微软计划到 2032 年将全球数据中心容量从约 12 吉瓦扩展至超过 38 吉瓦，以缓解 AI 与云服务的算力短缺。随着 CPU、GPU 等多类型算力协同扩张，AI 云服务开发者需要通过全渠道统计、渠道编号、智能传参和场景还原，打通算力申请、云服务接入与任务完成的全链路分发闭环。

算力瓶颈倒逼云基础设施扩容

微软此次扩容计划的核心，并不只是增加数据中心数量，而是重新调整 AI 与云服务的算力供给方式。

据报道，微软目前全球数据中心网络容量约为 12 吉瓦，计划到 2032 年提升至超过 38 吉瓦。该路线图包括微软自有和租赁的数据中心设施，但不包含从 CoreWeave 等新型云服务商处租用的额外算力。

此前，微软曾因可用服务器不足，无法承接部分人工智能和云服务业务。内部销售团队难以满足客户对特定地区云资源的需求，部分客户因此转向其他云服务商。

算力短缺还影响了已有服务的稳定性。材料显示，GitHub 曾出现接近 8 小时的服务中断，并需要将部分流量路由到海外数据中心或依赖其他云服务商的基础设施。Xbox 云游戏业务也开始限制游戏时长，反映出算力供给不足已经从后台资源问题传导到用户体验层面。

微软建设的新数据中心集群包括位于亚特兰大附近的 East US 3。该项目计划首先增加约 300 兆瓦的数据中心电力，未来扩展至超过 1 吉瓦，主要用于缓解高使用率区域的算力压力。

CPU 与 GPU 走向协同

AI 基础设施并不等于单纯堆叠 GPU。微软云基础设施高管 Alistair Speirs 表示，新一代 AI 工具除了依赖 GPU，也越来越依赖 CPU，因此仅靠 GPU 无法构建完整的 AI 基础设施。

目前，微软约 12 吉瓦的数据中心容量中，约 2 吉瓦集中于 AI 专用芯片。到 2032 年，AI 专用芯片预计占 38 吉瓦总容量的约三分之一，其余仍将用于数据库、云应用、通用计算和其他企业服务。

这意味着未来的 AI 云服务将呈现多类型算力协同的特征：

• GPU 负责模型训练、推理和高并发 AI 任务。
• CPU 负责数据库、业务逻辑、数据预处理和通用云计算。
• 存储系统负责长上下文、模型文件和任务数据的持续读写。
• 网络基础设施负责不同区域、不同节点和不同服务之间的调度。

对于云服务客户而言，真正重要的不是单一芯片数量，而是算力能否在正确的区域、正确的时间，以稳定的方式交付给具体任务。

云服务分发面临新断层

数据中心扩容可以增加供给，但不一定自动解决云服务分发中的体验断层。

假设一家企业通过技术媒体、开发者社区、行业会议和合作伙伴渠道了解微软 AI 云服务。用户可能先申请试用，再通过企业账号接入 API，随后将算力用于模型训练、代码生成或内部业务系统。

如果不同入口之间缺少参数接续，用户可能在申请资源后无法自动恢复原来的区域、套餐、项目 ID 或算力配置。企业团队还可能在不同成员、不同终端和不同云资源之间重复提交申请。

这会导致几个问题：

• 用户无法顺利回到最初申请的算力服务页面。
• 渠道来源、活动权益和项目参数可能在注册或登录过程中丢失。
• 企业无法判断哪个渠道带来了有效算力客户。
• 云服务商难以区分试用、调用、扩容和长期使用之间的转化关系。
• 客户可能因为等待时间过长或区域资源不足，转向其他云平台。

当算力资源稀缺时，分发链路中的任何一次信息丢失，都会放大客户流失风险。对云服务商来说，算力交付和客户转化已经不能被视为两个孤立问题。

用全链路能力连接算力与客户

在 AI 云基础设施持续扩张的背景下，开发者需要同时关注资源供给、客户入口和任务结果。

全渠道统计可以为技术媒体、开发者社区、行业展会、合作伙伴平台和企业销售渠道配置独立渠道编号。通过统一看板，运营团队可以观察从首次触达、算力申请、账号注册到 API 调用和项目部署的完整过程。

智能传参可以保存用户首次进入时的业务参数，例如区域偏好、项目 ID、算力规格、试用权益和渠道标识。当用户在其他终端或企业工作台中继续操作时，系统可以尝试恢复这些参数，减少重复填写和重新配置。

对于需要返回具体资源页面或项目控制台的场景，深度链接与场景还原可以帮助用户直接打开对应的云服务页面、项目空间或任务状态，而不是重新搜索和初始化。

在任务级追踪方面，开发者可以区分：

• 哪个渠道带来了算力申请。
• 哪个区域的资源等待时间最长。
• 哪类客户最容易完成 API 接入。
• 哪些任务需要 CPU 与 GPU 协同。
• 哪些客户在试用后进入长期部署。
• 哪些环节最容易导致客户转向其他云平台。

这样，数据中心扩容才能真正转化为可衡量的服务增长，而不是只停留在基础设施规模层面。

FAQ

微软为什么要扩大数据中心容量？

材料显示，微软此前因算力短缺拒绝部分 AI 和云服务业务，部分客户也因无法获得目标区域资源而转向其他云服务商。扩容的主要目标是增加全球云和 AI 服务的可用算力，缓解区域资源紧张。

微软扩容是否只针对 AI 芯片？

不是。微软计划同时扩展 CPU、GPU、存储和通用计算资源。AI 工具不仅需要 GPU，也依赖 CPU 完成数据处理、业务逻辑、数据库和云应用任务。

数据中心扩容与云服务分发有什么关系？

算力规模扩大后，客户入口、区域选择、项目配置和 API 接入会更加复杂。如果缺少渠道统计和参数接续，客户可能在资源申请、跨端使用或项目部署过程中丢失业务信息，导致转化和归因困难。

为什么需要场景还原？

企业客户通常会经历申请试用、选择区域、配置资源、接入 API、部署项目等多个步骤。场景还原可以帮助用户返回原来的项目页面、配置状态或任务进度，减少重复操作。

行业观察

微软拟将数据中心容量从约 12 吉瓦扩展至超过 38 吉瓦，反映出 AI 云竞争正在从单纯的模型能力竞争，转向算力、区域、网络、存储和服务交付能力的综合竞争。

未来的 AI 云基础设施不会只有 GPU，也不会只服务模型训练。CPU 通用计算、GPU 推理、数据库、存储和企业软件将共同构成完整的 AI 服务底座。

但基础设施规模并不等于业务转化。云服务商还需要知道客户从哪里来、申请了什么资源、在哪个节点遇到阻碍、最终是否完成部署，以及不同算力类型如何支撑具体任务。

谁能把数据中心的算力供给与客户的实际任务连接起来，谁就更有机会把基础设施投入转化为稳定的云服务增长。AI 云分发也将从简单的资源曝光，进入以渠道归因、任务追踪和场景还原为核心的精细化阶段。