没人能走进和林格尔的那片机房，但有人把它数了一遍。Epoch AI 用卫星影像加一套冷却设备模型，估算出华为这座数据中心已投运约 105,000 颗昇腾 910C、8,000 颗昇腾 910B，折算下来大约相当于 81,000 张 H100 的算力。放到全球坐标系里，这是单体规模最靠前的 AI 数据中心之一，约为 xAI 那座 Colossus 2 的 7%。这个比例不大不小，恰好卡在一个让人不太舒服的位置上。
隔着几百公里，怎么数清一座机房
屋顶比机房内部更坦诚
数据中心是种藏不住秘密的建筑。你可以不公布机柜数量，可以不对芯片型号做任何说明，但你得散热。功率密度越高，散热量越大，屋顶上要摆的冷水机组、干冷器、冷却塔就越多。这些铁疙瘩个个体积庞大，商业卫星的分辨率看得一清二楚。Epoch AI 的做法，本质上是从建筑外立面倒推内部负载：先数设备，再算散热能力，最后换算成 IT 功率。
散热能力是那道换算公式
有了可承载的功率上限，剩下的推导就顺理成章——机柜数、单柜功率密度、服务器形态，一路推到一个具体的芯片数量。这套方法谈不上精密，但它的好处是不需要任何人配合。厂商不披露，第三方就自己造一把尺子。
误差藏在每一个假设里
必须说清楚：这是估算，不是清点。上架率、实际负载曲线、训练与推理的混合比例，任何一项偏一点，有效算力就会跟着飘。105,000 颗是装机量的量级判断，不是某天下午的运行快照。把估算当实测引用，是这类研究最常见的一种误读。
十万颗昇腾，到底有多重
单集群规模已经进了第一梯队
八万一千张 H100 的等效算力，放在任何一个国家的算力版图上都算硬货。它意味着一个可以持续跑前沿模型训练的物理底座，而不是几间摆满样机的展厅。这一点，比那个 7% 更值得留意。
7% 这个数字，得掰开看
Colossus 2 是一家公司的单一集群，和林格尔服务的是一批客户、多种任务。拿单点对单点，本身就不太公平。更关键的差异在总量上：美国那边的算力是集中的、可调的，中国这边受限于先进制程和互联方案，规模摊得更开、拼装得更碎。7% 说的是集群体量，不是国家算力总量，两者混为一谈就会得出相反的结论。
瓶颈早就不是芯片数量了
十万颗芯片能不能像一颗芯片那样工作，取决于互联带宽、故障率、调度软件，以及一整套围绕昇腾长出来的软件栈。硬件堆到一定规模之后，每往上加一万颗，工程难度不是线性增加的。集群稳定性、训练任务的恢复时间、算子库的覆盖度——这些指标不出现在任何一张卫星图上，却决定了那 81,000 张 H100 等效值最终能兑现几成。
为什么偏偏是和林格尔
电价比芯片便宜得多
内蒙古的电价、气候和土地，是这座数据中心落地的全部理由。年均气温低，自然冷却时间长，PUE 能压下来；风光电富集，电价长期处于全国低位。一座十万卡级别的集群，电费是持续性支出，任何一位 CFO 都会先算这笔账。“东数西算”把这类高耗能设施往西边推，逻辑也是同一套。
便宜是要付工程代价的
代价是距离。训练任务可以忍受高时延，推理和实时业务不行；运维人才的密度、备件周转的速度，也都和东部沿海差着一截。把算力放在电便宜的地方，再想办法把数据搬过去，这是笔算得过来的账，但不是没有摩擦的账。
算力统计，正在变成一门情报学
参数不再公开之后
出口管制收紧，厂商对具体规模、芯片型号、集群拓扑越来越沉默。公开信息变少，第三方估算就成了唯一可用的口径。Epoch AI 这类机构干的活，其实已经接近开源情报：卫星图、电力接入申请、设备招标公告、地方政府的新闻稿，逐条交叉验证。听起来像间谍小说，做的却是产业研究的基本功。
口径陷阱比数字本身更危险
FP16 还是 FP8，稠密还是稀疏，等效算力按哪一代卡折算——同一座集群，换个口径，数字能翻一倍。所以看到“某某等效多少张 H100”时，先问一句：谁定的换算系数？很多争论其实是两套尺子在打架，跟事实无关。
真正该盯的不是那个数字
从“有没有”转向“用得好不好”
装机量只是入场券。利用率、任务排队时长、大规模训练的完成率，才反映一座机房的实际产能。一座满负荷运转的五万卡集群，比一座闲置的十万卡集群更有分量。这个层面的数据，卫星拍不到，只能靠论文致谢、模型发布节奏、招聘信息一点点拼。
下一个观测点，还在屋顶上
想看这座数据中心往哪走，不用等官方通稿。盯着屋顶就行：冷却机组多了一排，说明功率在上；机组长时间没变化，说明扩建节奏在放缓。最诚实的指标，往往是最不打算被人读的那一个。
华为和林格尔被数清楚这件事，意义不在于那个 7%。它说明了一件事——当信息披露的通道收窄，算力竞争的记分牌会换一种方式立起来。有人用卫星图读它，有人用電费单读它，有人用模型的迭代速度读它。谁读得更准，谁就更清楚这场竞赛现在跑到了第几圈。
