Data center có thể phải học cách “nhường điện”: AI workload tương lai sẽ chạy theo trạng thái lưới điện?

AI đang biến data center thành phụ tải điện khổng lồ, nhưng cũng mở ra khả năng mới: dời lịch training, giảm công suất GPU hoặc chuyển workload sang khu vực khác khi lưới điện căng thẳng. Grid-aware computing có thể trở thành một phần của hạ tầng AI tương lai.

Tháng 8 19, 2026

Data center có thể phải học cách “nhường điện”: AI workload tương lai sẽ chạy theo trạng thái lưới điện?

Data center từ lâu được vận hành với một nguyên tắc gần như tuyệt đối: máy chủ cần điện thì lưới phải cấp điện. Nhưng sự bùng nổ của AI đang khiến quan hệ này bắt đầu đảo chiều. Thay vì buộc hệ thống điện luôn chạy theo nhu cầu của GPU, một thế hệ data center mới có thể phải học cách nhìn trạng thái lưới điện rồi tự dời lịch training, giảm công suất hoặc chuyển workload sang nơi khác khi nguồn điện trở nên khan hiếm.

Ý tưởng này thường được gọi là grid-aware computing, power-flexible computing hoặc data center demand response. Nó biến compute từ một phụ tải gần như cố định thành một tài nguyên có thể điều chỉnh theo thời gian và địa điểm.

Đây không còn chỉ là khái niệm học thuật. Tháng 3/2026, Google cho biết đã tích hợp tổng cộng 1 GW năng lực demand response vào các hợp đồng dài hạn với nhiều công ty điện lực tại Mỹ. Hệ thống cho phép Google hạn chế hoặc dời một phần workload machine learning khi lưới điện chịu áp lực cao. Trong một thử nghiệm thực địa khác tại Phoenix, Arizona, một cụm 256 GPU đã giảm khoảng 25% công suất trong ba giờ bằng điều phối phần mềm mà vẫn duy trì yêu cầu chất lượng dịch vụ đối với các workload ưu tiên.

Cùng lúc đó, áp lực chính sách cũng đang tăng. Tháng 8/2026, PJM Interconnection — nhà vận hành lưới điện lớn nhất Mỹ — đề xuất cơ chế để các data center và phụ tải lớn giảm hoặc chuyển nhu cầu điện trước khi hệ thống phải cắt điện của người dùng thông thường trong tình huống khẩn cấp.

Nếu xu hướng này tiếp tục, scheduler của một cụm AI trong tương lai có thể không chỉ hỏi “GPU nào đang rảnh?”, mà còn phải hỏi “lưới điện ở đâu đang dư công suất, điện ở giờ nào rẻ hơn, và workload nào có thể chờ thêm 30 phút mà người dùng không nhận ra?”.

AI đang biến điện thành một nút thắt của hạ tầng máy tính

Trong thời kỳ cloud tăng trưởng trước đây, giới hạn của data center thường được mô tả bằng số server, CPU, storage hay băng thông mạng. Với các cụm AI quy mô lớn, công suất điện ngày càng trở thành một trong những giới hạn trực tiếp nhất.

Cơ quan Năng lượng Quốc tế (IEA) ước tính data center toàn cầu tiêu thụ khoảng 415 TWh điện trong năm 2024, tương đương khoảng 1,5% nhu cầu điện thế giới. Trong kịch bản cơ sở của IEA, con số này có thể tăng lên khoảng 945 TWh vào năm 2030, gần gấp đôi mức hiện tại.

Tăng trưởng không phân bố đều. Data center có xu hướng tập trung ở một số khu vực có mạng cáp quang, đất đai và hệ sinh thái cloud thuận lợi. Vì vậy, một tải điện chỉ chiếm vài phần trăm trên quy mô toàn cầu vẫn có thể tạo áp lực rất lớn lên một trạm biến áp, đường truyền tải hoặc thị trường điện địa phương.

IEA cũng chỉ ra một sự lệch pha quan trọng về thời gian. Một data center có thể được xây dựng và đưa vào hoạt động trong khoảng hai đến ba năm, trong khi nhà máy điện, trạm biến áp và đường truyền tải lớn thường cần thời gian dài hơn đáng kể để lập kế hoạch, cấp phép và xây dựng.

AI làm khoảng cách này rõ hơn vì các cụm accelerator mới có mật độ công suất rất cao. EPRI ước tính một data center mới quy mô lớn có thể yêu cầu từ 100 MW tới 1.000 MW điện — tương đương mức tiêu thụ của một đô thị cỡ vừa tới lớn theo cách so sánh của tổ chức này.

Lưới điện không cần data center giảm điện cả ngày

Một hiểu lầm phổ biến là nếu lưới thiếu điện, data center phải hoạt động ở mức công suất thấp hơn liên tục. Demand response thường không hoạt động như vậy.

Hệ thống điện được thiết kế để đáp ứng đỉnh phụ tải. Một khu vực có thể đủ điện trong phần lớn thời gian của năm nhưng thiếu công suất trong vài chục giờ cực đoan — chẳng hạn một buổi chiều nắng nóng khi điều hòa hoạt động đồng loạt hoặc khi một nhà máy và đường truyền tải gặp sự cố cùng lúc.

Để phục vụ một data center 500 MW như một tải hoàn toàn cứng, utility có thể phải đảm bảo thêm hàng trăm megawatt công suất kể cả khi phần bổ sung đó chỉ thực sự cần trong một số giờ hiếm hoi.

Nếu data center đồng ý giảm một phần nhu cầu trong chính những giờ này, lưới có thể sử dụng hạ tầng hiện hữu hiệu quả hơn. Giá trị của tính linh hoạt vì thế không nhất thiết đến từ việc giảm tổng điện năng mà data center tiêu thụ trong một năm. Nó có thể đến từ việc thay đổi thời điểm tiêu thụ.

Không phải AI workload nào cũng cần chạy ngay

Điều khiến data center AI trở thành ứng viên hấp dẫn cho demand response là workload của nó không đồng nhất.

Một yêu cầu inference tương tác — người dùng hỏi chatbot và chờ câu trả lời — có yêu cầu latency rất khác với một job training kéo dài nhiều ngày. Tương tự, việc render dữ liệu offline, tạo embedding, xử lý batch, đánh giá model hoặc fine-tuning nội bộ có thể chấp nhận dời lịch trong một khoảng thời gian nhất định.

Có thể hình dung workload AI thành ba nhóm lớn.

Nhóm gần như không thể trì hoãn gồm inference thời gian thực, dịch vụ tìm kiếm, giao dịch hoặc các ứng dụng có SLA nghiêm ngặt. Việc cắt compute trực tiếp có thể khiến người dùng thấy ứng dụng chậm hoặc mất dịch vụ.

Nhóm có thể giảm công suất trong thời gian ngắn gồm một số job training hoặc batch đang chạy nhưng có thể hạ power cap của GPU, giảm số accelerator hoặc checkpoint rồi tiếp tục sau.

Nhóm có thể dời lịch gồm những tác vụ không cần hoàn thành ngay. Scheduler có thể chờ vài phút, vài giờ hoặc chuyển chúng sang khung giờ khác khi lưới dư điện hơn.

Chính lớp workload thứ hai và thứ ba tạo ra “pin ảo” của data center: không lưu trữ electron, nhưng có thể thay đổi nhu cầu điện theo thời gian.

Grid-aware scheduler sẽ hoạt động ra sao?

Scheduler hiện tại trong một cụm GPU thường tối ưu nhiều biến như số accelerator, bộ nhớ, locality, priority, thời hạn hoàn thành và mức sử dụng tài nguyên.

Một scheduler nhận biết lưới điện sẽ bổ sung thêm một lớp tín hiệu mới.

Utility hoặc grid operator có thể gửi tín hiệu rằng hệ thống đang gần đỉnh tải, giá điện đang tăng hoặc một khu vực transmission bị nghẽn. Hệ điều phối của data center sau đó xác định phần workload nào có thể giảm mà không vi phạm SLA.

Thay vì tắt server một cách thô bạo, phần mềm có nhiều lựa chọn:

tạm hoãn việc khởi động các job training mới;
checkpoint một job rồi resume sau;
giảm power limit hoặc xung nhịp accelerator;
giảm số GPU dành cho các tác vụ ưu tiên thấp;
di chuyển workload batch sang một data center khác;
sử dụng pin UPS hoặc nguồn tại chỗ để giảm lượng điện lấy từ lưới;
phục hồi công suất khi sự kiện grid stress kết thúc.

Điểm quan trọng là mức giảm được điều phối ở cấp workload. Data center không nhất thiết phải “tắt 25% số máy”. Nó có thể giữ toàn bộ dịch vụ quan trọng và chỉ co lại phần compute có độ linh hoạt cao nhất.

Thử nghiệm 256 GPU tại Phoenix cho thấy điều này có thể làm bằng phần mềm

Một trong những minh chứng thực địa đáng chú ý được thực hiện tại Phoenix, Arizona, trên một cụm 256 GPU chạy các workload AI đại diện.

Nền tảng điều phối có tên Emerald Conductor nhận tín hiệu từ hệ thống điện rồi điều chỉnh lịch và tài nguyên compute. Theo nhóm nghiên cứu, cụm đã giảm khoảng 25% công suất trong ba giờ trong một sự kiện grid peak trong khi vẫn duy trì các yêu cầu QoS dành cho job ưu tiên.

Điểm đáng chú ý là thử nghiệm này không yêu cầu thay toàn bộ hạ tầng bằng pin lưu trữ hay máy phát mới. Tính linh hoạt chủ yếu đến từ phần mềm orchestration.

Nghiên cứu tiếp theo năm 2026 mở rộng kiến trúc này thành mô hình Power-Flexible AI Data Centers, kết hợp tín hiệu lưới, telemetry điện năng và scheduler GPU để thực hiện giảm tải nhanh, curtailment kéo dài và vận hành theo cường độ carbon.

Nhóm cũng trình diễn khả năng shifting theo địa lý: thay vì chỉ trì hoãn workload tại một địa điểm, hệ thống có thể chuyển compute sang cluster ở vùng có điều kiện điện tốt hơn.

Google đã đưa demand response vào hợp đồng điện

Nếu thử nghiệm Phoenix cho thấy kỹ thuật có thể hoạt động, động thái của Google cho thấy nó đang tiến vào mô hình vận hành thương mại.

Ngày 19/3/2026, Google cho biết tổng công suất demand response được tích hợp trong các thỏa thuận dài hạn với utility của hãng tại Mỹ đã đạt 1 GW.

Công ty mô tả khả năng này là việc hạn chế hoặc dời một phần workload machine learning để giảm tổng điện năng data center lấy từ lưới trong những giờ cụ thể.

Sau các thỏa thuận ban đầu với Indiana Michigan Power và Tennessee Valley Authority, Google cho biết đã ký thêm các hợp đồng với Entergy Arkansas, Minnesota Power và DTE Energy có demand response như một thành phần quan trọng.

Một động cơ lớn không chỉ là giảm phát thải. Theo Google, tính linh hoạt có thể giúp data center kết nối vào lưới nhanh hơn trong khi nhà máy điện, transmission và storage mới vẫn đang được xây.

Đây là thay đổi đáng chú ý trong quan hệ giữa cloud và utility. Thay vì doanh nghiệp công nghệ chỉ nói “chúng tôi cần 500 MW vào ngày này”, hợp đồng có thể bắt đầu chứa một câu hỏi thứ hai: “trong bao nhiêu giờ mỗi năm, 500 MW đó có thể giảm xuống 400 MW?”.

Từ carbon-aware tới grid-aware: hai khái niệm giống nhưng không hoàn toàn trùng nhau

Google và nhiều công ty công nghệ đã thử carbon-aware computing từ trước: dời workload sang thời điểm hoặc địa điểm có tỷ lệ điện sạch cao hơn.

Grid-aware computing có mục tiêu rộng hơn.

Một giờ có điện ít carbon chưa chắc là giờ lưới ít căng. Ví dụ, một khu vực có nhiều điện gió nhưng transmission đang nghẽn có thể vẫn gặp khó khăn cục bộ. Ngược lại, một giờ lưới ổn định có thể được cấp bởi nguồn điện carbon cao.

Scheduler tương lai vì vậy có thể phải cân bằng nhiều tín hiệu cùng lúc: giá điện, carbon intensity, tình trạng transmission, dự phòng công suất, SLA của ứng dụng và deadline của từng job.

Đây biến việc phân bổ GPU thành một bài toán giao thoa giữa computer science và power systems.

Không chỉ dời theo thời gian: AI có thể “chạy về nơi đang dư điện”

Cloud có một lợi thế mà nhà máy công nghiệp truyền thống không có: một phần sản phẩm của nó là dữ liệu, và dữ liệu có thể di chuyển.

Nếu một lò luyện thép ở Virginia thiếu điện, không thể ngay lập tức chuyển quá trình luyện sang Texas. Nhưng một job batch AI có thể được gửi tới cluster khác nếu dữ liệu, mạng và quy định cho phép.

Đây là spatial shifting — dịch chuyển workload theo địa lý.

Một nghiên cứu năm 2026 của Yize Chen và Xiaogui Zheng mô hình hóa cả temporal shifting và spatial shifting trong quy hoạch lưới. Kết quả cho thấy tính linh hoạt AI có thể giảm chi phí đầu tư và vận hành lưới khoảng 3–21% trong các kịch bản được khảo sát, nhưng lợi ích phụ thuộc mạnh vào vị trí data center, mức độ linh hoạt và điều kiện hệ thống.

Một nghiên cứu khác về security-constrained unit commitment cho thấy mức linh hoạt vừa phải 20–30% đã thu được phần lớn lợi ích tiềm năng trong mô hình thử nghiệm, bao gồm giảm curtailment năng lượng tái tạo và giải tỏa một số nghẽn transmission.

Những con số này là kết quả mô hình hóa, không phải mức tiết kiệm được đảm bảo cho mọi lưới điện. Nhưng chúng chỉ ra rằng giá trị của workload flexibility có thể xuất hiện trước khi data center trở nên “hoàn toàn linh hoạt”.

AI training có phải ứng viên tốt nhất?

Training thường được nhắc tới đầu tiên vì một job có thể kéo dài nhiều giờ hoặc nhiều ngày và thường có checkpoint.

Nhưng việc tạm dừng training không hoàn toàn miễn phí.

Một cụm hàng nghìn GPU có thể chạy đồng bộ. Nếu chỉ một phần tài nguyên bị cắt, toàn job có thể chậm theo. Checkpoint một mô hình lớn có thể tạo ra lượng I/O rất lớn. Khi resume, cluster cần đảm bảo lại tài nguyên và trạng thái nhất quán.

Ngoài ra, các phòng nghiên cứu AI cạnh tranh bằng tốc độ phát triển model. Nếu việc “nhường điện” khiến một training run kéo dài thêm nhiều ngày, chi phí cơ hội có thể lớn hơn khoản tiết kiệm tiền điện.

Vì vậy, scheduler cần biết giá trị kinh tế của từng workload. Một experiment ít ưu tiên có thể trì hoãn. Một run đang chạy trước deadline ra mắt model có thể được đánh dấu không linh hoạt.

Data center tương lai sẽ không chỉ có một công tắc “flexible / inflexible”, mà có thể gắn mức độ linh hoạt cho từng job.

Inference khó nhường điện hơn — nhưng không hoàn toàn bất khả thi

Inference trực tiếp phục vụ người dùng có latency budget rất thấp, nên khó dừng vài giờ như training.

Tuy nhiên, hệ inference quy mô lớn vẫn có các đòn bẩy.

Scheduler có thể batch request hiệu quả hơn, chuyển traffic giữa vùng, giảm compute dành cho workload ưu tiên thấp hoặc sử dụng model nhỏ hơn trong một số trường hợp. Các công ty cũng có thể duy trì headroom đủ để hạ power cap GPU trong thời gian ngắn mà không làm SLA vượt ngưỡng.

Cần phân biệt rõ: đây là tối ưu hệ thống phức tạp, không phải chỉ “giảm điện cho chatbot”. Nếu triển khai kém, người dùng sẽ thấy latency tăng hoặc dịch vụ gián đoạn. Vì vậy, workload tương tác nhiều khả năng luôn nằm ở tầng ưu tiên cao và chỉ cung cấp một phần nhỏ flexibility so với batch compute.

UPS và pin của data center cũng có thể tham gia

Hầu hết data center lớn đã có UPS để giữ hệ thống hoạt động trong khoảng chuyển tiếp khi mất điện, cùng với máy phát dự phòng ở nhiều cơ sở.

Về lý thuyết, pin UPS có thể cung cấp một phần điện trong sự kiện lưới căng thay vì chỉ nằm chờ blackout. Data center có thể đồng thời giảm compute và dùng năng lượng lưu trữ tại chỗ để giảm điện lấy từ lưới.

Cách tiếp cận này biến data center thành một tài nguyên lai: vừa có load flexibility từ phần mềm, vừa có energy flexibility từ pin hoặc nguồn onsite.

Tuy nhiên, dùng máy phát diesel để tham gia demand response tạo ra vấn đề khác. Nó có thể giúp lưới trong ngắn hạn nhưng làm tăng khí thải và ô nhiễm tại địa phương. Vì vậy, “nhường điện” chỉ thực sự có ý nghĩa môi trường nếu cách giảm tải không đơn giản là đổi điện lưới lấy nhiên liệu hóa thạch tại chỗ.

PJM cho thấy lựa chọn có thể chuyển từ tự nguyện sang bắt buộc

Áp lực lên lưới đang khiến câu chuyện không còn chỉ là chương trình tự nguyện giữa hyperscaler và utility.

Ngày 13/8/2026, PJM Interconnection đề xuất một khung khẩn cấp mới trong bối cảnh khu vực này thiếu khoảng 6,8 GW so với yêu cầu độ tin cậy sau phiên đấu giá công suất gần nhất.

Theo đề xuất được Reuters đưa tin, utility sẽ được thông báo để giảm hoặc chuyển nhu cầu của data center và các phụ tải rất lớn trước khi phải cắt điện khách hàng truyền thống. PJM đồng thời muốn lập một registry theo dõi vị trí và mức sử dụng điện của các phụ tải lớn.

PJM hiện chưa có quyền đơn phương buộc các data center thực hiện việc cắt tải và cần sự phối hợp của các bang. Vì vậy, đây mới là đề xuất chứ chưa phải quy tắc đã có hiệu lực.

Dù vậy, tín hiệu chính sách rất rõ: khi data center trở thành một trong những tải lớn nhất trên hệ thống điện, grid operator có thể không còn chấp nhận giả định rằng chúng luôn được phục vụ như phụ tải bất biến.

“Flexible interconnection” có thể đổi lấy quyền vào lưới nhanh hơn

Một trong những nút thắt lớn nhất của data center hiện nay là thời gian chờ kết nối điện.

Nếu một utility chỉ có thể đảm bảo thêm 300 MW trong vài năm tới nhưng khách hàng muốn xây data center 400 MW, cách truyền thống là chờ transmission hoặc generation mới.

Flexible interconnection đưa ra lựa chọn khác: data center được kết nối sớm với điều kiện chấp nhận giảm 100 MW trong những thời điểm hiếm hoi khi hệ thống không đủ công suất.

Ở góc nhìn data center, mất một phần compute vài chục giờ mỗi năm có thể rẻ hơn việc để một dự án hàng tỷ USD chờ thêm ba năm.

Ở góc nhìn utility, một phụ tải có khả năng tự co lại trong thời điểm khẩn cấp dễ tích hợp hơn một phụ tải có cùng công suất nhưng tuyệt đối không được gián đoạn.

EPRI đang thử mô hình này qua sáng kiến DCFlex. Tính tới tháng 8/2026, chương trình cho biết có chín địa điểm trình diễn đang hoạt động, nhằm kiểm tra cách data center có thể phản ứng theo thời gian thực để hỗ trợ độ tin cậy và đẩy nhanh kết nối lưới.

Data center có thể trở thành “nhà máy điện âm”

Trong power systems, giảm 10 MW nhu cầu vào đúng thời điểm có thể mang giá trị gần giống bổ sung 10 MW nguồn cung trong khoảng thời gian đó.

Đây là logic của demand response.

Một data center đang chạy 200 MW nhưng có thể giảm xuống 160 MW trong vòng vài phút về cơ bản cung cấp 40 MW “negawatt” cho lưới. Không electron mới nào được sản xuất; hệ thống chỉ tránh phải cung cấp lượng điện đó.

So với xây một nhà máy peaker chỉ hoạt động vài chục giờ mỗi năm, việc trả tiền cho tải linh hoạt đôi khi có thể rẻ hơn. Tuy nhiên, giá trị thực tế phụ thuộc vào thị trường điện, vị trí congestion và độ tin cậy của cam kết giảm tải.

Nếu grid operator dựa vào data center như một capacity resource, họ cần biết chắc cơ sở đó sẽ giảm được bao nhiêu MW, trong bao lâu và nhanh tới mức nào khi được gọi.

Điều đó biến telemetry và scheduler của data center thành một phần của hạ tầng độ tin cậy điện — một vai trò mà ngành cloud trước đây hiếm khi phải đảm nhận.

Khả năng “nhường điện” không phải miễn phí

Mỗi megawatt giảm khỏi lưới đều tạo ra một chi phí ở phía compute.

Training bị trì hoãn có thể làm chậm nghiên cứu. Inference bị bóp công suất có thể tăng latency. Chuyển workload sang vùng khác tiêu tốn băng thông mạng và có thể vi phạm yêu cầu data residency. Dùng pin làm tăng số chu kỳ và hao mòn hệ thống lưu trữ.

Thậm chí, việc dời workload khỏi giờ cao điểm có thể tạo ra một đỉnh tải mới ở giờ khác nếu hàng loạt data center cùng phục hồi công suất cùng lúc.

Vì vậy, grid-aware scheduling cần cơ chế ramp-up và ramp-down có kiểm soát, gần giống cách nhà máy điện được điều độ.

Các hệ thống cũng cần tránh tình huống tối ưu cho một chỉ số nhưng gây hại chỉ số khác. Chuyển workload sang vùng có điện rẻ hơn có thể làm tăng carbon. Chuyển sang vùng ít carbon hơn có thể làm nghẽn transmission. Tắt GPU để nhường điện rồi chạy máy phát diesel tại chỗ có thể cải thiện tải lưới nhưng làm chất lượng không khí xấu đi.

Data sovereignty và latency giới hạn việc chuyển workload xuyên khu vực

Spatial shifting nghe đơn giản vì dữ liệu là “ảo”, nhưng dữ liệu vẫn phải tuân theo vật lý và pháp luật.

Một job AI có dataset nhiều petabyte không thể được chuyển giữa hai châu lục trong vài phút. Một ứng dụng phục vụ người dùng tại Việt Nam cũng không thể tùy ý chạy ở Mỹ nếu latency hoặc quy định lưu trữ dữ liệu không cho phép.

Các mô hình lớn còn phụ thuộc vào checkpoint, optimizer state và cache phân tán, khiến việc di chuyển một training job đang chạy phức tạp hơn nhiều so với gửi một container phần mềm.

Do đó, spatial flexibility có khả năng phù hợp nhất với workload đã có dữ liệu replicated ở nhiều vùng hoặc các job có đầu vào tương đối nhỏ so với lượng compute.

AI scheduler có thể bắt đầu đọc tín hiệu giá điện theo thời gian thực

Nếu data center có quyền chọn khi nào và ở đâu chạy compute, giá điện trở thành một tín hiệu scheduling tự nhiên.

Trong một thị trường có giá điện biến động theo giờ, workload không gấp có thể được dời sang thời điểm giá thấp. Giá thấp thường xuất hiện khi nguồn cung dư hoặc nhu cầu thấp, vì vậy hành vi này đồng thời có thể giúp cân bằng hệ thống.

Nhưng giá điện chỉ phản ánh một phần trạng thái lưới. Một scheduler tinh vi hơn có thể nhận trực tiếp tín hiệu từ utility hoặc grid operator về congestion, emergency event và giới hạn công suất tại điểm đấu nối.

Ở mức hệ thống, điều này tạo ra một vòng điều khiển mới:

lưới phát tín hiệu → scheduler đánh giá workload → GPU thay đổi công suất → telemetry đo mức giảm → grid xác nhận phản ứng → workload được phục hồi khi sự kiện kết thúc.

Đây gần như là demand response công nghiệp được thực hiện bằng phần mềm máy tính.

Điều này có làm AI rẻ hơn?

Có thể, nhưng không đảm bảo.

Nếu data center đổi lấy giá điện thấp hơn hoặc được kết nối lưới sớm hơn bằng cách chấp nhận flexibility, tổng chi phí hạ tầng có thể giảm. Công suất lưới vốn bị bỏ trống ngoài giờ cao điểm cũng được sử dụng hiệu quả hơn.

Một nghiên cứu mô hình hóa năm 2026 về AI data center flexibility ước tính dời workload theo thời gian và địa điểm có thể giảm chi phí đầu tư và vận hành hệ thống điện 3–21% trong các trường hợp được khảo sát.

Nhưng phía data center cần tính cả chi phí cơ hội: GPU đắt tiền bị idle, job hoàn thành muộn và phần mềm orchestration phức tạp hơn.

Nếu giá trị của một giờ GPU lớn hơn nhiều tiền tiết kiệm điện, operator sẽ không tự nguyện dừng compute trừ khi hợp đồng điện hoặc giới hạn kết nối tạo động lực đủ lớn.

Do đó, tương lai có thể xuất hiện một thị trường nơi flexibility của compute cũng có giá: workload càng dễ dời, data center càng được hưởng điều kiện điện tốt hơn.

Không phải giải pháp thay cho việc xây thêm điện và transmission

Một rủi ro trong cách diễn giải grid-aware computing là coi nó như cách né hoàn toàn nhu cầu nâng cấp lưới.

Không phải vậy.

Nếu data center tiêu thụ hàng trăm megawatt liên tục trong phần lớn năm, năng lượng đó vẫn phải được sản xuất và truyền tải. Demand response chủ yếu giúp giải quyết peak, congestion và khoảng thời gian chuyển tiếp trước khi hạ tầng mới hoàn thành.

Google cũng mô tả demand response như một công cụ đi cùng solar, geothermal và long-duration storage, chứ không thay thế các nguồn mới.

IEA dự báo nhu cầu điện data center toàn cầu vẫn tăng rất mạnh tới cuối thập kỷ. Flexible computing có thể làm đường cong tải dễ quản lý hơn, nhưng không xóa phần diện tích nằm dưới đường cong.

Data center tương lai có thể được thiết kế từ đầu để “biết nhường”

Data center hiện nay thường bổ sung demand response sau khi cơ sở đã được thiết kế. Thế hệ tiếp theo có thể đảo thứ tự: flexibility trở thành một yêu cầu kiến trúc ngay từ đầu.

Điều đó có thể ảnh hưởng tới cách thiết kế cluster, UPS, cooling, network, scheduler và hợp đồng với khách hàng.

Một cụm AI có thể duy trì các “power zones” để giảm điện theo từng khối. Scheduler có thể biết trước mỗi job chịu được bao nhiêu phút gián đoạn. Các mô hình distributed training có thể được tối ưu để thay đổi số GPU động. Battery management system có thể phối hợp với workload manager.

Ngay cả SLA cũng có thể có lớp mới. Khách hàng trả giá thấp hơn nếu chấp nhận workload được chạy trong cửa sổ 24 giờ thay vì ngay lập tức; đổi lại, cloud provider có quyền chờ tới khi điện rẻ hoặc lưới ít căng hơn.

Ở cấp độ phần mềm, đó gần giống cách spot instance đã biến compute dư thành một sản phẩm cloud. Khác biệt là lần này biến số khan hiếm không chỉ là server mà là megawatt.

AI có thể vừa là vấn đề, vừa trở thành một phần giải pháp cho lưới điện

AI đang khiến dự báo nhu cầu điện khó hơn và buộc utility phải lập kế hoạch cho những phụ tải chưa từng xuất hiện ở quy mô này. Nhưng workload AI cũng khác một nhà máy thép hay nhà máy hóa chất ở một điểm quan trọng: một phần công việc của nó có thể được dịch chuyển bằng phần mềm.

Đó là cơ hội mà grid-aware computing cố khai thác.

Thay vì lưới phải xây đủ điện cho mọi GPU chạy tối đa vào đúng giờ cao điểm, một phần compute có thể chờ. Thay vì một training job bắt buộc chạy ở Virginia, nó có thể chạy ở nơi khác nếu dữ liệu và mạng cho phép. Thay vì UPS chỉ chờ blackout, pin có thể phối hợp với scheduler để giảm peak draw.

Google đã đưa demand response của data center vào hợp đồng điện ở quy mô 1 GW. EPRI đang có chín điểm trình diễn flexibility. Các nghiên cứu thực địa đã cho thấy một cụm GPU có thể giảm khoảng 25% công suất trong nhiều giờ bằng orchestration phần mềm. Và PJM đang thảo luận những cơ chế trong đó phụ tải data center có thể phải giảm trước khách hàng thông thường khi hệ thống bước vào tình huống khẩn cấp.

Điều đó không có nghĩa mọi chatbot sẽ chậm lại mỗi khi trời nóng. Các dịch vụ thời gian thực nhiều khả năng tiếp tục được bảo vệ. Thay đổi sẽ diễn ra ở lớp ít nhìn thấy hơn: batch job, training, checkpoint, power cap, routing và lịch chạy compute.

Trong vài năm tới, câu hỏi “data center cần bao nhiêu điện?” có thể trở nên chưa đủ. Utility sẽ muốn biết thêm một thông số khác: bao nhiêu phần trăm số megawatt đó có thể biến mất trong 15 phút nếu lưới cần?

Nếu khả năng này trở thành tiêu chuẩn, data center AI sẽ không còn chỉ là khách hàng tiêu thụ điện khổng lồ. Nó có thể trở thành một trong những phụ tải linh hoạt lớn nhất mà hệ thống điện từng có.