数据中心 on POOROPS

当数据中心学会自我调度：MIT两级控制让AI训练效率翻倍

poorops@163.com (poorops) — Wed, 08 Apr 2026 09:00:00 +0800

凌晨一点，训练集群的报警像雨点一样落下。磁盘延迟飙升、GPU 在等数据、任务队列越堆越长。值班同事发来一句话：

“不是算力不够，是存储在拖后腿。”

我盯着监控图表突然意识到：我们正被一种看不见的瓶颈卡住——同样的硬件，因为性能波动，实际只发挥了一半。而这正是最新的 AI 热点之一：MIT 发布了一套数据中心两级控制系统，让存储设备在不换硬件的情况下几乎实现性能翻倍。它不是一个“模型算法”，而是“让 AI 训练更快”的基础设施级解法。

本文按照“效果展示 → 问题描述 → 步骤教学 → 升华总结”结构，拆解这项研究的核心思想，并给出一条可落地的工程路线，告诉你：为什么它会成为热点，以及你能如何在现有系统里复用这种思路。

效果展示：不换硬件，性能几乎翻倍

这项工作来自 MIT News 最新报道：研究团队提出了一个两级控制架构，在不更换 SSD、服务器或网络的前提下，通过软件调度让数据中心整体存储性能显著提升。实验中，该方法在真实工作负载（包括 AI 训练与图像压缩）上接近实现性能翻倍。

这种效果之所以值得关注，是因为它击中了数据中心的两个现实痛点：

不再“靠堆硬件”解决瓶颈：增购硬件越来越贵，也越来越慢。
让 AI 训练更稳定：性能波动减少，训练吞吐更可预测。
延长存储寿命、降低能耗：高效使用现有设备，比一味扩容更可持续。

一句话总结：通过更聪明的调度，让“已有硬件”释放出更多生产力。

问题描述：为什么“存储波动”会让 AI 训练变慢？

在数据中心里，存储设备（尤其是 SSD）性能并不稳定，具体原因大致分为三类：

1) 设备间性能差异

即使是同型号 SSD，由于磨损或工作状态不同，性能表现可能相差很大。任务调度如果一视同仁，就会被最慢的设备拖累。

2) 设备内性能波动

同一台设备在不同时间段的性能会波动（例如垃圾回收、写放大、温度变化），导致吞吐不稳定。

3) 工作负载瞬时变化

AI 训练或大规模数据处理任务具有“爆发式 I/O”特点，短时间内负载集中，极易触发排队和拥塞。

传统方法往往只解决其中一个问题：比如只优化设备间差异，或只做静态分配。但现实是，这三类波动会叠加，让系统整体效率持续被拉低。

MIT 的贡献就在于：用一个“全局 + 局部”的双层控制机制，把这三种波动同时消解掉。

步骤教学：落地“两级控制”的工程路线

下面是一条可执行的路线，帮助工程团队在现有数据中心中复用类似思路。

步骤 1：建立“波动地图”

目标：量化设备性能差异和波动幅度。

做法：

定期采集 SSD 延迟、吞吐、队列深度等指标
按设备生成“性能分布曲线”
识别“稳定设备”和“波动设备”

这一步类似于在系统里生成一张“性能地形图”，为后续调度提供依据。

步骤 2：搭建全局控制器（Global Controller）

目标：负责跨设备的任务分配与容量平衡。

关键职责：

识别哪些设备更适合承载重负载
动态调整任务分布，避免“慢设备成为瓶颈”
控制系统整体的负载均衡策略

这相当于“总调度室”，在系统层面做全局优化。

步骤 3：部署本地控制器（Local Controller）

目标：在设备或服务器内快速应对波动。

关键职责：

实时监测设备局部延迟变化
当设备状态变差时快速重路由
保证短时间内的吞吐稳定

这是“现场执行层”，它解决的是秒级别的波动问题。

步骤 4：引入“实时反馈回路”

目标：让全局决策与局部反馈形成闭环。

做法：

本地控制器持续上报设备状态
全局控制器动态调整资源分配
实现“慢设备退场、快设备顶上”的实时机制

这一点是 MIT 方案中的关键：控制系统随负载变化实时学习与适配。

步骤 5：在 AI 训练场景做灰度验证

目标：用最具代表性的工作负载测试效果。

推荐流程：

选取典型 AI 训练任务作为基准
对比“传统静态调度”与“两级控制”性能
记录吞吐提升、延迟改善和资源利用率变化

注意：MIT 的实验显示，在 AI 训练与图像压缩任务上，性能接近翻倍。这说明该方案对 AI 负载尤为有效。

步骤 6：形成可推广的基础设施能力

目标：把调度能力产品化，而不是一次性优化。

关键动作：

将调度策略内嵌到存储或调度平台
做成可配置模块（不同业务可设置不同策略）
与监控系统联动，形成持续优化闭环

真正的价值不在一次性性能提升，而在形成可持续演进的系统能力。

升华总结：AI 的瓶颈，越来越像“系统问题”

这项 MIT 研究成为 AI 热点的原因并不是“算法多聪明”，而是它揭示了一个新的现实：在 AI 规模化时代，性能瓶颈往往不在模型，而在系统。

当算力越来越贵、能耗越来越高、供应越来越紧张，最可持续的路线不是“继续堆硬件”，而是让现有硬件发挥出更多价值。两级控制的思路，就是在系统层面做“聪明的调度”，从而把 AI 训练变得更快、更稳、更省。

这类技术会成为未来 AI 基础设施的核心竞争力。谁能把基础设施调得更聪明，谁就能跑得更快。

配图

参考链接

来源：MIT News｜Helping data centers deliver higher performance with less hardware：https://news.mit.edu/2026/helping-data-centers-deliver-higher-performance-less-hardware-0407
来源：论文 PDF｜Sandook: Two-tier control for storage variability (NSDI 2026)：https://goharirfan.me/publications/sandook_nsdi_2026.pdf
站点：Poorops：https://www.poorops.com/

定制AI芯片热潮：从GPU不够用到系统级共设计的工程路线

poorops@163.com (poorops) — Tue, 07 Apr 2026 09:00:00 +0800

凌晨三点，机房里只剩风扇的嗡鸣。值班同事发来一条消息：“又一批训练任务排队到下周了，GPU 已经被挤爆。”我盯着监控面板上的功耗曲线，突然意识到一个事实：这轮 AI 竞争，不再只是谁的模型更聪明，而是谁能更稳定、更便宜地把算力变成生产力。 这也是为什么最近一条消息引发行业强烈关注——大型公司正在与芯片厂商签长期协议，做自己的定制 AI 芯片。一旦算力成本和供应链被重新定义，整个产业格局都会被改写。

这篇文章就围绕“定制 AI 芯片热潮”拆解技术路线，按“效果展示 → 问题描述 → 步骤教学 → 升华总结”结构展开，帮你看清：为什么 GPU 不够用、为什么定制芯片会变成热点，以及怎样把这件事做成一条可落地的工程路线。

效果展示：当“专用芯片”把算力变成规模化生产

定制 AI 芯片的价值不在“更快一点”，而在把算力从稀缺资源变成可复制的产能。当系统不再完全依赖通用 GPU，你会看到三个明显变化：

成本可控：同样的推理吞吐，功耗下降、单位成本下降，服务规模更容易扩大。
供应更稳定：减少对单一硬件生态的依赖，避免“排队等卡”的停摆风险。
系统效率提升：从芯片到网络再到软件栈全链路优化，吞吐与延迟同时改善。

换句话说，定制 AI 芯片的价值不是“跑分快”，而是“能长期稳定供给”。这正是热点的核心：当 AI 进入基础设施阶段，谁能把算力变成可预测的产能，谁就能控制下一轮竞争节奏。

问题描述：为什么“只靠 GPU”开始显得吃力？

GPU 仍是 AI 训练与推理的主力，但随着模型规模与调用量飞涨，传统路径越来越难支撑业务增长。主要痛点集中在四个方向：

1) 供给风险：卡不是你想要就有

全球算力需求暴涨，GPU 供应链高度集中。哪怕预算充足，也可能在交付周期上被卡住。这对依赖稳定 SLA 的产品来说是致命的。

2) 功耗与散热：性能增长被能耗墙限制

模型迭代让训练成本暴涨。功耗上升不仅意味着电费增加，还意味着散热系统重建、机房密度受限。“能耗墙”正在成为算力增长的新天花板。

3) 工作负载分化：训练和推理不是一件事

训练强调吞吐，推理强调延迟与成本。GPU 是通用方案，但在推理场景常常显得“过于昂贵”。当业务规模扩大，推理的成本压力比训练更突出。

4) 软件栈复杂：通用硬件不等于通用效率

模型、框架、编译器、网络拓扑都在快速变化。GPU 能适配很多框架，但并不意味着它在所有任务上效率最优。软件栈并非“万能钥匙”。

这些问题让很多团队意识到：单靠通用 GPU 已经不是最优解，尤其是在推理规模化阶段。于是，定制芯片的热潮出现——这不是潮流，而是现实压力的必然结果。

步骤教学：打造“定制 AI 芯片 + 系统共设计”的工程路线

如果要把定制芯片真正落地，必须从“业务需求”反推“硬件设计”，再反推“软件栈”，最终形成完整闭环。下面是一条可操作的路线图：

步骤 1：明确负载画像（训练 vs 推理）

先别谈芯片，先谈业务。

训练：吞吐优先，追求大批量并行与高带宽。
推理：延迟与成本优先，追求高并发与低功耗。

如果你的业务 80% 是推理，定制芯片更可能带来巨大收益。

关键动作：

对典型任务做 profiling（计算密度、显存占用、带宽需求）
给每类工作负载定义“成本/延迟/吞吐”三维目标

步骤 2：定义性能指标与功耗目标

定制芯片不是追求“绝对性能”，而是追求“性能/功耗比”。

设定峰值吞吐（例如 tokens/s 或 samples/s）
设定功耗上限（TDP）
设定单位成本（每次推理/训练的美元成本）

指标清晰，才能避免“做出来但不划算”。

步骤 3：确定架构策略（专用加速 + 可编程性）

定制芯片不是“写死”某个模型，而是对高频算子做硬化。

常见策略：

专用矩阵乘法单元（Tensor Core 类）
高带宽内存（HBM）+ 高速互连
对注意力机制、稀疏计算等优化

同时保留一定的可编程性，确保模型迭代不至于“硬件被淘汰”。

步骤 4：建立“软件-硬件协同”的开发流程

定制芯片的成功关键在于 软件栈能否真正用起来。

你需要：

编译器与算子库（确保框架可调用）
模型编译优化（图优化、算子融合）
性能回归工具（每次更新都可对比）

硬件做得再好，软件栈跟不上，仍然无法落地。

步骤 5：网络与系统级设计（别只盯芯片）

AI 不只是单卡问题，而是系统问题：

高速互连（降低节点间通信瓶颈）
机架拓扑设计（优化带宽与延迟）
机房功耗与散热布局

很多性能损耗发生在“芯片外”。如果系统级设计缺失，你的定制芯片收益会被吞噬。

步骤 6：灰度验证与规模化交付

不要一上来就“全量迁移”。

先在低风险推理场景验证（内部服务或非核心业务）
与 GPU 并行运行一段时间，做稳定性与成本对比
形成标准化部署手册与容灾方案

定制芯片是基础设施，不是一次性项目。

升华总结：定制 AI 芯片不是“卷硬件”，而是“卷系统能力”

这轮“定制 AI 芯片热潮”之所以成为热点，不是因为行业突然迷信硬件，而是因为AI 进入了基础设施竞争阶段。当模型能力趋同，真正决定胜负的是：

你的算力成本能否长期稳定下降？
你的供应链是否能抵抗波动？
你的系统能否承受持续扩张？

换句话说，真正的差距是系统能力，而不是单一芯片性能。

从 GPU 到定制芯片，本质上是一次“工程思维”的回归：把 AI 当成产业，而不是当成 Demo。谁能把这条系统级路线走顺，谁就有机会在下一轮 AI 竞争中领先一步。

参考链接

来源：Simply Wall St｜Broadcom’s New AI Chip Deals With Google And Anthropic Shape Valuation：https://simplywall.st/stocks/us/semiconductors/nasdaq-avgo/broadcom/news/broadcoms-new-ai-chip-deals-with-google-and-anthropic-shape
来源：The Motley Fool｜Which Artificial Intelligence (AI) Supercycle Stock Will Make You Richer Over the Next 10 Years?：https://www.fool.com/investing/2026/04/06/which-artificial-intelligence-ai-supercycle-growth/
站点：Poorops：https://www.poorops.com/

1GW算力之城：Meta 10亿美元级AI数据中心如何把“规模”变成护城河

poorops@163.com (poorops) — Fri, 27 Mar 2026 18:00:00 +0800

凌晨 5 点，工程负责人在群里发了一句话：“今天开始，我们不是在建机房，而是在建一座城市。”那时我才意识到，AI 规模化的真正门槛，早就不在模型里了，而在你能不能把“算力”变成可持续、可复制、可扩张的基础设施。

这条线在今天被一条新闻拉到了台前：Meta 把西德州 AI 数据中心投资提升至 100 亿美元，目标 1GW 规模。这不是“多修几栋楼”，而是把 AI 的竞争从算法竞赛推向“能源、土地、网络、电力与供给链的系统工程”。当你能承载 1GW 级的计算负载时，才意味着你具备了在下一轮 AI 竞争中立足的资格。

下面按清晰结构展开：先看它带来的效果，再解释为什么成为热点，最后给出一条可落地的步骤路线。

效果展示：1GW 不是数字，是竞争力的边界

如果你只把 1GW 当作“更大的集群”，你会错过它带来的三重变化：

规模化训练被压到“可预测区间”：模型训练从“不知道成本”变成“能算清楚成本”。当算力足够集中且稳定，训练计划可以像工程项目一样排期，研发节奏不再被资源短缺打断。
推理服务进入“工业级交付”：当日活用户或企业客户规模化增长时，推理成为关键成本。1GW 级别意味着你能把推理做成“工业化服务”，而不是“研究项目附带的演示”。
基础设施成为护城河：规模化数据中心不仅是算力池，更是能源调度、网络优化、硬件供应链和运维体系的集合。当你拥有 1GW 级的基础设施，你拥有的不是机器，而是“持续生产 AI 的能力”。

换句话说，1GW 的背后不是“更强”，而是“更稳”。而“更稳”往往才是长期竞争的胜负手。

问题描述：为什么“建更大的数据中心”成为热点？

1) AI 竞争从模型转向“算力供应链”

过去大家更关注模型参数和训练技巧，但当每一次训练都需要数十万 GPU 小时，能否获得稳定、可控的算力变成了第一优先级。模型再强，如果算力供应链不稳定，研发节奏就会失控。

2) 成本结构决定商业模式能否成立

AI 进入规模化落地阶段后，成本结构决定商业模式。训练成本是一次性支出，而推理成本是持续支出。1GW 规模意味着你能把推理成本降到足够低的边际区间，才能支撑真正的大规模用户。

3) 能源与散热是“隐藏的性能瓶颈”

当集群规模上升到百万级核心时，真正的瓶颈不是计算力，而是电力和散热。数据中心不是“容器”，而是整个系统的关键一环。谁能在能源调度和散热架构上做到更高效，谁就能更快扩大规模。

4) 技术公司必须变成“基础设施公司”

Meta 的投资举动说明了一个趋势：AI 时代的顶级科技公司正在变成基础设施公司。你不只是写模型，也在建电站、拉光纤、搞供电协议、谈土地与政策。 这是一场“科技公司向能源+基础设施公司融合”的时代转向。

因此，“建设 1GW AI 数据中心”成为热点，不是因为它大，而是因为它代表了一条新的竞争路径：谁能把 AI 规模化基础设施建起来，谁就能把 AI 变成长期的生产力。

步骤教学：如何把“超大规模数据中心”变成可执行路线

下面给出一条“从 0 到 1GW”的建设路线，适合技术决策者、基础设施负责人或希望理解大规模 AI 基建逻辑的团队。

步骤 1：先定义“规模目标”与业务模型

不要上来就谈 1GW，你要先回答：

你的目标是训练还是推理？
目标服务规模是多少？
业务模型能否覆盖长期电力成本？

规模目标决定架构设计。 如果你只需要推理交付，可能更适合分布式节点；若要训练大模型，就必须集中化并优化通讯延迟。

步骤 2：建立“算力需求曲线”

超大规模数据中心不是“越大越好”，而是与算力需求曲线匹配：

未来 12 个月训练峰值
推理负载日内波动
业务增长速度与算力新增速度

通过需求曲线，你才能避免“过早投资”或“过晚扩张”。这一步决定你的资本效率。

步骤 3：能源策略优先级 > 硬件策略

在 1GW 级别，能源策略比硬件选型更决定成败：

长期电力协议（PPA）
低谷电价调度策略
可再生能源与储能配置

没有稳定能源，你的 GPU 再先进，也只能“空转”。

步骤 4：把网络与散热当作“系统级产品”

当规模扩大时，网络架构和散热不是后端工程，而是性能核心：

高速互联网络决定训练吞吐
热设计影响节点密度与可靠性
散热系统是“长期成本优化器”

好的散热系统，相当于把每一度电的有效计算产出放大。

步骤 5：供应链管理成为技术团队能力

1GW 级别意味着硬件采购、芯片供给、机柜交付、冷却系统全是工程风险。你必须：

提前锁定关键芯片与设备供应
设计可替代配置（避免单点依赖）
让基础设施具备“模块化扩展”能力

从这一刻起，你不只是技术团队，还是供应链团队。

步骤 6：运维与治理转向“工业化”

数据中心达到 1GW 后，运维不是“工程问题”，而是“治理问题”：

自动化监控与故障预测
统一运维流程与标准化工单
能耗与成本可视化（实时 KPI）

没有运维治理的工业化能力，规模只会带来失控。

步骤 7：把规模转化为护城河

规模不是终点，护城河才是目的：

对外形成稳定 SLA 与价格优势
对内形成研发节奏与资源可预测性
对市场形成“基础设施能力”品牌信任

当规模能直接转化为客户信任与成本优势时，1GW 才算真正变成护城河。

升华总结：AI 时代的胜负手，藏在“基础设施能力”里

AI 发展到今天，模型已经逐渐“商品化”。真正的区分点不再是“模型参数”，而是你是否能让 AI 规模化可持续运行。Meta 的 100 亿美元投资不是一个新闻噱头，而是一个行业信号：AI 竞争的核心正从模型走向基础设施。

1GW 不是一个数字，它是一条分界线——跨过它，你不只是拥有更多算力，而是拥有更稳定的研发节奏、更低的边际成本、更可预测的交付能力。这些才是 AI 长期竞争的底层护城河。

下一轮 AI 竞争，真正的赢家不是“参数最大”的公司，而是能把算力变成可持续基础设施的公司。算法在进步，但决定谁能走得更远的，往往是看起来不够“酷”的基础设施。

参考链接

来源：CNBC｜Meta boosts investment in West Texas AI data center by over sixfold to $10 billion https://www.cnbc.com/2026/03/26/meta-to-spend-10-billion-on-ai-data-center-in-el-paso-1gw-by-2028.html
来源：Reuters｜Meta boosts Texas AI data center investment to $10 billion https://www.reuters.com/technology/meta-boosts-investment-west-texas-ai-data-center-10-billion-cnbc-reports-2026-03-26/
来源：Poorops 官方网站 https://www.poorops.com/

AI算力“电费账单”正在改写AI竞争力

poorops@163.com (poorops) — Fri, 27 Mar 2026 09:00:00 +0800

凌晨 1 点，我收到一封“看起来不属于技术团队”的邮件：财务部门要求我们解释“本月训练集群电费为何翻倍”。在这个时代，这类问题不再是旁观者的好奇，而是直接决定 AI 项目是否继续的生死线。我们以为竞争力来自更大的模型、更快的推理、更亮眼的 Demo，但现实正在把我们拉回一张账单：电费。

而这张账单背后，真正的热点不是“模型”，而是AI 数据中心的能耗和架构。MIT Technology Review 报道了“超大规模 AI 数据中心”的能源消耗问题，业内讨论迅速升温：谁能把算力的“电费账单”打下来，谁就能把 AI 的成本结构压到可持续的水平。这是当下 AI 热点里的“硬核现实”。

下面按照清晰结构展开：先看它带来的效果，再解释为什么成为热点，最后给出一条可落地的步骤路线。

效果展示：算力成本决定落地速度

当 AI 从实验室走向规模化部署时，团队看到的不是“模型的美”，而是“成本的真”。你会看到这些效应：

训练成本被能源吞噬：模型规模翻倍，耗电不止翻倍。对于头部公司来说，电费已经成为训练成本的最大项之一。
推理成本压到业务生命线：在线应用的推理需求持续增长，电力消耗直接变成“每个用户的边际成本”。
数据中心架构成了竞争门槛：谁能用更高能效的架构跑更大的模型，谁就拥有更高的利润空间。
绿色指标开始影响市场信任：能耗与碳排放指标不再是“公关话术”，而是企业采购与政策审查的硬指标。

这意味着：电费账单已经从后端成本项，变成了 AI 竞争力的前端指标。

问题描述：为什么能耗成了“隐藏的胜负手”？

1) AI 的规模化让成本结构发生质变

过去 AI 更多是“试验性项目”，成本高但量小。如今 AI 正走向“规模化部署”，成本结构被放大：

训练阶段：集群越大、能耗越高
推理阶段：服务越多、用电越持久

这不是“算力贵”，而是算力贵到足以决定商业模式的可行性。

2) 数据中心正在从“容器”变成“技术战场”

AI 计算的瓶颈不是单点性能，而是单位功耗下的吞吐量。这让数据中心的电源设计、散热策略、芯片架构成为核心竞争力。过去被视为“基础设施”的部分，如今决定着模型是否能规模化落地。

3) 规模化时代，边际成本决定胜负

AI 进入“产品化”阶段后，商业化的关键是：边际成本能否持续下降。 如果推理成本过高，任何大规模用户增长都可能拖垮利润；反之，低能耗意味着更高的运营弹性。

4) 政策与市场对绿色 AI 的压力正在增大

欧美对能耗和碳排的监管越来越严格，企业采购标准也在提高：供应商必须解释“模型背后的能源消耗”。这让“绿色 AI”不再是营销概念，而是生存规则。

因此，能耗不是“基础问题”，而是 AI 产业的战略命题。

步骤教学：如何把“电费账单”转化为技术优势

下面给出一条可执行的路线，把“算力成本”转化为“系统优势”。

步骤 1：先测量，而不是先优化

没有量化的优化都是空谈。你需要建立最基础的能耗指标：

训练每一步的能耗（kWh/step）
推理每千次请求的能耗（kWh/1000 req）
数据中心 PUE 值（电能利用效率）

把这些指标拉出来，才能知道真正的痛点在哪。

步骤 2：拆解“能耗结构”，找到最大浪费源

能耗往往集中在几个隐形点：

过度冗余的模型参数
低效的 batch/并行策略
不合理的散热设计

通过拆解结构，找到“能耗最陡的那部分”，先把最浪费的环节压下去。

步骤 3：策略性优化模型结构（不是盲目缩小）

降低能耗不等于“把模型变小”。常见策略：

模型稀疏化：减少有效计算量
蒸馏与压缩：在性能可接受范围内降低参数
动态推理：根据输入复杂度调整计算深度

这些手段的核心，是把“无效计算”变成“可控计算”。

步骤 4：硬件与架构协同优化

模型优化永远要和硬件协同：

选择更高效的加速器架构
调整算力部署密度，避免热岛效应
让推理负载在低谷电价时段运行（适用于非实时任务）

硬件协同的本质，是把电力成本变成可调变量，而不是固定成本。

步骤 5：建立“能耗预算制度”

在企业层面，建议把“能耗预算”变成项目管理的一部分：

每个模型训练必须有能耗预算
推理上线必须有成本预测
能耗指标纳入团队 KPI

这能让“电费账单”从财务的后端痛点，转化为技术团队的前端指标。

步骤 6：把“绿色 AI”变成品牌与合规优势

当能耗下降，别只停留在成本节省：

对外发布“能耗指标与节能成果”
在采购与合作中强调绿色优势
参与行业标准，建立话语权

最终，能耗优化不仅降低成本，还能提升信任与竞争力。

升华总结：电费账单正在定义 AI 的下一轮赢家

过去的 AI 竞争看参数规模、看训练数据、看模型架构。现在，这些都必须通过一道新的关卡：电力与能耗。

AI 的真正规模化不会发生在“更大的模型”上，而会发生在“更低的边际成本”上。谁能把能耗降下来，谁就能把 AI 从试验品变成真正的生产力工具。电费账单不是财务故事，而是 AI 竞争的底层逻辑。

当行业把注意力从“参数竞赛”转向“能耗竞赛”，你会发现真正的赢家不是喊得最大声的公司，而是把电力成本变成技术优势的人。

参考链接

来源：MIT Technology Review｜Hyperscale AI data centers: 10 Breakthrough Technologies 2026 https://www.technologyreview.com/2026/01/12/1129982/hyperscale-ai-data-centers-energy-usage-2026-breakthrough-technology/
来源：MIT Technology Review｜What’s next for AI in 2026 https://www.technologyreview.com/2026/01/05/1130662/whats-next-for-ai-in-2026/
来源：Poorops 官方网站 https://www.poorops.com/