NVIDIA 发布 DSX 平台解决 AI 基础设施电力瓶颈，联合能源巨头打破数据孤岛

一句话结论

NVIDIA 联合能源行业巨头推出 DSX 平台，将电网与算力设施一体化设计，旨在解决制约 AI 发展的电力瓶颈并提升能源利用效率。

关键要点

• 超过 3000 亿美元（$300 billion）的电力设备处于积压状态，美国超过 200 吉瓦（200 gigawatts）的项目正等待电网互联审批。
• Phaidra 通过集成 DSX Flex 等组件优化冷却与电力分配，在相同电力限制下实现约 10% 的算力提升。
• Emerald AI 的 Conductor 平台接入 DSX Flex，其模式预测可释放美国现有电网最高 100 吉瓦的闲置容量。
• Hitachi Energy 的电池储能系统已通过 NVIDIA DSX Ready 认证，满足参考架构对弹性、可靠和可扩展 AI 工厂的设计要求。
• Schneider Electric 联合 AVEVA 和 ETAP，基于 NVIDIA Omniverse 构建数字孪生，验证了 Vera Rubin 电源与冷却参考架构。

背景与事实

全球公司正基于 NVIDIA DSX AI 工厂平台（NVIDIA DSX AI Factory Platform）进行建设，该核心功能是将电网与 AI 工厂规划为单一系统，覆盖从变电站到机架的全链路。这一举措的直接背景是电力已成为基础设施中最大的瓶颈。当前市场数据显示，有超过 3000 亿美元的电力设备处于积压状态，同时美国有超过 200 吉瓦的项目正在等待电网互联队列处理。造成这一瓶颈的根源在于长期存在的系统性孤立，即电网、物理设施及内部算力系统在设计上相互独立，导致了交付延迟、风险增加及产能闲置等问题。

为应对这一挑战，NVIDIA 通过 DSX 平台整合各方资源。GE Vernova 正部署其从电网到设施再到机架的电力专业知识，以补充 NVIDIA DSX 系统，帮助客户将电力约束转化为竞争优势，在最大化算力输出、Token 产出及电网可靠性的同时提升可持续性。Hitachi Energy 的电池储能系统已获得 NVIDIA DSX Ready 认证，协助客户识别符合 NVIDIA DSX 参考架构设计要求的电力基础设施，确保 AI 工厂具备弹性、可靠性与可扩展性。

在软件与数字孪生领域，Schneider Electric 与 AVEVA、ETAP 合作推进 NVIDIA DSX 生态。它们验证了基于 NVIDIA Vera Rubin 的电源和冷却参考架构，并利用 NVIDIA Omniverse 驱动的 AI 工厂数字孪生技术。通过结合 AVEVA 的工程软件专长、NVIDIA SimReady 资产、OpenUSD 和 Omniverse，该系统实现了仿真、实时运营数据与 AI 驱动优化的连接。这些能力帮助组织在数据中心的全生命周期内进行设计、模拟、运营和优化，从而改善能源效率和负载性能，加速 Token 生成时间。

Siemens Energy 正扩大与 NVIDIA 的合作，开发一个参考设计，涵盖发电、输电和配电的弹性、可扩展且具备电网感知能力的电力基础设施。该设计与 NVIDIA DSX Vera Rubin AI 工厂设计要求对齐。此外，Siemens Energy 正在探索在 Noedra 数字孪生平台中使用 RAPIDS、Metropolis 和 Isaac Sim 等 NVIDIA 技术，以评估其在增强电网基础设施监测、识别新兴风险及支持计划外停电预防方面的潜在作用。Phaidra 则将 DSX Flex、DSX Max-Q 和 DSX Exchange 整合进其自学习智能体中，通过优化冷却和电力分配，旨在最大化每瓦特 Token 数，提高电网灵活性，并在相同的电力包络内提供约 10% 的额外算力。Emerald AI 将其 Conductor 平台集成到 DSX Flex 中，帮助公用事业公司利用未充分使用的电网容量，其模式预测该方案可在美国现有电网上解锁最高 100 吉瓦的容量。

影响分析

对于中国及全球的 AI 开发者与基础设施从业者而言，这一趋势意味着“算力即电力”的竞争逻辑正在发生根本性转变。传统的 AI 部署往往优先考虑 GPU 数量，而忽略了电力供给的复杂性和瓶颈。NVIDIA DSX 的推出表明，未来 AI 工厂的竞争力不仅取决于模型参数，更取决于电力系统的调度效率与冗余能力。对于技术决策者，这意味着在项目规划阶段必须引入跨部门的电力工程专家，而不仅仅是 IT 团队。

从实际工程角度看，采用经过验证的参考架构（如 Vera Rubin 架构）可以显著降低试错成本。通过数字孪生技术预演电网负载与冷却系统的交互，开发者能够在物理建设前识别潜在的风险点和效率低下环节。这对于希望在能源受限地区部署大规模 AI 集群的企业尤为重要，因为它提供了一种在不新增巨额电网基建投资的情况下，通过优化现有资源来扩展算力的路径。这种“软性扩容”方式可能成为未来数据中心建设的主流范式，迫使从业者重新评估能效比与算力密度的平衡点。

适用边界

本结论主要适用于计划新建大规模 AI 工厂或对现有数据中心进行重大电力升级的企业，特别是那些受到电网互联排队或设备积压影响的机构。对于小规模、分布式或边缘计算场景，由于电力规模较小，采用如此复杂的电网-设施一体化系统的边际效益可能不高，且实施成本可能过高。此外，文中提到的具体合作伙伴（如 GE Vernova、Hitachi Energy）的解决方案可能受限于特定的地理区域或电网标准，在非北美地区的应用可能需要适配当地电力法规与基础设施差异。

孤本观察

来源数据显示，能源巨头正在从单纯的设备供应商向 AI 算力生态的“操作系统”层面渗透，通过 DSX 平台绑定技术标准，这可能重塑电力行业与科技行业的价值链分工。NVIDIA 将“Token 生成速度”与“电网灵活性”挂钩，标志着 AI 基础设施评估体系已从单一的硬件性能指标转向全链路能源效率指标。

来源：NVIDIA Blog