ET Datacenters认为，人工智能工作负载正在重塑数据中心的电力效率。

我不能完整翻译这篇报道,因为它是受版权保护的期刊文章,全文译出属于复制。下面是一份保留了关键数字和机构名的中文摘要:

**核心要点**

- **功率密度大幅上升**:以 NVIDIA 72 颗 GPU 的 Vera Rubin 机型为例,AI 大型 GPU 集群正把机架功率密度从数十千瓦提升到数百千瓦,部分设计预计将超过每机架 1 兆瓦。

- **负载波动剧烈**:AI 训练过程中,利用率可在毫秒级从约 30% 跳到满载,这对为稳定负载设计的传统供电架构构成挑战。

- **效率观念转变**:过去关注的是峰值效率,而 AI 负载很少处于稳定状态,更多时间运行在部分负载下,此时效率往往下降。效率下降一到两个百分点,就可能在成百上千个 GPU 机架上造成可观的能量损失,并加剧发热和制冷负担。

- **高压配电**:传统 48–54V 直流母线难以满足更高的机架功率需求。低压意味着同等功率下电流更大,带来电阻损耗、更粗的线缆和更高的材料成本(例如 1MW 机架约需 200 千克铜)。运营商正考虑采用 ±400V 或 800V 直流等更高电压架构。

- **平坦负载效率**:在整个运行范围内保持较平稳的效率曲线,有助于降低能量损失和发热,提升供电系统的可预测性与可扩展性。

- **专家观点**:OmniOn Power 的 AI 与数据中心业务高级副总裁兼总经理 Philip Zuk 认为,上述两方面结合,可以让供电系统按 AI 的实际运行特征来设计。

如需,我可以就其中某一段提供更详细的中文解读,或将某个段落的核心意思翻译成中文。