近日浏览网络时，有一个有趣的现象进入视野：DeepSeek正在大规模开放招聘，除去习见的计算机工程师与人工智能研究人员外，招聘岗位中竟然惊现土木工程学的身影。
是否意味着前辈土木工程师口中的辉煌时代——央企深夜宿舍招聘、福利待遇应俱全、新员工签字奖励、快速晋升通道——即将重现江湖？
但深入调查后发现，这种「双向奔赴」的合作模式，并非为了复兴土木工程的往日荣光，根本上讲，还是为了加强人工智能基础设施的建设。
DeepSeek的目标是兴建一座规模空前的数据中心。
这种「宏大」究竟达到什么程度呢？历来数据中心的功耗多停留在兆瓦数量级，而今次的目标已跃升至十亿瓦（1GW）的量级。
为了理解这个数字的分量，我们可以做一个对比：2026年上半年杭州市的平均用电功率约12GW，换句话说，一座这样的数据中心的耗电量，就相当于全杭州总用电量的将近1/10。
需要指出的是，这种选择绝非DeepSeek独有，构建超大规模数据中心已然沦为大模型公司间的军备竞赛。
Meta正在美国路易斯安那州筹建5GW规模的数据中心；马斯克凭其雄厚财力，率先启动了全球首个GW级数据中心Colossus 2；而OpenAI与Anthropic这两个竞争对手，其规划中的超大型数据中心数量之众，足以与新年饺子的数量相提并论。
然而，蓝图设计容易得多，一旦涉及实际施工，企业们便困难重重——地址选择、电力配置、水资源分配、热量管理等问题纷至沓来。
有人或许会问：建造一座数据中心的难度真有那么大吗？
坦白说，确实相当不易，根本症结在于，当代的超大型数据中心与往昔的传统数据中心，本质上已属两种完全不同的事物。
从前建造数据中心的思路相对单纯：选定一块合适地皮，筑造机房厂房，随后堆放各类计算设备。
而超大数据中心则不同，散热问题已成为制约机房结构设计的决定因素。
大模型时代到来之前，数据中心主要依托CPU运行，单个机柜内的芯片综合功耗也仅在15kW上下。
这般热量通过数排风扇的吹拂即可有效散去。
现在情况已大为改观，为适应AI算力需求，数据中心装载了大量高耗能显卡，数十千瓦级别的机柜随处可见，甚至黄仁勋推出的GB 300机柜，功耗已达140kW之巨。
如此庞大的热量输出，已彻底碾压了传统「风冷」方案的能力。要使这些昂贵设备在理想温度下发挥全力，势必要采用液冷技术。
一旦大范围引入液冷，就必须预先确定冷板的安装位置、各机柜的流量分配、冷却剂分配装置（CDU）的配置方案、管路规格、冷却液种类，以及是采用纯液冷还是混合液冷方式等细节问题。
更添棘手的是，对标已成熟的风冷体系，液冷机房仍属非标准化产品，在接头、制冷液、容错机制及维保体系等方面，业界尚存多种技术方案，尚未形成统一标准。
因此，超大型数据中心的机房建设周期较传统方案延长两至三个月。
若散热问题已属令人头痛，则对超大中心而言，这仅是困难的起始。
随之而至的乃是电力供应的挑战。
以往数据中心的电力消耗虽已可观，电网仍能勉强承受，但如今单座数据中心功耗达到GW级别，电力供应体系似乎已力不从心。
根据国际能源署的统计，数据中心自身的建设周期通常需要数年。
然而，为数据中心提供充足电力，需新设输电线路、变电基础设施等配套工程，从前期规划到最终落成，所需时间远超数据中心本身。
由此呈现出一幕荒诞景象：建筑体已近竣工，供电却依然未至。
在国内，廉价电费长期掩盖了这一问题的严重性，而在美国，情形则截然相反。
由于美国电价浮动机制，邻近区域新增高耗能企业往往导致当地电价攀升。
媒体的追踪调查揭示，数据中心密集地区的居民电价较五年前上涨了267%。
可以说，AI也许会重塑美国人的生活，但眼下已率先提高了他们的电费支出。
同样地，水资源也给数据中心带来了困扰。
如前所述，为应对高功耗，机房已普遍采用液冷技术，但将芯片热量导出仅是散热流程的开始。
这些热能最终需依靠冷却塔内不断蒸发的水分散至空气中。
此过程需消耗可观的水量。加州大学河滨分校李鹏飞团队2023年的研究估计显示，用户每与ChatGPT进行20次对话，便会有500毫升的水被蒸发消耗。
虽然这些水分并未从地球消失，但要使其再次降落于原地却极为困难。
尤为荒诞的是，众多数据中心却倾向于建设在水资源紧缺的地区。
原因在于，这些缺水地带往往为沙漠地形，风电与光伏资源丰富，电力成本低廉，土地价格也相对便宜。
为吸引数据中心入驻（从而创造就业机会），地方政府往往签署协议优先保障水资源供应。
美国亚利桑那州为向数据中心供水，甚至被迫暂停城市基础设施建设，并遭美国联邦政府批评减少河水使用。
谷歌甚至因数据中心争夺水资源问题而遭诉讼。
谷歌曾计划在智利圣地亚哥建设数据中心，初期的冷却方案十分「粗糙」：直接抽取当地地下水进行散热。
恰巧该地区已饱受约十年干旱之苦，居民用于农业和饮用的水库接近枯竭，得知谷歌欲争夺地下水，民众顿时群情激愤。
最终，民众愤怒化为法律制裁。智利环境法院顶住跨国资本压力，法庭宣布撤销该项目部分环境评估许可证。
谷歌被迫重新设计方案。
值得欣慰的是，经历多年国际舆论压力后，科技大厂已开始寻求数据中心「节水」之道。
目下新建的AI数据中心开始采纳更复杂的闭式循环冷却体系。冷却液在芯片、热交换器与冷水机间循环流动，热量排出机房后，不再采用无节制的用水冷却法，而是结合风扇及机械制冷等方案。
微软公开的数据显示，此类创新设计能将蒸发耗水降至近乎为零，单个数据中心每年可节约约1.25亿升水资源。
由此可见，现在要建造运行大模型的超大型数据中心，已远非数台服务器加网线的简单事务。
其本质乃是涵盖土木工程、电气工程、暖通空调、能源、通信和环保等多领域的庞大系统工程。
因此，许多人指出，当前的AI发展轨迹正逐步向重工业时代演进。
芯片难得？企业便自行投资研发；
外租算力不稳定？则自主开发数据中心；
电网承载力不足？则与电厂洽谈、构建变电设施、部署储能系统。
。。。
近期，舆论对AI发展方向多有微言，普遍担忧AI本应是辅助工具，却正演变为就业杀手。
然而，若从数据中心的视角审视，便可发现AI的影响不仅限于「何种职业被淘汰」。
它同时在重新定义，何谓「AI行业」的真实内涵。
往昔提及AI，人们脑海中浮现的多为算法工程师、科研人员、软件开发者。
随着模型规模不断扩展，制约其运行能力的因素已转变为芯片供应、电力来源、热量管理、水资源可用性及基础设施规划等物理维度。
因此，长期从事工地作业的土木工程师、日常接触高压电的电气工程师以及专研冷却技术的暖通工程师，逐步被纳入AI产业生态。
由此看来，土木工程是否会重迎昔日辉煌，目前尚难断言。
然而可以确定的是，当AI的竞争从代码拓展至基础设施、从实验室延伸至施工现场之际，梁圣麾下已非程序员独占之地。
