微型資料中心可能進家裡

美國住宅微型資料中心正在試水溫。AI 算力、電力成本和選址抗爭，正把部分運算搬進一般住家。

AI 資料中心太貴，也太吵。講白了，這行現在連蓋新園區都會被罵。CNBC 提到，全球新 AI 資料中心支出到 2030 年可能衝上 7 兆美元。

另一個數字更刺眼。美國已經有 14 個州，在考慮禁建或暫停新案。這代表問題不只是電價，還有土地、噪音、用水，和地方政治。

所以現在連「把算力放進家裡」這種想法，都開始被認真討論。聽起來很怪，但大公司已經在試。

為什麼會想到住家

原因很直接。AI 需要電、地、冷卻。這三樣都不便宜。大型資料中心一蓋下去，電網壓力、社區抗議、建照審查，全部一起來。

美國緬因州就是例子。當地立法機關通過資料中心禁令，後來又被州長否決。這種拉扯很重要，因為它說明抗拒已經從地方抱怨，變成州層級政策。

在這種情況下，住宅微型資料中心就像一個洩壓閥。既然大園區不好蓋，那就把一部分工作拆小，放到既有住宅電力架構裡。至少概念上是這樣。

• CNBC 的報導提到，PulteGroup 和 Span 正在試住宅算力概念。
• 這種模式主打分散式運算，不再把算力全部塞進單一園區。
• 短期最適合的工作，是批次任務、渲染、研究運算。
• 即時回應很重的 AI 訓練，還是比較適合大型機房。

能做，不代表適合所有工作

BaRupOn 營運長 Balaji Tammabattula 直接說，這個概念技術上可行，而且已經有人在研究。他的邏輯很務實：如果一戶家庭能提供電力或屋頂太陽能，就也能放一部分算力設備。

"It is technically possible and already being explored," said Balaji Tammabattula, chief operating officer at BaRupOn.

但這不代表每個 AI 工作都能丟進車庫。電力、網路、散熱，三個條件缺一不可。再加上工作型態也要挑，像批次處理比較適合，低延遲推論或高密度訓練就不太行。

我覺得這裡最有意思的是熱回收。Heata 在英國把伺服器裝進住家，再把廢熱拿去加熱熱水桶。這種設計很土炮，但很實際。

Microsoft 也在芬蘭做廢熱回收，把資料中心熱能送進地方供暖系統。這些案例都在說同一件事：算力不是只能燒掉，也能被回收。

• Heata 的模式，是讓住戶用免費熱水換伺服器空間。
• 英國的 British Gas 也參與過試驗。
• Microsoft 芬蘭案，目標是供熱給約 25 萬居民。

商業模式有機會，但範圍很窄

住宅微型資料中心最強的賣點，是省掉一部分基礎建設。少買地、少蓋大型冷卻系統、少碰一些園區擴建成本。對 hyperscaler 來說，這些都是錢。

它也讓屋主有參與誘因。若能換到較低電費，或拿到熱水、租金分潤，住家就不只是被動承受設備，而是變成供應節點。這點很像分散式能源，只是主角換成算力。

但市場不會大到哪去。Luxcore 的 Gerald Ramdeen 說得很直白：住家不會取代大型 AI 園區。真正吃重的訓練叢集，還是需要高密度供電、快速網路和嚴格環境控制。

JLL 美國資料中心策略副總 Sean Farney 也提醒，手機的算力早就比第一座資料中心強很多，但這不代表小設備就能處理大規模 AI 需求。JLL 管理的資料中心空間有 4.4 GW，分布超過 340 個站點，規模差距很明顯。

• JLL 管理的資料中心容量約 4.4 GW。
• 覆蓋超過 340 個站點。
• Farney 說，20 kW 的住宅發電機，甚至推不動一個 AI 機櫃。
• 這代表住宅方案只能吃部分工作，不是主力。

安全和法規才是大魔王

真正難的不是硬體，是信任。Huntress 的產品行銷總監 Aimee Simpson 說得很直接：如果每個住宅都變成節點，攻擊面就會被拉大。

"There's a reason that mega data centers run by the likes of Amazon and Microsoft are surrounded by high fences and guarded 24/7," said Aimee Simpson, director of product marketing at Huntress.

這句話很重。因為一旦商業伺服器進到私人住宅，實體安全、保險、合規都會變麻煩。公司不一定想讓敏感資料經過別人家的儲藏室或車庫。

Bentley University 的講師 Arthur Ream 認為，這種模式在推論工作上是可行的，而且其實已經在發生。他比較在意的是，產業能不能把安全和法規故事講圓，還是只是把風險往住宅端丟。

講白了，這不是在取代 hyperscale。它比較像是把工作拆開。大園區扛訓練，小型節點扛部分推論、渲染、批次任務。這樣做能減壓，但也會把管理複雜度拉高。

這波和傳統雲端差在哪

傳統雲端是集中式。資料中心蓋在少數地點，靠規模吃效率。住宅微型資料中心則是分散式。它吃的是既有住宅網路、屋頂太陽能，還有家庭電力配置。

兩者的成本結構也不同。大園區要買地、拉電、建冷卻、跑法規。住家方案則要處理安裝、維運、資安、保險。前者像重裝甲，後者像分散補給。

如果要比競品，住宅方案目前更像邊緣運算的延伸，而不是雲端替代品。它跟 AWS、Microsoft Azure、Google Cloud 的主戰場不同，反而比較接近把算力塞到更靠近使用者的地方。

• 大園區適合高密度 AI 訓練。
• 住宅節點適合推論、渲染、批次運算。
• 邊緣運算的優勢是離使用者近。
• 弱點是管理分散，維運成本高。

這件事的背景，其實是電網壓力

如果只看表面，你會以為這是新奇玩具。其實不是。這背後是整個 AI 產業在搶電、搶土地、搶冷卻資源。只要這些成本一直往上，業者就會一直找替代方案。

而住宅微型資料中心，就是在這個壓力下冒出來的。它不一定會變主流，但它很像一種補洞工具。當大型園區卡在地方政治和能源限制時，這種方案就會被拿出來試。

我自己的判斷很簡單。未來 2 到 3 年，這類方案會先活在試點和特定社區。真正能放大的，不會是訓練模型，而是低延遲要求沒那麼高的工作。

結論：它會先變成誰的生意

我猜最先賺到錢的，不會是屋主，也不會是 AI 公司本身，而是中間商。像硬體整合商、能源管理商、建商、還有能把安裝和維運標準化的公司。

如果你是開發者，這件事值得盯的點很明確：電力管理 API、遠端維運、工作負載排程、熱回收控制，這些都可能變成新需求。問題只剩一個，住宅端到底願不願意把算力放進家裡。