科技 TechCrunch · Dominic-Madori Davis · 昨天 21:00 · AI 生成
数据中心未来可移动?Runware 打造模块化吊舱一试究竟 AI 基础设施公司 Runware 推出模块化数据中心 Sonic Inference Pod，旨在以更灵活、更快速部署的方式应对 AI 推理需求的爆发。与传统超大规模数据中心不同，该 Pod 可整体运输、快速部署，采用封闭式冷却系统，并且声称能提供更高质量、更低成本的推理服务。文章通过 CEO 的视角阐述了分布式计算的优势，但也触及了数据中心能耗争议这一核心矛盾。适合对 AI 基础设施、数据中心行业趋势及超大规模与分布式计算之争感兴趣的读者。原文 ↗ 原文 ↗
核心观点
▍ AI 推理的未来在于靠近用户的分布式计算，而非全部依赖超大规模数据中心，后者建设速度已跟不上推理需求的增长。 01 Runware 推出 Sonic Inference Pod，一种可整体运输的模块化数据中心，支持快速部署和扩容。 02 Runware 声称 Pod 可提供比其它无服务器推理平台和 GPU 云更高质量、更低成本的推理服务。 03 Pod 采用封闭式冷却系统，不耗水，可在数天内建成，而传统数据中心需要数月甚至数年。 04 Runware 目前已在北美、欧洲和亚太地区部署了 10 个 Pod，并已为 Higgsfield AI 和 Wix 等公司提供推理服务。 05 单个 Pod 故障不会导致整个设施瘫痪，流量可自动转移到其它 Pod；客户可租用整个 Pod 作为专用硬件。 反方 / 局限
— 建设 AI 数据中心本身资源消耗巨大，已导致部分地区公共事业成本上升，这是该领域的普遍争议，Runware 也承认这一点。 — Runware 的设想是未来使用可再生能源，但明确表示“那一天尚未到来”，暗示其当前运营仍依赖传统能源。
前置背景 模块化数据中心的前世今生
Runware 的 Sonic Inference Pod 并非凭空出现。2025 年中国模块化数据中心市场规模已达 83.32 亿元，全球市场约 287.4 亿美元，年增长 22.6%。这类方案将配电、冷却、监控等子系统工厂预制、现场拼装，把建设周期从传统数据中心的数月甚至数年压缩到几周。科士达、京东云、中集集团等都已推出成熟产品，核心驱动力正是 AI 算力需求爆发与「双碳」政策下的绿色节能要求。
▸ 3 条关联资料
▼
平行视角 超大规模 vs 分布式：谁更划算
Runware 的 CEO 坚信分布式计算「最终会赢」，但 OpenAI 正在谈判 5000 亿美元的俄亥俄州超大规模数据中心项目。两派算的是不同账：超大规模靠集中采购压低单位算力成本，但面临电力紧张、建设周期长、单点故障风险大；分布式 Pod 靠近用户降低延迟、利用现有电网容量快速部署，但单节点算力有限、网络协调复杂。2025 年 73% 的推理工作负载将流向何处，取决于 latency 和 cost 在不同场景下的权重。
▸ 3 条关联资料
▼
争议局限 数据中心用水争议：Runware 的闭环真能省水吗
AI 数据中心耗水问题正引发激烈争论。一篇广泛传播的文章称 GPT-3 训练直接消耗 70 万升水，但 Hacker News 社区的工程师指出媒体常夸大事实——多数数据中心采用冷却水循环系统，大部分水可重复利用。Runware 的 Pod 采用封闭式冷却系统，承诺「不用水」；iCloud 贵安数据中心已通过闭式冷却系统实现年均节水 50 万吨，补水率近零。真正的争议焦点不在于「用不用水」，而在于「蒸发损失」和「水质维护」带来的实际淡水消耗能否被闭环技术彻底消除。
▸ 3 条关联资料
▼
未来推演 推理需求爆发，模块化数据中心能接住吗
Runware 目前只有 10 个 Pod 在部署，而全球 AI 推理需求正以指数级增长——彭博社预测到 2032 年推理市场规模将达 1.3 万亿美元。关键变量不在 Pod 本身，而在三个信号：电网能否提供足够容量（Runware 的策略是「利用已有电力，不新增电网」）、液冷技术能否在单机柜 50kW+ 密度下稳定运行（2025 年模块化数据中心液冷渗透率刚突破 18%）、以及英伟达等芯片厂商的推理专用芯片（如 Blackwell 系列）是否会改变分布式与集中式的成本对比。拐点可能在 2026-2027 年，要等大规模部署后的实际 PUE 和每 Token 成本数据出来才能看清。
▸ 0 条关联资料
▼