东京试点将废弃服务器热量转化为可用能源
东京正支持一项试点，计划直接回收人工智能服务器产生的热量，用于建筑制冷、为附近的浴场供能并支持工厂运营。示范项目从2026年7月16日持续至2028年3月31日，东京都政府将为符合条件的费用提供最高5.2亿日元的补助。
目录
东京电力控股公司（简称TEPCO）与MESH-X、NHK Technologies合作，在东京一处数据中心牵头开展这项工作。他们着眼于一个随着人工智能发展而日益突出的问题：输入计算设备的大部分电力最终会转化为热量，运营方必须将其排出，才能让设备持续运行。
东京都政府公告介绍了一套利用蒸发冷却搭载图形处理器（GPU）的服务器、同时直接收集高温热量的系统。GPU是一种能够同时执行大量运算的芯片，是现代人工智能的核心部件。
该项目将通常分开处理的两类需求结合起来：数据中心需要制冷，而周边建筑和企业需要热能。回收可用热量，有望让同一份电力同时满足计算和本地能源需求。
日本也在测试另一种方案：在不同城市之间转移人工智能计算任务，或调整任务运行时间，以适应电力供应情况。这些试验共同探索人工智能如何用电、电力在哪里消耗，以及之后如何利用这些能源。
WaBiCo如何回收芯片热量
TEPCO将其方案称为WaBiCo，即“瓦特·比特热电联产”（Watt Bit Cogeneration）的简称。这个名称将衡量功率的瓦特与数字信息单位比特联系起来。其核心理念是将高功率电子设备同时视为计算资源和可利用热源。
这项冷却技术通过降低压力，使水在约半个大气压下沸腾，沸点约为80摄氏度，而不是常见的100摄氏度。GPU产生的热量推动水分蒸发，使系统能够收集可供其他用途使用的热能。
TEPCO介绍了一种专门设计的冷板，可直接为GPU降温并回收其热量。该循环方式利用热量本身传递热量，无需由泵驱动这一过程。在芯片附近回收能量，可以获得温度更高、用途更广的热量，避免热量散入服务器机房。
温度很重要，因为不同用途需要不同等级的热量。收集成本高的暖空气用途有限。回收温度约为80摄氏度的热量，可用于更广泛的建筑和工业场景，具体取决于相关设备及其温度要求。
拟议用途包括为附近浴场和工厂供能、提供区域供热，以及将回收热量用作服务器机房或周边设施的制冷能源。以热能驱动的制冷，是利用热能运行制冷循环，而非完全依赖电力驱动的压缩机。
东京资助和测试的内容
TEPCO在项目入选公告中表示，东京于2026年6月30日选定了该提案。该公司称自己为项目牵头运营方，并说明政府最高提供5.2亿日元，用于部分指定费用。
东京都产业劳动局将这项示范纳入《2050东京战略》，对应提升能源效率的目标。实际工作包括开发蒸发冷却系统，并在真实运行环境中进行测试。
项目必须将回收的热量输送至实际用途。对浴场而言，这意味着稳定供应热能；对工厂而言，则意味着热量的温度和供应时间要与工业流程相匹配；对服务器机房而言，则意味着将回收热量接入能够保障可靠运行的冷却系统。
公告仅将示范地点描述为东京的一处数据中心，并未公布热量回收率、电力节省量、减排量、具体热能用户或商业化推出日期。这些结果将决定该方案在试点之外能发挥多大作用。
制冷效率和热量再利用衡量不同效益
TEPCO希望改善一项名为电能利用效率（PUE）的数据中心标准指标。该指标以设施使用的全部电力除以计算设备使用的电力。结果越接近1，说明用于制冷及其他辅助系统的额外电力越少。
假设某设施用电120个单位，其中计算机使用100个单位，那么其PUE为1.2。减少额外的20个单位用电，就能改善这一指标。东京项目希望通过改变芯片散热方式实现此类提升。
热量再利用还可能带来另一项好处：附近用户可以利用计算过程中回收的能量满足部分供热需求。电力仍用于驱动服务器，而有用的热能则被送出设施，另作他用。
这两项效益需要分别衡量。运营方需要记录制冷用电量、实际输送给用户的热量，以及用户原本会消耗多少能源。只有当接收设施能够在热量送达时加以利用，热能连接才有价值。
芯片效率提升，人工智能工作负载也在增长
NVIDIA称，能源是人工智能基础设施的根基。在2026年1月于达沃斯举行的会议上，首席执行官黄仁勋将这一行业比作一块有五层的蛋糕：底层是能源，其上依次是芯片、基础设施、模型和应用。
NVIDIA代表斋藤博树将能源称为人工智能发展的第一道门槛。他的说法也说明了计算需求变化之快。以ChatGPT于2022年11月推出为起点，他估计，与2025年1月DeepSeek推理模型相关的处理需求达到当时的100倍；大约一年后，OpenClaw自主代理的需求则达到1000倍左右。
这些例子涉及不断变化的人工智能工作类型。推理模型需要投入计算资源来逐步解决问题，而智能代理可以连续执行一系列任务。即使单个芯片的效率不断提高，更复杂的任务仍可能消耗更多计算能力。
NVIDIA称，在功耗相同的情况下，其Rubin系列的智能代理处理能力可达到Blackwell的10倍。实际价值取决于设备的部署方式和运行任务。
斋藤还谈到运营重点的变化。传统数据中心的核心目标是保持可用。NVIDIA将围绕人工智能生产建设的基础设施称为“人工智能工厂”，这类设施还必须尽可能提高有效计算产出。单位电力所能提供的性能在提升，需求也在增长，因此总能耗取决于这两方面的共同变化。
电力需求骤变带来另一项挑战
人工智能设施面临的挑战不止是总用电量。在模型训练期间，数十万块GPU可能在毫秒级时间内同步改变功耗。电气设备必须应对这些快速变化，同时保持供电稳定。
为电力供应商和数据中心提供可靠性咨询的Uptime Institute首席顾问安珀·维勒加斯-威廉姆森描述了这种压力：
人工智能确实会带来极不寻常的电力需求，
维勒加斯-威廉姆森将设备磨损比作反复加大汽车发动机负荷，而非保持稳定车速。特斯拉前高管、Heron Power Electronics创始人德鲁·巴利诺表示，人工智能需求可能短暂升至设施设计容量的50%以上。他举例说，一座设计容量为1吉瓦的数据中心，瞬间的用电需求可能达到1.5吉瓦。
与这些压力相关的设备故障包括涡轮机开裂，以及电池在数周或数月内就需要更换。据称，部分设施的可用率仅接近80%；停电造成的收入损失估计从每分钟数千美元到数十万美元不等，具体取决于运营情况。
北美电力可靠性公司发现，在覆盖美国数据中心超过33吉瓦用电需求的负荷模型中，约四分之三不足以反映动态运行情况。这些模型帮助公用事业公司预测用户对电力系统的影响，因此用电量的快速变化成为规划中的重要问题。
德克萨斯州西部一个规划建设、装机容量为2.67吉瓦的园区，体现了相关的排期影响。开发商Joulent为满足微软99.999%的可靠性要求增加了工程时间，因此供电启动时间从2027年推迟至2028年。按这一可靠性水平计算，全年停机时间约为5分钟。
转移计算任务，而不是输送电力
日本的第二项试验着眼于人工智能在何时、何地消耗电力。J-Power、思科系统公司、东日本旅客铁道、日立和Bitmedia于2026年10月8日宣布，正在开展一项示范，连接横滨和北九州的人工智能数据中心。
试验于2026年8月启动，计划持续至2027年2月1日。项目测试负载转移，即根据电力和计算条件，将计算任务分配到其他地点或安排在其他时间执行。
空间转移是将计算任务发送至另一座数据中心；时间转移则是将任务安排在另一个时段运行。系统会综合考虑可再生能源发电预测、电力交易价格、供需状况、可用计算能力及灾害相关信息。
其中一个目标是利用原本可能被限发的可再生电力。当电网无法输送或消纳全部可用电力时，太阳能或风能发电就可能暂时被削减，这就是限发。将合适的人工智能任务转移到有这类电力供应的时段或地点，有望提高其利用率。
企业还将考察转移任务所增加的处理时间，以及如何维持服务质量。任务转移会产生实际成本，因此试验既衡量节电效益，也评估对计算性能的影响。
铁路光纤连接更大规模的试验
五家公司还在上越新干线上测试全光网络。位于越后汤泽、上毛高原和高崎车站的光传输设备将利用现有铁路光纤，测试震动和天气变化条件下的通信质量。
测试涵盖信号损耗、传输错误、延迟和延迟波动。这些指标对于不同地点的计算设施协同运行十分重要。铁路网络试验是该计划中独立的一部分，与横滨和北九州之间的负载转移并行开展。
J-Power牵头组成联合体并评估结果；日立负责搭建负载转移系统和光网络测试环境；思科支持网络设计和测量；东日本旅客铁道负责考察铁路通信设备；Bitmedia则负责开发数据中心内的系统。
这项工作延续了2026年4月成立的一个协议会，西日本旅客铁道光网络和名古屋铁道也参与其中。该协议会的更广泛目标是利用广域光网络和负载转移，协同运营分布式人工智能数据中心。
以下主要时间节点显示了热能与计算试验的进展：
- 2026年4月：七家公司成立协议会，推动光网络和负载转移。
- 2026年6月30日：东京选定TEPCO的热量回收提案。
- 2026年7月16日：东京热量回收示范期开始。
- 2026年8月：横滨和北九州之间的负载转移试验启动。
- 2027年2月1日：负载转移示范计划结束。
- 2028年3月31日：东京热量回收项目计划结束。
日本希望以更少的能源浪费支撑更多计算
日本正推动人工智能和半导体投资，同时努力实现2050年碳中和。台积电在熊本县设厂是这一产业扩张的一部分。2022年，可再生能源约占日本发电量的22%，这使日本仍高度依赖包括化石燃料在内的其他能源。
TEPCO在其第五份综合特别事业计划中提出，到2040财年，东京大都市圈数据中心需求的增长速度要跻身全球最高之列。因此，其热量回收项目与扩大该行业的明确目标并行推进。
热量回收和负载转移分别应对行业扩张的不同方面。WaBiCo旨在让服务器已消耗的电力产生更多有用产出；负载转移则希望让计算需求更好地匹配电力供应情况。能够应对电力快速波动的设备，则有助于保障这两种方案所需的可靠运行。
对周边社区而言，直接机会在于获得可用热量，并让数据中心与本地能源需求建立更紧密的联系。对运营方而言，测试重点是制冷成本、有效计算时间和服务可靠性。下一步的关键是测量实际表现：在计算机持续运行的同时，究竟能节省或再利用多少能源。
要点
- 东京正支持TEPCO开展热量回收示范项目，并为符合条件的费用提供最高5.2亿日元补助。
- 项目持续至2028年3月31日，目标用途包括制冷、浴场、工厂和区域供热。
- WaBiCo利用减压蒸发技术，直接回收GPU产生的可用热量。
- 另一项试验将在横滨和北九州之间转移人工智能任务，并调整运行时间，以适应电力条件。
- 人工智能用电的快速波动也在引发设备和可靠性问题。
- 实际价值将取决于测得的节电量、输送的回收热量和运行表现。
