AI 工厂（AI Factory）是一种为 AI 训练和推理专门设计的算力设施：它不只是“放服务器的机房”，而是把芯片、网络、电力、冷却和调度软件打包成一条可复制的算力生产线。
普通数据中心更像“仓库”：盖好楼，隔出机柜，谁租谁自己搬服务器进去。AI 工厂更像“芯片厂”或“汽车厂”：厂房、供电、水冷管道、排气、物流都围着产线设计，目标不是“有地方放机器”，而是“持续稳定地产出模型能力”。一个训练任务可能几千张卡同时跑，功率密度远高于传统机柜，电和热成了第一约束。
因此 AI 工厂有几个标志性做法：
- 模块化算力：把机柜、电源、冷却、网络做成标准模块，像乐高一样复制，缩短建设周期。
- 电力与冷却打包交付：从变电站、UPS、配电到液冷/风冷、余热回收一起规划，而不是先盖楼再补电。
- 软硬协同：调度系统知道哪些任务可以错峰、哪些卡可以重组，把“产能”当指标来管。
和相邻概念的区别：
| 维度 | 普通数据中心 | AI 工厂 |
|---|---|---|
| 设计目标 | 通用托管 | 面向 AI 负载的产能 |
| 功率密度 | 相对低 | 高，常需液冷 |
| 冷却 | 风冷为主 | 风冷/液冷混合，常预留液冷 |
| 网络 | 通用 | 高带宽、低延迟东西向 |
| 交付 | 机柜/场地 | 模块化算力+电力+冷却 |
| 衡量 | 机柜数、出租率 | 有效算力、利用率、PUE |
为什么成为新叙事？因为 AI 竞争从“买卡”转向“建产能”。Crusoe 这类公司强调把能源侧和算力侧一起规划，Apple 这类终端生态公司则把 AI 基础设施看成持续生产模型的“工厂”，而非一次性项目。具体口径以各公司官方页面为准。
对从业者：做 IDC、云、运维、电力的人，要关注每机柜功率、液冷就绪、供电余量和网络拓扑。对普通人：AI 服务能不能便宜、稳定，越来越取决于电从哪来、热怎么排、工厂建在哪。