烏蘭察布位於內蒙古，正成為觀察中國 AI 基礎設施經濟效益的重要案例。阿里雲在當地的園區，靠近相對低價的電力來源，也受惠於天然冷涼的氣候；同時，它與北京的網路距離足夠近，不只能承接偏遠端、批次式的運算工作。阿里巴巴提出的 100 天模組化交付模式，進一步提升建設速度；不過，單靠蓋好機房並不能解決問題，GPU 與其他 AI 加速器的供應依然是硬限制。1618

AI 時代，電力本身就是算力容量

AI 工作負載讓電力、散熱與電網接入，從資料中心的營運成本項目，變成核心戰略。報導指出，傳統資料中心的單一機櫃平均功耗約為 10 至 15 kW，AI 資料中心則可達約 100 kW。在這種功率密度下，是否拿得到足夠電力，直接決定能裝設並持續運轉多少算力。13

烏蘭察布的吸引力之一是其電價，據報約為每度電 人民幣 0.32 至 0.35 元。阿里雲資料中心主管王昭陽曾表示，若是同等規模的伺服器機房，設在烏蘭察布相較其他城市，每年電費可節省約 人民幣 50 億元；這是企業自身提出的比較，並非經獨立標準化驗證的基準。1216

當地的風力與太陽能資源提高了其吸引力，但火力發電仍是當地電力結構的一部分。這點很重要：低成本電力不等於整個 AI 建設完全由再生能源驅動。37

距北京夠近，能承接更多類型工作負載

電力便宜的地點，必須能穩定服務需求所在市場，才有意義。報導稱，烏蘭察布距北京約 350 公里，兩地資料傳輸往返延遲約 4 毫秒。阿里巴巴認為，這樣的延遲可滿足對話式 AI 的需求。516

專用光纖連線改變了當地的角色。報導指出，2017 年與 2019 年建成的兩條連線，將延遲降至 5 毫秒以下，使烏蘭察布不只適合長時間的大模型訓練，也能支援更廣泛的推論工作負載。14

這不表示所有推論服務都不必部署在使用者附近。相反地，部分服務仍重視貼近終端使用者；但在低延遲條件改善後，低成本且電力充足的集中式據點，能承擔更多工作。模型訓練通常最適合這種模式，因為它對距離的容忍度較高；而延遲若夠低，部分互動式服務也更適合由集中式園區提供。313

氣候條件也改善散熱成本

烏蘭察布地勢較高、冬季長且寒冷、氣候乾燥，與炎熱地區相比，可降低機械式冷卻的需求。對高密度 AI 機櫃而言，這格外關鍵，因為散熱系統必須排除遠高於一般伺服器的熱負載。314

因此，當地的選址邏輯很清楚：低成本電力、可減少冷卻需求的氣候，以及通往大型需求中心的高速網路。這些條件也說明了為何包括阿里巴巴在內的多家大型科技公司，會在當地投入基礎設施。1622

模組化建設，把「上線速度」變成競爭力

阿里巴巴表示，其 CUBE 5.0 模組化架構已將大型 AI 資料中心的交付期縮短至 100 天，並降低 10% 建設成本。25

模組化的戰略意義不只是施工更快。當 AI 算力需求快速上升時，配電、冷卻與機房系統的傳統開發流程，本身就可能成為瓶頸，與採購伺服器是不同層次的問題。將這些系統標準化，可使擴充容量更容易複製，並在設備與外部連線到位後，更快讓園區投入運作。28

阿里巴巴也表示，計畫在 2026 年將全球模組化資料中心產能提高一倍以上，反映其認為「可快速部署的基礎設施」本身已是一種稀缺能力。31

真正卡關的，仍是 GPU

快速建設不會憑空產生 AI 加速器。王昭陽曾表示，沒有可用的 AI 卡處於閒置狀態，突顯即使土地、建築、散熱與供電都能擴張，加速器供應仍是最具約束力的限制。20

根據 8 月報導的說法，阿里巴巴預期自研、國產晶片的產量將提高，並在未來占據更大比例的算力。這可能紓緩供應壓力，但不代表所有晶片都可完全互換。對高要求 AI 工作負載而言，可用算力取決於晶片能力、軟體支援、網路互連與穩定供電能否共同運作。18

烏蘭察布揭示的中國 AI 算力策略

烏蘭察布顯示，AI 基礎設施愈來愈是一項系統工程。競爭優勢可來自平價能源、散熱條件、骨幹網路、施工速度與接近需求市場的組合，而不只是擁有更多土地或蓋出更多建築。

它的限制同樣具有啟示性：園區可能已完成建置，卻還沒有足夠的加速器可以填滿；低電價模式也仰賴持續取得發電與電網容量。另有報導指出，水資源供應也是烏蘭察布整體擴建計畫面臨的在地考量。7

關鍵結論是，低價電力與模組化設施確實能改善 AI 算力擴張的成本與速度，但無法消除先進硬體、互連能力，以及讓高密度 AI 叢集長時間持續運作所需的實體資源限制。

烏蘭察布位於內蒙古，正成為觀察中國 AI 基礎設施經濟效益的重要案例。阿里雲在當地的園區，靠近相對低價的電力來源，也受惠於天然冷涼的氣候；同時，它與北京的網路距離足夠近，不只能承接偏遠端、批次式的運算工作。阿里巴巴提出的 100 天模組化交付模式，進一步提升建設速度；不過，單靠蓋好機房並不能解決問題，GPU 與其他 AI 加速器的供應依然是硬限制。1618

AI 時代，電力本身就是算力容量

AI 工作負載讓電力、散熱與電網接入，從資料中心的營運成本項目，變成核心戰略。報導指出，傳統資料中心的單一機櫃平均功耗約為 10 至 15 kW，AI 資料中心則可達約 100 kW。在這種功率密度下，是否拿得到足夠電力，直接決定能裝設並持續運轉多少算力。13

烏蘭察布的吸引力之一是其電價，據報約為每度電 人民幣 0.32 至 0.35 元。阿里雲資料中心主管王昭陽曾表示，若是同等規模的伺服器機房，設在烏蘭察布相較其他城市，每年電費可節省約 人民幣 50 億元；這是企業自身提出的比較，並非經獨立標準化驗證的基準。1216

當地的風力與太陽能資源提高了其吸引力，但火力發電仍是當地電力結構的一部分。這點很重要：低成本電力不等於整個 AI 建設完全由再生能源驅動。37

距北京夠近，能承接更多類型工作負載

電力便宜的地點，必須能穩定服務需求所在市場，才有意義。報導稱，烏蘭察布距北京約 350 公里，兩地資料傳輸往返延遲約 4 毫秒。阿里巴巴認為，這樣的延遲可滿足對話式 AI 的需求。516

專用光纖連線改變了當地的角色。報導指出，2017 年與 2019 年建成的兩條連線，將延遲降至 5 毫秒以下，使烏蘭察布不只適合長時間的大模型訓練，也能支援更廣泛的推論工作負載。14

這不表示所有推論服務都不必部署在使用者附近。相反地，部分服務仍重視貼近終端使用者；但在低延遲條件改善後，低成本且電力充足的集中式據點，能承擔更多工作。模型訓練通常最適合這種模式，因為它對距離的容忍度較高；而延遲若夠低，部分互動式服務也更適合由集中式園區提供。313

氣候條件也改善散熱成本

烏蘭察布地勢較高、冬季長且寒冷、氣候乾燥，與炎熱地區相比，可降低機械式冷卻的需求。對高密度 AI 機櫃而言，這格外關鍵，因為散熱系統必須排除遠高於一般伺服器的熱負載。314

因此，當地的選址邏輯很清楚：低成本電力、可減少冷卻需求的氣候，以及通往大型需求中心的高速網路。這些條件也說明了為何包括阿里巴巴在內的多家大型科技公司，會在當地投入基礎設施。1622

模組化建設，把「上線速度」變成競爭力

阿里巴巴表示，其 CUBE 5.0 模組化架構已將大型 AI 資料中心的交付期縮短至 100 天，並降低 10% 建設成本。25

模組化的戰略意義不只是施工更快。當 AI 算力需求快速上升時，配電、冷卻與機房系統的傳統開發流程，本身就可能成為瓶頸，與採購伺服器是不同層次的問題。將這些系統標準化，可使擴充容量更容易複製，並在設備與外部連線到位後，更快讓園區投入運作。28

阿里巴巴也表示，計畫在 2026 年將全球模組化資料中心產能提高一倍以上，反映其認為「可快速部署的基礎設施」本身已是一種稀缺能力。31

真正卡關的，仍是 GPU

快速建設不會憑空產生 AI 加速器。王昭陽曾表示，沒有可用的 AI 卡處於閒置狀態，突顯即使土地、建築、散熱與供電都能擴張，加速器供應仍是最具約束力的限制。20

根據 8 月報導的說法，阿里巴巴預期自研、國產晶片的產量將提高，並在未來占據更大比例的算力。這可能紓緩供應壓力，但不代表所有晶片都可完全互換。對高要求 AI 工作負載而言，可用算力取決於晶片能力、軟體支援、網路互連與穩定供電能否共同運作。18

烏蘭察布揭示的中國 AI 算力策略

烏蘭察布顯示，AI 基礎設施愈來愈是一項系統工程。競爭優勢可來自平價能源、散熱條件、骨幹網路、施工速度與接近需求市場的組合，而不只是擁有更多土地或蓋出更多建築。

它的限制同樣具有啟示性：園區可能已完成建置，卻還沒有足夠的加速器可以填滿；低電價模式也仰賴持續取得發電與電網容量。另有報導指出，水資源供應也是烏蘭察布整體擴建計畫面臨的在地考量。7

關鍵結論是，低價電力與模組化設施確實能改善 AI 算力擴張的成本與速度，但無法消除先進硬體、互連能力，以及讓高密度 AI 叢集長時間持續運作所需的實體資源限制。