DeepSeek要建数据中心：“天坑”专业迎来第二春

作者：快思慢想研究院院长 田丰，中国新闻周刊 赵周桥

开篇：每一代人都会遇到属于自己的基础设施革命

徐盛的简历投出去那天，他刚学完一份数据中心设计规范。8年前他从土木工程系毕业，一头扎进民用建筑结构设计，眼见这个专业在近几年被冠上一个略带自嘲的名字——“天坑”。但这一次，他把简历投给了中国顶尖的AI创企DeepSeek。

这家以大模型闻名的公司，官网上新挂出一批互联网数据中心(IDC)团队招聘信息，岗位涵盖基础设施运营、规划设计、现场管理三个方向，电气、暖通、环境、土木专业均为加分项，工作地点指向北京、杭州和内蒙古乌兰察布。DeepSeek在介绍团队使命时写道：“每一代人都会遇到属于自己的基础设施革命。过去是铁路、电网和互联网，今天则是支撑AI发展的超大规模算力集群。”

这句话不是营销辞令。铁路重塑了19世纪的物流版图，电网定义了20世纪的工业能力上限，互联网重写了近30年的信息流通方式——每一次基础设施革命，都会把一批冷门工程能力推到聚光灯下。今天轮到的，是电力、制冷和土木。

这并非孤例。智谱今年7月已落地1吉瓦(GW)级国产AI数据中心，并收购国产AI异构算力软件公司中科加禾；字节跳动2027届校招中，IDC技术工程师岗位明确将暖通、给排水专业列为优先项。一批大模型公司，正从算法研究者变成要跟钢筋、电缆和制冷管路打交道的基础设施承建方。

土木工程师们看到的是转行的窗口。快思慢想研究院院长田丰对《中国新闻周刊》提出自己的判断：这扇窗口，远比想象中窄。

一、真正短缺的不是土木工程师，而是复合型人才

徐盛应聘的数据中心规划设计岗，要求参与园区及机房规划，以及供配电、制冷、机柜、网络基础设施方案的设计与评审。“我的优势是熟悉从拿地、规划到设计、造价、施工的全流程，”他说，“但设施建成后的运维，接触得比较少。”这句坦白，点出了这轮招聘潮的门槛所在。

DeepSeek早已多次招兵买马：2026年4月首次公开招聘数据中心高级运维工程师和高级交付经理，月薪最高达3万元；6月又招聘IDC设计规划工程师，参与从兆瓦(MW)到吉瓦(GW)级基础设施的规划与建设。在某国企数据中心管理岗任职、长期兼做数据中心招聘的刘杰观察到，以暖通专业为例，2021年前后还是小众选择，如今已成常规甚至热门方向：“求职方向大致可分为管理、运维、设计、建设施工和面向设备厂商五类。”

但这不等于土木类专业迎来了第二春。多位业内人士给出同一个数字：数据中心整体工程量中，土建部分占比通常不足20%。香港某数据中心机电调试工程师黄昕说得更直接：“随着大规模算力基础设施建设逐步完成，土木工程从业者仍可能面临项目减少、需求下降的压力，相比之下暖通、机电专业前景相对稳定。”

田丰的判断与此吻合：“当前数据中心真正短缺的不是土木工程师，而是能贯通电力、制冷、网络架构和算力调度等多个领域的复合型人才。这是一个规模有限、技能门槛更高的细分赛道，不代表建筑施工需求的整体回暖。”这轮招聘热潮释放的是更高门槛的职业地图，而非行业周期的反转信号——5年前，几乎没有高校专业目录能同时涵盖电力系统、暖通制冷、网络架构和GPU集群调度，复合型人才的供给结构性短缺是必然的。

二、“先算电，再建楼”：被彻底倒转的设计逻辑

传统数据中心与AI智算中心的分界线，藏在一个数字里：传统数据中心单机柜功率密度通常为5至10千瓦(kW)，风冷绰绰有余；AI训练集群单机柜功率密度已突破100千瓦，液体冷却从升级选项变成了默认选项。这远不止是把风冷管路换成液冷管路那么简单，楼板承重、管路预留、消防系统都必须在建筑设计阶段重新计算一遍。

田丰把这种颠倒总结成一句话：“传统数据中心可以‘先建楼、后配电’，AI数据中心则必须‘先算电、再建楼’。”背后是整套设计流程的重排——模型训练团队要在设计阶段就与土木、暖通、电气工程师坐在同一张图纸前商定方案，而不是等楼盖好了再“拎包入住”。

网络架构同样面目一新。传统数据中心服务成千上万个互不相关的虚拟机，追求的是隔离性与弹性；AI训练集群服务的是一个统一的分布式训练任务，追求无阻塞、低延迟的高速互联，网络拓扑必须与GPU的物理摆放位置、训练框架的通信模式联合优化。这需要超算中心式的网络工程师，而非传统云计算网络工程师，两者的知识体系重叠度并不高。

刘杰提到，不少企业正在招聘液冷人才，但这个领域近两年才升温，真正有项目经验的人还很稀少。田丰进一步指出潜在风险：若未来芯片功率密度继续攀升，或散热方案升级为把服务器直接浸入绝缘冷却液的浸没式液冷，已按当前代际标准建成的机房可能因承重、管路条件不再适配，面临结构性改造甚至闲置的命运——建筑，原本是这个行业里最缺乏柔性的资产。

三、科斯的老问题：这笔账，是租还是买？

1937年，经济学家罗纳德·科斯在《企业的性质》里提出一个后来拿下诺贝尔经济学奖的问题：企业为什么存在?答案是交易成本——采购成本一旦高过自己动手做的成本，企业的边界就会向外扩张。90年后，这道题被大模型公司重新算了一遍。

田丰的分析指向同一个逻辑：企业从“租用算力”转向“自建算力”，首先是成本驱动。过去两年行业讨论算力多聚焦训练集群，但随着DeepSeek、字节跳动等企业推出具备智能体(Agent)功能的AI产品，模型推理请求量呈数量级增长。推理是持续、可预测的负载，租用第三方IDC通常包含运营商20%至40%的利润空间，这份溢价长期累积会成为显著的成本劣势。自建，等于把这部分溢价装回自己的账本，是一次纯粹的财务决策，与技术路线关系不大。

芯片的更新节奏放大了这道题的紧迫性。芯片代际大约12到18个月一换，建筑结构和电网接入的摊销周期却长达15到20年，两者的错配天然会制造沉没成本。这也是大模型公司要更早介入数据中心设计的原因——液冷、单机柜功率密度的跃升，意味着供电架构、管路走向、楼板荷载都必须和芯片代际、集群拓扑联合设计，芯片与建筑的协同设计(co-design)，第一次下沉到模型公司内部。

科斯给出的答案是：企业该往哪个方向扩张，取决于交易成本落在哪一边，世上没有“自建永远更好”这回事。DeepSeek们其实是在重新计算一笔关于“建”还是“买”的账，盖楼只是这笔账的结果。

四、乌兰察布的电价，和提前多年的资源布局

DeepSeek把IDC团队的工作地点之一设在内蒙古乌兰察布。这座城市已是国内重要的算力产业集聚地，全市落地数据中心项目超过109个，字节跳动、阿里巴巴、华为、腾讯、百度、苹果、快手、中联数据、世纪互联、优刻得、中金数据均有布局，总机架数高达700万个。据报道，DeepSeek计划在此建设一座1GW的大型AI数据中心，采取“自建+外部租赁”并行模式，当前算力运行规模达17.2万P，智能算力占比超90%，“十五五”算力规模将突破100万P。

田丰把这次选址放进一个更大的坐标系：乌兰察布地处蒙西电网，煤电、风电、光伏资源富集，电价长期远低于华北负荷中心，电价还不到东部沿海地区的50%。这类节点的电力指标和土地资源，需要与地方政府、电网公司建立长期关系才能锁定，不是市场化租赁能买到的。“算力扩张的上限往往不在工地上，而在电网调度室里，”田丰说。DeepSeek把团队直接派驻能源枢纽城市，本质上是把“电力关系”这项稀缺资源的获取能力提前内部化——这比招几个工程师难复制得多。

这也是中国算力扩张路径与美国的关键分野。美国企业通常自行与电力公司谈判长期购电协议(PPA)，政府往往在电网压力显现后才介入协调；中国企业的选址则与国家枢纽节点布局深度耦合——DeepSeek进驻乌兰察布，是把自建产能嵌入“东数西算”体系，换取电力指标、土地与调度优先级上的政策协同。产业政策提前引导资源集聚，企业自建服从于国家枢纽的空间规划，而非纯粹市场自发选址。

五、“你的利润，就是我的机会”：涨价背后的账本

亚马逊创始人杰夫·贝索斯有句流传甚广的话：“你的利润，就是我的机会。”这句话本形容电商价格战，用来理解大模型公司眼下的定价调整同样贴切——只是这次反过来了：Token经济浪潮中，AI公司必须先扛住基建的重资产成本，再把大模型服务定价权收回自己手里。

资金，是自建算力基础设施的第一道关。算力基建投入大、周期长，真正能走重资产化路线的，是融资能力较强或现金流稳定的头部企业。据报道，2026年6月DeepSeek完成首轮外部融资，募资总额超过500亿元，第二轮融资也在推进中，计划募资500亿元，估值约5000亿元。这背后是一道现实的分界线：字节跳动、阿里巴巴这类平台型企业有广告和电商的稳定现金流为基建输血，即便AI业务尚未盈利，资产负债表仍有缓冲空间；DeepSeek、智谱、MiniMax、月之暗面这类以模型和API收入为主的公司，一旦商业化速度跟不上资本开支节奏，重资产投入会直接转化为资产负债表风险——这才是决定谁能扛住这轮基建周期的关键变量。

定价端的变化印证了这份压力。8月17日，DeepSeek上调API价格并引入峰谷定价，旗舰模型V4 Pro高峰时段每百万词元(Token)输出价格由6元升至27元，涨幅达350%，若看缓存命中输入这一项，涨幅高达1100%（从0.025元到0.3元）；8月23日再度调整，周末全天统一按低谷价计费。此轮调价有助于改善模型厂商的单位算力回报与商业化能力——把重资产投入尽快转化为可持续的现金流，避免被沉没成本拖着走。

六、当一栋楼变成一台超级计算机

马斯克旗下xAI在美国孟菲斯建设的Colossus集群，首期约122天投入运营，2026年初实现全球首个GW级训练集群，随后向2GW规模扩展。这个速度常被引用来说明一件事：全球范围内快速建成大型算力设施，已经有了先例，中美两国企业的土建施工能力并不逊色。

真正的差距不在工地，而在工地之外。田丰的判断很直接：中国企业真正的瓶颈在于电力获取——在省级电力指标分配体系下，稳定、长期的购电协议和电网接入权限，需要与地方政府、电网公司经年累月地协商，这不是资本或工程能力能单方面突破的制度性资源。这也是为什么DeepSeek这类公司要把团队直接派驻到能源枢纽，而不是等项目落地后再去谈电。

这轮基建热潮压缩进了一个极短的时间窗口。谷歌、亚马逊用了近10年时间，才完成从租用机房到自建超大规模数据中心的转型；DeepSeek从2023年发布模型到2026年组建IDC团队，只用了3年。时间压缩的原因，是模型迭代速度和资本可得性都远超上一代互联网基础设施周期——数百亿元融资到位后几个月内就能启动GW级项目审批，这种资本效率，在传统基建行业是不可想象的。

七、“基荷”与“调峰”：国家算力网里的分工哲学

在全球主要经济体中，中国是唯一存在统一国家调度层的算力网体系。这套逻辑，与电力系统里“自备电厂”和“公共电网”的关系高度相似。

1. 训练任务对架构耦合度、数据安全、迭代节奏的要求极高，适合作为企业自有的确定性负载长期占用，扮演的是“基荷”角色；

2. 推理服务和突发峰值请求波动大、可迁移性强，更适合向国家枢纽节点的公共算力池弹性调用，扮演的是“调峰”角色。

国家数据局的数据显示，截至2026年3月，全国智能算力总规模达188万PFLOPS(FP16)，八大国家枢纽节点占比超过80%；已接入国家级监测调度平台的智能算力规模为137万PFLOPS，约占全国总量的72%。这套全国一体化算力网的价值，在于降低全行业的重复建设风险，但发挥作用的前提——标准化调度接口——目前仍处于早期阶段，支撑跨架构、跨厂商资源互认的技术标准仍在陆续出台。

正因如此，在统一调度层真正成熟之前，头部企业出于业务连续性考虑，仍会优先自建核心训练能力作为对冲，公共算力网络更多扮演“保险”而非“主力”的角色。这正是当前阶段自建热潮与全国一体化算力网并行推进、而非相互替代的根本原因——两条腿走路，谁也不会等谁。

八、护城河搬到了物理层：每一瓦特换来多少算力？

“护城河”是巴菲特用来形容企业长期竞争优势的比喻——一条竞争对手跨不过去的河。过去几年，大模型公司的护城河多半被理解为算法和数据。但当Transformer及其变体已被主要实验室共享，纯算法层面的领先窗口期正在缩短，决定长期毛利率的变量正转向每瓦特、每元钱能换来多少有效算力。这与云计算行业的历史规律一致——云厂商的利润率长期由数据中心能耗效率(PUE)和电力采购成本决定，而非软件功能差异。

基础设施工程能力，正从“后台支撑”升级为“前台竞争力”。这也意味着自建潮不会是行业普遍现象，而会造成结构性分层：智谱自建1GW数据中心并收购芯片工具链公司，字节跳动靠广告和电商现金流反哺基建开支，这些都是有稳定现金流或强融资能力的头部公司才能负担的选择。更多模型公司会走“轻”路线，依赖云厂商或专业IDC运营商——这类似民航业全服务承运人自购机队与廉航依赖租赁公司的分化，是资本结构决定的路径分岔。

未来更可能成为主流的，是“自建核心节点+租赁弹性容量”的混合模式：训练集群架构耦合度高、迭代频繁，适合自建；推理服务和突发峰值负载可迁移性强、价格敏感，更适合向公共云或第三方IDC采购。这更接近电力行业“自有基荷电站+现货市场调峰”的组合逻辑。

九、真正稀缺的，是提前锁定的电力和土地

外界最大的误解，是把这轮基建热潮理解成“AI公司在做房地产”。田丰提出不同观点：真正稀缺、不可复制的资产，其实是提前锁定的电力容量和电网接入权；土建施工本身，反而是整条链条中最容易外包、最不具备差异化的环节。总承包商可以负责浇筑楼板，但几年前就锁定的土地指标、电力配额和电网接入排期，无法在需要的时候临时购买。这轮“重基建”竞争的胜负手，本质上是一场提前多年布局的资源获取能力和政策协调能力的较量，而不是单纯的工程建造能力比拼。

黄昕提到，为了降低对地面电力、土地等资源的依赖，业界已开始探索太空数据中心等新路径，但目前尚处于早期阶段——“电力才是真正瓶颈”。

那么徐盛们的机会究竟在哪里?答案落在一张更小、更陡的门槛上，与行业周期的整体回暖无关：能理解“这栋楼的散热能力如何限制训练任务并行度”的工程师，理解供配电、液冷、网络拓扑如何与芯片代际彼此牵制的复合型人才。土木专业本身没有第二春，但站在电力、暖通、土木交叉点上的少数人，确实等到了一扇新窗口。

窗口开了，但不是为所有人开的。真正决定谁能走进去的，是能不能在一张图纸前，同时看懂电、懂冷、也懂算力。

参考文章：《“天坑”专业，有救了？》，中国新闻周刊 赵周桥

畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》

出版社：人民邮电出版社

作者：田丰

帮助你定位AI当下发展坐标的指南针

帮助你洞察AI未来演进趋势的航海图

通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。