AI 資料中心正將美國的電網推向崩潰邊緣
隨著 AI 應用層面快速擴張，正加速推廣全球資料中心建設。然而，在這股熱潮背後隱藏著日益嚴重的擔憂：電力嚴重短缺，原因是供應難以跟上飆升的市場需求。這個問題在美國格外明顯。
儘管擁有充足的發電能力，美國電力產業仍面臨俗稱「併網排隊」的結構性問題。監管審核、電網連線限制，導致新的發電設施無法在需要時，將電力輸送到有需要的地方。Hitachi Group 旗下的公司最近解決以上瓶頸，他們為西南電力池的某個專案提供諮詢服務，SPP 是區域輸電組織，負責管理美國部分地區的電網、批發電力市場。
為何電網正在崩解
近年來，美國電價漲幅超過整體通貨膨脹指數。2020 年至 2024 年間，美國住宅曲的電價上漲大約 25%。主要驅動因素是老化的基礎設施升級成本，還有由 AI 熱潮推動的資料中心需求激增。
負責資料基礎設施開發的 Hitachi Vantara 公司 Shawn Monroe 現身說明這項挑戰的規模：「過去 100 年來，美國電力需求以每年 1% 至 3% 的溫和速度成長。但預測資料顯示，2025 年可成長 33% 至 35%，2026 年將可成長將近 40%。這表示基礎設施的工作負載在短短三年內可增加 300%，對於設計的使用壽命超過 50 年的基礎設施來說，速度實在太快。」
Hitachi Vantara 能源 AI 首席策略師Shawn Monroe
對於像是 SPP 這類區域輸電組織 (RTO) 來說，這種激增造成的打擊特別沉重。RTO 會管理大規模輸電網，審查來自發電廠、資料中心的併網互連請求。如今，他們在擴大基礎設施規模的同時，也面臨到提高效率等龐大壓力。
電網基礎設施正在業界造成延遲問題
SPP 是美國聯邦能源管理委員會 (FERC) 核准通過的復原時間目標之一。SPP 管理橫跨 37 州的龐大電網，堪稱美國第二大復原時間目標。
Monroe 解釋說道：「復原時間目標負責評估來自發電開發商的併網互連請求。」他繼續表示：「當開發商提議在某一定地興建新的發電機組時，復原時間目標必須模擬電力將如何流經電網，再找出可能出現壓力，或是資料擁塞的地方。」
如果發現漏洞弱點，開發商必須贊助必要的升級，但識別以上問題，提供詳細分析報告，則是復原時間目標的責任。
在 SPP，評估新發電專案的過程，調查整體電網，撰寫分析報告，平均費時 27.5 個月。對於大型專案而言，加上建設、調試和併網互連，代表在開始營運之前，可能還需要花上五年以上的時間。重點是，電網併網互連需要進行廣泛研究、模擬和複雜的工程分析。這段過程如有出現延誤，則會造成一種「擱置狀態」，亦即發電資源早已準備就緒，卻無法輸出電力。另外，新的資料中心可持續連上電網，增加市場需求。
據 SPP 估計，如果併網互連審核持續延後，備用容量率可能會從目前的 24% 驟降至 2029 年的 5%，情況相當危險。為了因應這類緊迫挑戰，Hitachi 集團建立一支新團隊，由六間子公司組成，可從上游開始規劃，連同 AI 基礎設施一併處理，解決各層面的挑戰。
團隊的努力超乎預期。SPP 最初的目標是想將分析時間縮短至 80%，但實際表現卻更出乎意料的良好。以前需要將近三週的流程，可以被縮短到不到一小時就能搞定。
使用端到端解決方案來解決問題
為何選擇 Hitachi，而非採用傳統公營事業供應商，或是 AI 專家來解決 SPP 的問題？Bo Yang 負責帶領 Hitachi 美國區的研發團隊，他點出三大原因：端到端的方法、整合 IT 和 OT（營運技術），以及深入參與整個業務流程。
Hitachi 美國區研發部門能源解決方案實驗室副總裁 Bo Yang
她表示：「重點不是改良單一軟硬體，而是消除整體分析過程中可能遇到的瓶頸。」她繼續說道：「許多 AI 供應商只會仰賴歷史統計數字。但電網這種關鍵任務系統會持續變化。當面臨未知情況時，這類模型就會失去精準度，在實際營運中，就無法獲得信賴。」
Hitachi 更進一步指出，利用設計思考重新設計營運流程，比照數十年 OT 專業知識，開發出實體 AI，確保現實電網環境中的安全性，兼顧精準度。
實體 AI 在能源電網中扮演的角色
Lumada 創新中心資深負責人 Yoshimitsu Kaji 指出，雖然生成式 AI 佔據時下的頭條新聞，但這類模型常因產生所謂的「幻覺」也就是會產出「似是而非的答案」而備受批評。
Kaji 表示：「比如像是電網這類社會基礎設施領域，即使是錯誤也無法接受。」他繼續問道：「在某個根本不容許出錯的領域，又是如何確保 AI 具備信度？」
Yang 回答道：「典型資料導向 AI 可從歷史資料中學習，只會比照統計數字進行推論。相較之下，實體 AI 會直接將科學定律，例如：數學和物理學嵌入演算法本身。」
例如：在電機工程中，克希荷夫電路定律的概念定義出電流、電壓的行為模式。實體 AI 可將這類物理原理作為硬性約束，納入演算法中。克希荷夫電路定律並不像大型語言模型那樣只仰賴機率解釋，而是結合事實導向的物理計算、統計推論，創造混合方法。
Yang 表示：「純粹的資料導向 AI 在面對不熟悉或未見過的情境時，可能會捏造出統計學上似是而非的答案。然而，物理導向 AI 會受到不變物理定律約束。這類定律就像一條牽繩，以防 AI 出現失控行為，還可確保 AI 產出物理上的有效解決方案，即使是遇到歷史資料裡未曾出現過的情況也是如此。」
透過引導實體導向 AI，SPP 能夠提高電網互連研究的精準度和速度，這類研究必須透過先進模擬來評估眾多模式。這一成果代表 Yang 的領導力，還有在 Hitachi 累積的專業知識結晶。
Hitachi iQ：透過專有基礎架構，加速 AI
在生成式 AI 的世界中，大規模預訓練模型被用於執行推論。模型功能越強大，記憶體佔用量就越大。理想情況下，整個模型應駐留在高速 DRAM 中，但實際上，規模往往需要仰賴大容量的儲存空間，難以避免會拖累效能。
實體導向 AI 對基礎架構的要求更為嚴苛。需要極複雜的運算，才能快速存取海量模擬資料。這正是 Hitachi iQ 得以發揮作用的地方。
在傳統系統中，資料讀寫會經由 CPU、作業系統核心，明顯增加開銷，可能遇到效能瓶頸。然而，Hitachi iQ 會略過作業系統核心，再將資料直接從儲存裝置傳輸到 GPU，消除 CPU 的等待時間。
Monroe 熱心地說明技術優勢：「傳統通訊協定在本質上是單向，受限於 CPU 的限制，傳輸量只有大約 1.6 Gbps。Hitachi iQ 匯集多個超高速 800 Gbps 連線，能將資料直接串流至 GPU。結合 Hitachi 在大規模資料湖技術方面的長期專業知識，該架構的設計主要圍繞著以下原則：絕不讓 GPU 擱置。」
透過端對端優化軟體，才能符合 GPU 特性，SPP 已實現明顯提高效能，通常會使用的資源不到原先所需的一半，處理速度更快。展望未來，SPP 將可推動的 77 億美元的傳輸電網強化計畫，早已超越原定分析時間縮短 80% 的目標，若少了這個合作框架，就不可能實現以上目標。
了解 Hitachi iQ 如何協助貴組織大規模提供極高效能和彈性，無論資料位於何處，都能統一存取。
