英伟达在GB300 NVL72的机柜电源里加入了电容储能：GPU用电较少时充电，用电增加时放电，减轻向外传递的功率波动。这个细节值得注意，因为储能已经进入AI服务器的设计，开始承担计算设备与电力系统之间的缓冲工作。
我认为，AI对储能的需求会持续增加，原因既包括用电量增长，也包括对供电质量和连续性的更高要求。但这几种需求对应的设备差别很大。保护几分钟、调节瞬间波动，以及连续供电数小时，需要分别分析，才能看清储能在AI产业中的实际价值。
数据中心原本就需要防止突然断电。UPS不间断电源通常提供5—15分钟保护，在市电中断后接住关键负载，给备用电源启动争取时间。这类短时保电已经是高可靠机房的基础能力。园区是否另外建设数小时级储能站，还要看供电条件和业务要求。
AI带来的新变化，是计算设备自身的功率波动更值得重视。大型训练需要许多GPU同步工作，计算、通信和等待阶段的耗电不同。当大量芯片同时切换状态，用电变化就会在整个集群放大。英伟达、微软和OpenAI的联合研究已经讨论了这类问题，以及软件控制、GPU调节和储能协同的解决方案。
这就解释了为什么一个连续训练几周的项目，仍然需要快速功率缓冲。任务一直在运行，不代表每一秒都消耗同样多的电。电容等储能元件可以接住短时变化，让上游供电更平稳。即使当地电力充足，这项需求仍然存在。
不过，把时间尺度拉长，部分训练任务又有调整空间。训练可以定期保存检查点，中断后从已保存状态恢复。只要时间要求允许，就可以错峰运行，或者在电网紧张时暂缓任务。当然，未保存的计算、恢复时间和设备闲置都有成本。赶模型发布进度的项目，与不着急交付的任务，对连续供电的投入意愿自然不同。
相比之下，实时推理直接面对用户。语音助手、在线客服或正在执行交互任务的Agent，很难让用户等到电力宽松时再继续。缺少可靠接管方案时，这些业务更需要保障供电连续性。不过，批量整理文档、离线生成摘要也是推理，它们可以异步完成，具有更大的调度空间。
因此，训练和推理需要分别看功率波动、响应要求与中断代价。大型同步训练可能更需要快速缓冲，实时推理更强调服务不中断。真正决定配多少储能的，是具体工作负载和可靠性目标，单看“训练中心”或“推理中心”的名称还不够。
如果再叠加外部电网约束，储能的价值就会提高。美国一些数据中心项目遇到的困难，涉及并网排队、当地输电容量和电源建设进度。全国年度发电量能够增长，也不代表某个园区能在指定日期获得几百MW稳定电力。储能有机会在部分时段补上缺口，或配合现场发电，使项目更容易满足供电要求。
这里可以做个算例。假设机房需要100MW，高峰期只能获得80MW供电，缺口持续4小时，那么电池需要提供20MW功率、至少80MWh可交付电量。实际配置还要考虑损耗、老化和备用余量。MW反映供电功率，MWh反映电量，支撑时间拉长后，设备规模和成本也会跟着变化。
但要让这套方案每天运行，还需要在其他时段把电充回来。如果机房全天需要100MW，所有电源合计最多只能持续提供80MW，而且没有充电余量，电池只能暂时推迟缺电发生。这个缺口最终需要新增电源、扩建输电，或者减少计算负载。储能能够搬移电量，无法凭空产生电。
这也让任务调度变得重要。同样面对高峰缺电，一部分项目可以让电池补电，另一部分可以把不紧急的任务往后挪。谷歌2026年3月宣布，已将合计1GW需求响应能力纳入美国多家公用事业公司的长期合同，通过限制或转移部分机器学习任务降低用电。这是可调度负载的合同能力，和电池装机是两种资源。
对运营商而言，两者可以组合使用：需要即时响应的业务优先获得电力，有弹性的任务适当错峰，储能负责补足剩余缺口。但同一套电池也要分清用途。如果刚为削峰放掉大量电量，随后遇到停电，可提供的备用时间就会缩短。英伟达的设计指南因此要求把控制系统、充电状态和不同任务的优先级一起设计。
从产业规模看，国际能源署2026年4月预计，到2030年，全球数据中心可能安装约20—25GW电池储能。这是覆盖各类数据中心的功率预测，具体对应多少电池电量，仍取决于配置时长。短时缓冲更看重响应速度和循环能力，数小时供电更看重容量和成本，需求最终会分配到不同设备与技术路线。
这对储能企业意味着机会，也意味着必须把产品放到实际系统里验证。电池卖得出去只是一步，能否与UPS、发电机和机房控制系统稳定配合，长期运行是否可靠，才关系到客户会不会继续采购。储能设备自身还要满足保护、监测和故障恢复要求，容量够大并不能代替整套系统的验证。
我更看重的商业判断是：增加储能以后，能否让已经投入的芯片和机房更早运行、更少中断，并产生足够的现金回报。设备、资金占用、维护和更换都应计入成本，提前通电后也需要真实客户持续付费。只有这些条件接得上，储能才能帮助AI企业把有限的电力转化为更多有效产出，形成能够持续投入的生意。