AI的下一个瓶颈是水 Gradiant拿下超大规模数据中心水务大单

简介: 过去两年,AI算力狂飙,电力之外,“水”成新瓶颈。美国戈润公司以端到端水务解决方案(HyperSolved)切入超大规模数据中心,提供从取水、冷却、回用到零排放的交钥匙服务,已落地英美多地。水资源正跃升为AI基建选址核心要素。

过去两年,所有人都在讨论AI缺不缺电。

但越来越多的大型数据中心项目,卡住的地方不是电网,而是水管。

今年,美国水处理公司Gradiant(戈润)接连拿下多笔超大规模数据中心水务订单——从英国牛津郡到美国西德州,它做的事情只有一件:把"水"这层一直被拆散管理的基础设施,打包成一个系统交给数据中心。

图片
一、一单生意,说明了一个趋势

2026年9月,戈润签下一份合同:为美国西德州一处正在开发的超大规模AI数据中心园区,提供饮用水系统与废水处理系统的交钥匙工程。戈润作为单一责任方,从供水到排水整体交付。

客户身份未公开,戈润仅称其为"全球最大的科技公司之一"。合同金额、处理规模、园区具体位置也均未披露。

但有一个细节值得注意:该项目按"地表水零排放"设计。

西德州水资源紧张,却是这轮AI基建的热门落地区。零排放设计的意义不止于一个园区——它提供了一个可复制的样本:在水资源紧张的地方,AI基础设施依然可以建,前提是把水的账算清楚。

二、为什么数据中心突然"抢水"

两个数字最直观:

📈 全球数据中心容量预计在2025至2035年间增长约6倍;

💧 一座100兆瓦的超大规模园区,每天的用水量可以相当于一个8万人口城市的日常用水。

新一代AI设施对电力和冷却的需求远超传统计算,用水量随之陡增。而在很多地区,制约项目落地的已经不只是电力和土地,还有水资源可用量、审批复杂度和排放限值。

问题在于,算力和电力系统的建设已经相当成熟,水系统却依然是碎片化的:多个供应商、多套互不相通的系统,既增加风险,也拖慢交付节奏。

三、戈润的答案:把水当成一整套系统

针对这个痛点,戈润推出了HyperSolved——一套面向AI数据中心的端到端冷却水解决方案。它的思路是把冷却水的全生命周期,从取水、处理、循环到排放,整合进一个平台,由单一供应商负责到底。

这套平台由三块能力构成:

① 水处理技术——覆盖处理、回收与零液体排放;

② CURE化学品方案——保障冷却系统水质与运行稳定;

③ SmartOps智能运营——AI驱动的监测与优化,实时跟踪水系统表现。

同时,它支持使用市政再生水等非传统水源,降低对淡水的依赖,让选址更灵活;并通过高回收浓缩与回用减少排放,缓解监管压力。

在交付上,戈润采用集装箱化系统来匹配AI建设的节奏——需要时快速上量,长期则转为永久性基础设施。戈润方面对此的表述很直白:你负责运营数据中心,水这一层交给我们。

四、一年之内,从欧洲连到美洲

回头看戈润今年的动作,节奏相当密集:

4月 拿下英国牛津郡迪德科特(Didcot)超大规模数据中心水处理设施合同,项目建在一座前燃煤电站旧址上,方案涵盖处理、循环利用与零液体排放;

5月 宣布HyperSolved已在多家全球顶级超大规模运营商处落地;

5月 完成E轮融资,估值达20亿美元,资金投向AI基础设施、半导体与工业水处理;

8月 扩充美国团队,新增三个办公室、一个创新中心,并签下长期服务合同;

9月 西德州超大规模AI园区交钥匙项目落地。

戈润预计,到2027年,数据中心业务将占其全球业务的约25%。

五、这家公司什么来头

戈润(Gradiant)总部位于美国波士顿,孵化自麻省理工学院(MIT),目前全球员工超过1400人,已在92个国家建成超过3000座水处理设施。

它的客户集中在半导体、制药、食品饮料、锂与关键矿产、可再生能源等对水要求极高的行业。如今,数据中心正在成为它的新增长极。

公司CEO Prakash Govindan 对行业的判断是:AI基建的这轮扩张规模,堪比19世纪连接区域、改变经济的铁路建设;而水,仍然是数据中心基础设施中集成度最低、最碎片化的一层,用一套从未为超大规模设计过的拼凑方案在管理。

六、结语:水资源正在进入选址决策的第一页

过去,数据中心选址看电价、看地价、看网络时延。现在,水的可获得性、审批难度与排放约束,已经和电力一道,摆在同一个决策层级上。

对运营方来说,把水系统交给单一责任方,能简化接口、压缩工期、降低合规风险;但对应的,是把进度与性能的风险集中到了一个供应商身上。

这既是机会,也是考验。而对更广泛的行业而言,一个信号已经很清晰:AI的扩张速度,最终要看水能不能跟上。

本文内容整合自公开行业信息,仅作交流分享使用;相关内容版权归原作者所有,若涉及侵权请联系删除。

相关文章
|
25天前
|
人工智能 自然语言处理 安全
阿里云千问办公 QwenWork详细介绍:产品核心能力、典型场景、价格及常见问题解答
在AI技术快速落地办公场景的当下,市面上绝大多数智能工具依旧停留在问答对话、文本摘要、简单文案改写层面,只能完成碎片化单点任务。企业员工处理一份完整业务工作时,往往需要同时开启多款工具,文档处理、数据分析、素材创作、网页制作分属不同软件,中间内容需要反复复制粘贴,即便借助通用大模型生成内容,输出成果还需要大量二次格式调整,才能达到交付标准。同时企业内部的数据分散在聊天记录、审批单据、本地文档、业务平台,普通AI工具无法直接读取内部业务信息,每一次任务都要人工复述背景条件,法务、财务、研发这类垂直岗位,还需要编写冗长提示词才能拿到相对可用结果,AI办公落地的实际门槛长期居高不下。千问办公Qwen
560 9
|
25天前
|
人工智能 自然语言处理 监控
2026年值得关注的AI客服产品推荐与实测体验分享
本文聚焦2026年AI客服发展新阶段,指出行业正从“能答”迈向“能干”。重点解析阿里云瓴羊Quick Service——基于三层架构、多模型协同的AI员工团队,具备语义理解、AI Agent闭环执行(如查物流、退换货)、全渠道接入与持续进化能力,实测准确率达93%,助力企业降本增效。
|
25天前
|
自然语言处理 安全 测试技术
别再只测『答得对不对』:给大模型应用建一套 Prompt 注入红队回归集,把越权/泄密挡在上线前
本文揭示RAG客服应用因缺乏Prompt注入防护而致系统提示词泄露的事故,指出问题根源在于测试只关注“答得对”,却忽视“会不会答不该答的”。提出将注入测试升级为可回归的红队用例集:结构化存于jsonl,覆盖四类注入;用pytest参数化断言输出、工具调用与拒答行为;接入CI自动拦截。安全不是模型天赋,而是靠可执行、可演进的断言守出来的。
别再只测『答得对不对』:给大模型应用建一套 Prompt 注入红队回归集,把越权/泄密挡在上线前
|
25天前
|
机器学习/深度学习 前端开发
发动机故障诊断智能体(三):特征可分性优化与加权对比投影层
在基础时序编码网络完成对正常工况的压缩表征后,尽管模型具备了提取稳态规律的能力,但在面对多种不同类型的微量气路故障时,潜在空间中的特征分布仍可能存在相互交叠的现象。该组件致力于通过引入度量对比学习机制,在特定的低维投影空间内重塑特征拓扑结构,系统性优化不同故障模式之间的几何可分性。
|
25天前
|
人工智能 缓存 数据库
常青翻新|Mock 不是万能替身:Dummy/Stub/Spy/Mock/Fake 五种 Test Double 的边界与踩坑
本文厘清测试替身的五大分类(Dummy/Stub/Spy/Mock/Fake),指出滥用“万能Mock”导致测试脆弱或假绿的根源:混淆“提供数据”与“验证交互”。强调选型核心原则——**先明确断言对象(数据?交互?真实行为?),再决定替身类型**,并结合AI场景(如Agent轨迹验证、假模型替代)赋予经典模式新生命力。
|
25天前
|
存储 弹性计算 人工智能
阿里云服务器ECS是什么?介绍、优势、创建流程及使用教程
阿里云ECS是高性能、高可用的弹性云服务器,支持分钟级创建、灵活升降配与全球部署。依托自研CIPU架构,单实例SLA达99.975%,网络延迟低至8微秒,适配网站托管、AI训练、数据库等全场景需求。(239字)
|
25天前
|
运维 调度
数字员工任务中断怎么办:失败分型、断点续跑与幂等重跑
把重复劳动交给数字员工之后,工程上绕不开一个问题:任务跑到一半中断了怎么办。这篇文章给一套实操框架,先做中断分型,再谈怎么让它可观测,最后谈怎么恢复,三步之外加一道结果校验兜底。
202 8
|
25天前
|
存储 人工智能 IDE
阿里云千问办公QwenWork和Qoder有什么区别?一个用于办公、一个用于编码
阿里云三款AI产品定位清晰:千问办公(QwenWork)专注通用办公自动化,面向非技术岗;Qoder CN是国内合规AI编程平台,支持IDE/CLI全场景开发;Qoder Teams是其企业团队版,提供席位管理、共享知识库与用量审计。(239字)

热门文章

最新文章