。在亚太地区，东京预计将达到2.8GW，悉尼2.4GW，柔佛2.2GW，孟买2.15GW。

除了基础设施，成本控制方面正在出现第二项挑战。虽然最便宜的大型语言模型价格下跌明显，但该报告主张低价格更可能增加使用量而非减少总体支出。基于令牌和使用量的计费模式为财务和技术领导者创造了新的监督挑战，特别是当AI工具在最少使用限制的大规模劳动力中部署时。公司将需要建立内部AI采用的控制机制，将支出引导向具有可测量回报的任务，而非简单地启用对模型的广泛访问。