IESデータセンター改修、AI向けグリーンフィールド建設競争に一石
IESによるデータセンター改修には、時宜を得た新たな論拠が加わっている。既存施設なら、まったく新しいキャンパスの完成を待たずにAI容量を増強できる可能性がある。Data Center Dynamicsが9月8日に公開したホワイトペーパーは、狙いを定めた改修によって、より高密度なコンピューティングに必要な電力、冷却、床面積を確保できるとしている。争点はスピードだ。事業者は今すぐ容量を必要としている一方、専用設計のAI施設は、計画、系統接続、建設、稼働開始までに数年を要する場合がある。
この資料は建物性能ソフトウェア企業のIESによるものであり、その結論は独立した研究ではなく、ベンダーが支援するフレームワークとして読むべきだろう。それでも、根底にある課題は広く文書化されている。AIサーバーはラック当たりの消費電力と発熱量を増大させる一方、系統接続や重要設備の確保は依然として難しい。
その結果、既存拠点の改修と、グリーンフィールド施設の新規開発との競争が生じている。グリーンフィールド建設では、設計上の妥協は少ない。改修は制約から始まるが、建物、ネットワーク接続、運用スタッフ、場合によっては既存の系統接続もすでに備えている。
だからといって、すべての古いデータセンターを転換すべきだという普遍的な主張ではない。より限定的で、しかも重要な提案だ。最も迅速に利用可能となるAI容量は、新たなメガキャンパスだけでなく、既存データセンター資産の中から慎重に選定された区画から生まれるかもしれない。
IES、既存容量を再び競争に参入させる
IESがもたらした直接的な変化は、改修を単なる保守プロジェクトではなく、容量戦略として提示した点にある。
改修フレームワークは、コロケーション事業者に対し、既存施設のAI対応力を評価するよう求めている。その対象は、電力分配、冷却アーキテクチャ、構造荷重、接続性、レジリエンスに及ぶ。これらは改修チェックリスト上の独立した項目ではなく、相互に結び付いた制約である。
このフレームワークは段階的なアップグレードと動的シミュレーションも推奨する。動的シミュレーションは、ワークロード、温度、設備の状態が変化した際に建物がどのように応答するかを検証する、時間軸を持つデジタルモデルだ。IESは、事業者が資本投入を決定する前に、現実的な条件下で介入策を比較できると主張している。
この違いは重要である。銘板上の容量値だけでは、全体像を示すことはほとんどない。施設には未使用の床面積があっても電力が不足している場合がある。利用可能な電力容量があっても、高密度ラックから熱を実用的に排出する手段がないかもしれない。両方の条件を満たしていても、構造、油圧、ネットワーク、冗長性の制約に直面する可能性がある。
したがって、改修評価は遊休化した容量の特定から始まる。これは既存のインフラでありながら、狙った変更を加えなければ望ましいワークロードを支えられない状態を指す。対策には、スイッチギア、バスウェイ、冷却分配ユニット、リアドア熱交換器、コンテインメント、ポンプ、制御装置、あるいは選定設備の下部補強が含まれる場合がある。
IESの主張で最も強いのは、その段階的な進め方に関する部分だ。事業者は建物全体をAIファクトリーへ転換する必要はない。適したゾーンを特定し、影響をモデル化したうえで、従来型ワークロードと並行して限定的な高密度展開を確立できる。
このアプローチは、まだ十分に機能する設備の価値を維持する。また、既存の空冷ホールをすべて旧式と見なすことも避けられる。より小規模な液冷環境で高発熱ハードウェアに対応させつつ、従来型サーバー、ストレージシステム、低密度の推論機器はそのまま運用できる。
このため、この話は通常の施設管理の範囲を超える。改修は導入判断となる。既存拠点内に実行可能な容量を見つけた事業者は、競合が建設や電力会社のスケジュールに縛られている間にも、AIインフラを提供できる。
IESは、モデル化されたすべての介入策が成功することを示す証拠を公表していない。DCDのページも、普遍的な導入スケジュールや投資回収の見通しを示してはいない。その有用な貢献は意思決定の構造にある。施設全体を測定し、相互作用するシステムを検証し、複合的な制約が許す箇所だけをアップグレードするという考え方だ。
これはインフラ競争の捉え方を変える。希少な資源は単に土地やサーバー在庫ではない。電力、冷却、ネットワーク、レジリエンスの連鎖全体を支えられる、導入可能なメガワットである。
なぜAIインフラはグリーンフィールド・キャンパスを待てないのか
AI需要は、新たなデータセンター向けに電力を供給・調整する物理システムの整備速度を上回って増加している。
国際エネルギー機関は、データセンターの電力需要が2025年に17％増加したと報告した。また、大手テクノロジー企業5社の設備投資額が同年に4,000億ドルを超えたことも明らかにしている。同機関は、その投資額が2026年にさらに75％増加すると予測していた。
これらの投資によって物理的なボトルネックが解消されるわけではない。同じエネルギー見通しは、変圧器、ガスタービン、先端チップ、その他のインフラ部品の供給逼迫を指摘している。計画プロセス、許認可、系統接続もプロジェクトを遅らせている。
IEAは、世界のデータセンター電力消費量が2030年までに倍増すると見込んでいる。AIに重点を置く施設による電力使用量は、同期間に3倍になると予測する。個々のAIタスクに伴う需要は効率化しているものの、導入の拡大とワークロードの高密度化が、その節電効果を上回っている。
この組み合わせは、コロケーション事業者、企業運営者、インフラ投資家に即時の圧力をかけている。顧客は、多くの電力会社が新規接続を提供できるよりも早くアクセラレータ容量を求めている。設備購入者も、スイッチギア、変圧器、冷却ハードウェア、熟練したコミッショニングチームの確保で競争している。
グリーンフィールド開発は引き続き不可欠だ。専用設計の拠点では、電気アーキテクチャ、構造設計、水システム、ネットワーキング、保守アクセスを高密度ハードウェアに合わせて設計できる。将来の冷却・電力技術のためのスペースも確保できる。
その弱点は時間にさらされることだ。新築施設は、土地承認、環境審査、建設、設備の入手可能性、電力会社との調整、試験に依存する。その連鎖のどこかで遅延が発生すれば、収益化が先送りされ、高価なコンピューティングハードウェアが適切な設置先を失う可能性がある。
既存拠点は異なる出発点に立つ。すでに通電済み容量、光ファイバールート、セキュリティ管理、運用要員、顧客アクセスのいずれか、または複数を備えている。これらの資産はAI対応を保証するものではないが、容量の決定から実際の導入までの隔たりを縮める。
立地は、この優位性をさらに大きくする可能性がある。AIトレーニングクラスターには大規模な電力ブロックが必要だが、多くの推論アプリケーションも、ユーザー、企業データ、確立されたネットワーク交換拠点への近接性から恩恵を受ける。既存の都市圏施設なら、建設を待つ遠隔地キャンパスよりも早く、こうしたワークロードを支えられるかもしれない。
これは、改修が電力を生み出すという意味ではない。制約された電力会社の接続を無制限の供給へ変えることはできない。しかし事業者は、設備の置換、気流の是正、熱的隔離、制御の改善によって、容量を回復できる場合がある。そして解放された容量を、限定的なAI導入へ振り向けられる。
したがって、圧力は非対称的である。測定可能な余力を持つ事業者は、競合が新たな供給を追求する間に行動できる。その余力を持たない事業者は、最終的に新拠点の必要性を確認するだけの調査に時間を費やす恐れがある。
IESのデータセンター改修が議論に加わるのは、まさにこの地点だ。その価値は建築上の野心よりも、新規建設が完成する前に既存資源を運用可能なAI容量へ転換できるかどうかに左右される。
IESデータセンター改修はシステム全体のモデリングに依存する
改修の有効性は、事業者が建物を単一のシステムとしてモデル化し、設置前に障害条件を検証できる場合に限られる。
AIラックは室温だけに影響するわけではない。電気負荷、水流、ポンプ需要、排熱、保守手順、非常用電源の要件も変化させ得る。ある層で容量を増やすと、別の場所でボトルネックが露呈する可能性がある。
冷却分配ユニット、すなわちCDUは、サーバー側冷却ループと施設側システムの間で熱を移送する。液体対液体CDUは、利用可能な施設用水に接続する。液体対空気ユニットは、適切な水システムが利用できない場合に、室内へ熱を放出する。
Schneider Electricは、3,818キロワットのTier III施設向けリファレンス設計で両方の選択肢を示している。この設計では、高密度AIクラスターを従来型設備の隣に配置する。空冷、液体対空気、液体対液体の改修シナリオが含まれる。
この事例は段階的な道筋を支持する一方、選択を単に冷却製品の購入へ還元できない理由も示している。液体対空気CDUは、熱負荷をデータホールへ戻す。室内レベルの冷却システムは、隣接する設備を損なうことなく、その熱を吸収しなければならない。
液体対液体の設計では、熱をより直接的に施設の水ループへ移送できる。しかし事業者は、水温、流量、配管寸法、冗長性、ポンプ能力、水質、排熱性能を検証しなければならない。図面上で適切に見える接続でも、ピーク条件下で十分な性能を保証するわけではない。
電気系統のアップグレードも同様の相互作用を生む。高密度ラックでは、上流側の配電、ラックへの電力供給、保護設定、バックアップシステム、監視の変更が必要になることがある。負荷の集中は、局所的な障害がもたらす影響も変える。
構造荷重も実務上の境界となる。アクセラレータラックは、古い床が想定していた機器より重い場合がある。ポンプ、マニホールド、熱交換器、より大型の電力機器が隣接スペースを占有する可能性もある。ケーブル経路や保守用クリアランスも、コンピューティングに利用できる面積をさらに縮小する。
動的シミュレーションは、こうした相互作用を時間経過とともに検証する助けとなる。静的な工学計算は、ある設計条件を捉える。動的モデルでは、外気温、ワークロードプロファイル、設備の段階的運転、コンポーネント障害、制御応答の変化を調べられる。
この能力は、事業者が旧来と新規のインフラを混在させる場合に重要となる。転換したゾーンは平均負荷では正しく機能しても、別のチラーが停止した際に許容できない状態を生むかもしれない。また、熱要件を満たしながら、施設が約束する冗長性を弱める可能性もある。
デジタルモデルは現場測定の代替ではない。その出力は、正確な形状、設備データ、制御ロジック、運用上の前提に依存する。不完全なモデルは、誤った問いに対してもっともらしく精密な答えを与えかねない。
したがって、このプロセスは計測と検証から始めるべきだ。事業者には、実際の電力使用量、空気・水温、圧力、流量、湿度、設備性能に関する信頼できるデータが必要となる。その後、将来シナリオを信頼する前に、モデル化された挙動と観測条件を比較しなければならない。
中心となる仕組みは反復的だ。既存施設を測定し、モデルを較正し、制約となる要因を特定して、狙いを定めた変更をシミュレーションする。設置後は、実際の性能をモデル結果と比較し、モデルを再び更新する。
これは単なる設備更新よりも要求の厳しい取り組みです。また、改修を行わない判断を下すための、より明確な根拠も提供します。説明可能なモデルは、介入がレジリエンスを損なう、構造上の限界を超える、または有効な容量を生み出さずにボトルネックを移すことを示せます。
液冷は改修の適用範囲を広げるが、限界もある
液冷により高密度な改修は可能になるが、電力不足、脆弱な構造、あるいは不十分な運用規律を解決することはできない。
NvidiaのGB200 NVL72は、熱設計がAIインフラの中核になった理由を示しています。このラックスケール・システムは、72基のBlackwell GPUと36基のGrace CPUを液冷設計で接続します。Nvidiaは、このシステムを、密結合型AIワークロード向けの単一の大規模NVLinkコンピューティング・ドメインと説明しています。
同社は、提示した比較条件において、このシステムがH100空冷インフラと同じ電力で25倍の性能を実現すると主張しています。これはベンダーによるベンチマークであり、あらゆるワークロードを独立して測定したものではありません。それでも、ラックアーキテクチャは、主要なアクセラレータ・プラットフォームが、その物理設計に液冷を組み込んだ形で提供されるケースが増えていることを裏付けています。
液体は空気よりも効果的に熱を運ぶため、事業者はプロセッサにより近い場所で熱を除去できます。ダイレクト・トゥ・チップ冷却では、発熱部品に取り付けたコールドプレートを通じて冷却液を循環させます。リアドア熱交換器は、ラックから排出される高温の排気を冷却します。
これらの方式は、それぞれ異なる改修条件に対応します。リアドア方式は、すべてのサーバーを直接液冷に移行せずに、利用可能な密度を高められます。ダイレクト・トゥ・チップ方式は熱源で熱に対処しますが、信頼できる液体ループ、分配装置、監視、保守手順が必要です。
ハイブリッド冷却は、液冷システムと従来の空冷を組み合わせます。液体がプロセッサの熱の大半を回収する一方、空気がメモリ、ストレージ、ネットワーク機器、または低密度ラックを冷却できるため、このアプローチは混在した施設に適しています。段階的な導入も可能にします。
IEAの技術協力プログラムを通じて発表された国際的な調査では、サーバーレベルで8%、施設レベルで30～40%の省エネルギーの可能性があると推定されました。全体としての削減可能性は10～21%とされています。
しかし、同じ液冷に関する調査は、現時点での導入率の低さ、標準化の不足、高い初期費用、長期的な信頼性への懸念を指摘しています。また、Power Usage Effectivenessが液冷による効率向上の一部を過小評価し得ることも警告しています。
こうした留保は重要です。PUEは、施設全体のエネルギーとIT機器に供給されるエネルギーを比較します。依然として有用ですが、すべてのシステム上の影響を捉えるものではなく、完了した有効なコンピューティング量を示すものでもありません。
PUEが低いからといって、改修が経済面または環境面で自動的に望ましいとは限りません。事業者は、材料に内在する負荷、機器の更新、水使用量、冷媒、稼働率、電力の炭素集約度を考慮する必要があります。高効率でも十分に使われないクラスターは、依然として資源を浪費し得ます。
水戦略にも別のトレードオフがあります。一部の液冷構成は、従来の機械式冷却への依存を減らせます。一方で、施設内の水ループと外部への排熱を引き続き必要とする構成もあります。結果は、気候、温度目標、機器の選択、運転条件によって異なります。
液体が高価な電子機器の近くに導入されるため、漏水には注目が集まります。しかし、運用上の課題は漏水検知だけにとどまりません。チームには、適合する材料、水質管理、隔離手順、予備部品、訓練を受けた技術者、IT部門と施設部門の間での明確な責任分担が必要です。
改修は、二速度の運用環境を生む可能性もあります。従来型ラックは既知の手順に従う一方、液冷機器には異なるコミッショニングおよび保守の実務が必要です。文書、アラーム、変更管理、緊急対応は、両方に対応しなければなりません。
懐疑的な結論は明快です。液冷はAIを収容できる建物の選択肢を広げますが、すべての建物を適したものにするわけではありません。事業者には、十分な電力容量、構造的な支持、排熱能力、障害耐性が依然として必要です。
IESによるデータセンター改修が最も効果を発揮するのは、冷却が検証済みのシステム計画の一要素である場合です。事業者が液冷を、最新アクセラレータと旧来施設をつなぐ万能アダプターとして扱うと、リスクが高まります。
改修とグリーンフィールド建設は異なるワークロードに対応する
真の競争は古い建物と新しい建物の間ではなく、短期的な導入と長期的な最適化の間にある。
グリーンフィールドのAIキャンパスは、大規模で均質なクラスターを前提に設計できます。エンジニアは、電力引込線、変電所、非常用発電、ネットワーク・ファブリック、冷却プラント、構造荷重を統合システムとして計画できます。このため、最高密度の導入では新設がより明確な選択肢となります。
改修は、より限定された要件に適しています。企業は、規制対象データの近くにプライベートな推論クラスターを必要とするかもしれません。コロケーション事業者は、ハイパースケールの学習キャンパスまでは必要としないものの、アクセラレータ容量を必要とする顧客向けにホールの一部を転用する可能性があります。研究機関は、既存の高性能コンピューティング環境に液冷ポッドを追加するかもしれません。
こうした用途では、すべての拠点が専用AIファクトリーと同じ規模になる必要はありません。予測可能な性能を備えた適切な収容条件が必要です。そのため、施設全体がAI対応かどうかを問うより、区分ごとに考えるほうが有用です。
ある拠点は、空冷による低密度の推論機器を支えられるかもしれません。別のゾーンにはリアドア熱交換器を導入できる可能性があります。さらに別のゾーンは、CDUを通じたダイレクト・トゥ・チップ冷却に対応できるかもしれません。建物の残りは、従来型ワークロード専用のまま維持できます。
この混在密度モデルにより、事業者はインフラを実際の需要に合わせられます。また、初期投資の規模を抑えることもできます。顧客が継続的な利用を示し、運用チームが経験を積んだ後に容量を拡張できます。
Vertivは、初期の液冷導入の大半が既存施設で行われると論じています。同社の導入ガイドは、建物をラックの複合要件に合わせて適応させる必要があるため、IT、施設、電力の各チームの連携を重視しています。
この見解も別のインフラベンダーによるものであり、IESに適用されるのと同じ慎重さが必要です。ベンダーは、事業者がモデリング、冷却、電力、サービス製品を購入することで利益を得ます。その技術的な枠組みは依然として有用ですが、導入予測を中立的な市場測定として扱うべきではありません。
競争上の論点は稼働率にあります。短期間で完了した改修でも、顧客が利用しなければ価値はほとんどありません。後から完成するグリーンフィールド案件でも、より大きな規模、より低い運用複雑性、または長期的な電力へのより良いアクセスを提供できれば、優位に立てます。
ハードウェアのサイクルも別のリスクを加えます。ある世代のラック密度や冷却液要件を前提に設計された施設は、想定より早く追加変更を必要とするかもしれません。事業者は、永続的なインフラ更新と、特定システムに過度に密接に結び付いた適応策を区別する必要があります。
オープン・インターフェースは、このリスクを軽減できます。標準化された接続、保守可能な配管、モジュール型CDU、柔軟な電力分配、確保されたサービス空間により、将来の機器変更の余地が広がります。独自仕様を前提とすると、迅速な改修が新たなロックインになり得ます。
レジリエンスも、信頼できるプロジェクトと急ごしらえのプロジェクトを分けます。コロケーション顧客が購入するのは電力だけでなく可用性です。AI容量を増やしても、同時保守性を弱める改修は、中核的なサービス価値を損なう可能性があります。
したがって適切な比較は、ワークロード規模、提供時期、立地、電力の可用性、運用モデルに左右されます。グリーンフィールド建設は、多くの大規模クラスターの行き先であり続けます。改修は、検証済みの制約内に収まる導入の橋渡しとなります。
この役割分担は、片方の手法が勝つという単純化された主張を弱めます。おそらく勝者は両方を使うでしょう。既存インフラが優位性を提供する場所では改修し、密度または規模によって妥協が許されない場所では新設します。
改修の優位性が本物かを示す3つの兆候
改修という主張は、測定された導入、再現可能な運用結果、そしてプロジェクトがレジリエンスを維持するという証拠によって検証される。
第1の兆候は、モデル化された容量が、実際にコミッショニングを完了したAIクラスターへ転換されることです。事業者は、創出した利用可能なIT容量、導入した冷却方式、評価から運用開始までの期間を開示すべきです。コミッショニングの証拠を伴わない発表では、スピードの主張を裏付けられません。
複数の施設が、同等の新設よりも速く、限定されたAIゾーンを稼働させれば、この兆候はIESの主張を強めます。構造、ユーティリティ、または機器の制約が、長期調査の後に繰り返しプロジェクトを止めるなら、この主張は弱まります。
第2の兆候は、変化する条件下での運用性能です。有用な報告は、稼働率、冷却エネルギー、水使用量、部品故障、保守イベント、暑熱時の性能を対象とすべきです。平均PUEだけでは、混在密度の改修が信頼性高く機能することを立証できません。
結果は、モデルによる推定値と測定値も区別すべきです。観測された温度、電力フロー、制御応答が予測範囲内に収まるとき、デジタルモデルは信頼性を得ます。持続的な乖離は、入力データまたはシステム前提の弱点を露呈します。
第3の兆候は顧客の採用です。コロケーション事業者には、技術的な準備態勢だけでなく、改修容量に対する持続的な需要が必要です。契約済みワークロード、継続的な拡張、高い稼働率は、顧客が既存施設内での迅速な導入を評価していることを示します。
低い稼働率は、別の制約を示すでしょう。顧客はクラウドへのアクセス、より大規模なグリーンフィールド・クラスター、または特定のハードウェア世代に適合するインフラを好むかもしれません。可用性保証や将来の冷却標準をめぐる不確実性から、導入をためらう可能性もあります。
これらの兆候は、単一のローンチ発表ではなく、複数の報告サイクルにわたって現れるべきです。改修は運用戦略であるため、その成功はコミッショニング後の再現性にかかっています。最初の導入が証明するのは、1つのチームが1つのプロジェクトを完了したということだけです。
企業の購入者にとって当面の問いは、プロバイダーが容量チェーン全体を文書化できるかどうかです。これには、ユーティリティ供給、非常用電力、ラックの搬入、冷却、排熱、ネットワーキング、構造的支持、保守手順が含まれます。利用可能な床面積があるという主張だけでは不十分です。
インフラチームは、障害時に何が起こるかも問うべきです。ポンプ、CDU、電源モジュール、または冷却ユニットが停止した後も、AIゾーンは運用を継続できるでしょうか。技術者は隣接する従来型ワークロードを中断せずに問題を隔離できるでしょうか。改修は契約上のレジリエンス水準を維持するでしょうか。
開発者とAIプロダクトチームも、これらの答えに利害を持っています。インフラの遅延は、アクセラレータへのアクセス、導入地域、モデル学習のスケジュール、推論コストに影響します。成功する改修プログラムは、既存のユーザーやデータソースにより近い場所へ容量を追加できます。
ナレッジワーカーは、その結果を間接的に体験するでしょう。より分散した推論容量は、低遅延のエンタープライズサービスやプライベート導入を支えられます。しかし、インフラの急速な成長は、地域の電力網、計画システム、エネルギー供給への圧力も高めます。
IESデータセンターの改修が注目に値するのは、休眠中または用途に適合しなくなったインフラを、短期的な容量確保の可能性へと転換できるからだ。この提案が信頼に足るのは、詳細な測定によって施設全体が変更を支えられることが確認された場合に限られる。
次の一手は事業者に委ねられている。AI対応力に関する大まかな主張ではなく、測定済みの成果を公表すべきだ。購入者はその結果を求め、グリーンフィールド型の代替案と比較し、検証済みのレジリエンスを伴う場合にのみスピードを価値あるものとして扱うべきである。
