把 10 萬張 H100 藏進海底可行嗎？研究拆解「暗算力」與 AI 海底資料中心

海底藏著 10 萬張 GPU，真的有可能嗎？

如果未來世界出現限制 frontier AI 訓練規模的國際協議，一個最直接的查核問題會是：大型 AI 算力到底藏不藏得住？

大型 GPU 資料中心並不是一台可以塞進地下室的電腦。它需要數十甚至數百 MW 電力、變電設備、光纖、冷卻系統、交換器與大量施工資源，因此理論上存在相當大的物理足跡。

但如果不把資料中心蓋在地面，而是把它沉到海底呢？

2026 年 9 月提交至 arXiv 的論文《Could Underwater Data Centers Pose a Risk to AI Treaty Verification?》就認真分析了這個問題。研究者不是假設某座秘密基地已經存在，而是建立一個工程情境：如果有人試圖部署相當於 100,000 張 NVIDIA H100 的 frontier-scale AI 訓練叢集到海底，從供電、散熱、互連、維修到衛星偵測，究竟有哪些環節做得到，又有哪些地方會卡住？

論文最後得到的答案非常微妙。

這件事不是物理上做不到。

真正的問題是，它昂貴、難維修、難升級，而且需要一整套非常特殊的海洋工程供應鏈。換句話說，如果目標是便宜、高效地訓練 AI，海底資料中心可能不是理想解；但如果主要目標是隱藏算力的位置，那它就不能被完全排除。

---

什麼是 Underwater Data Center？

海底資料中心 Underwater Data Center，簡稱 UDC，基本概念並不神秘。

它不是讓裸露的伺服器直接泡在海水裡，而是把運算設備封裝在耐壓容器中，再把整個模組部署到海床。

目前主要可以分成兩種設計方向。

第一種是類似 Microsoft Project Natick 的密封式壓力容器。容器內維持大約一個大氣壓，填入乾燥氮氣，伺服器仍使用類似一般機房的氣體環境，再透過內部熱交換器把熱傳給外部海水。

第二種則是壓力平衡式設計。容器內部壓力盡量接近外部海水，伺服器浸泡在介電液體中，液體同時負責散熱。因為內外壓差較小，容器理論上不需要承受與密封艙相同程度的巨大結構應力。

不論採哪一種方案，海底資料中心最直接的優勢都是冷卻。

傳統資料中心必須使用冷凍機、冷卻塔、空調或大型液冷設施，把數十 MW 甚至數百 MW 的熱排出去。海底資料中心則把整片海洋變成巨大 heat sink。

論文引用 Project Natick 的實驗指出，即使部署深度只有約 11 公尺，冷卻額外耗電也曾被控制在總設施功耗約 3% 的程度。

換句話說，真正讓 10 萬張 GPU 海底基地痛苦的，可能不是散熱。

---

Microsoft 其實早就把資料中心沉進海裡過

這個概念之所以不能直接當成科幻，是因為 Microsoft 真的做過。

Project Natick Phase 2 在 2018 年把一個約 12.2 公尺長、2.8 公尺直徑的圓筒形資料中心部署到蘇格蘭 Orkney 附近海床。

裡面裝有：

• 12 個伺服器機架
• 864 台標準伺服器
• 27.6 PB 儲存空間
• FPGA 加速器
• 約 240 kW 電力需求

整個模組在海底運行約兩年。

實驗最有名的結果不是冷卻，而是可靠度反而提高了。

Microsoft 公布的結果顯示，Natick 海底伺服器的故障率約為陸上對照組的八分之一。

研究團隊推測其中兩個重要原因是：容器內使用乾燥氮氣，減少氧氣與濕氣造成的腐蝕；另一個原因更加樸素，裡面沒有人。

沒有工程師進出，就不會有人不小心撞到設備、拉動線材或在維修過程中引入新的故障。

從這個角度看，海底資料中心甚至有點像資料中心版的「封印罐」：設備一旦封好，就讓它安靜地運作數年。

問題也正好藏在這裡。

沒有人碰設備，代表設備壞掉時也沒有人能碰它。

Project Natick 的設計目標可以容許故障伺服器直接留在艙內，再把工作轉移給其他節點。但這種模式對一般雲端服務可能可行，對 frontier AI training 卻會遇到完全不同的問題。

---

10 萬張 H100 到底要多少電？

論文設定的假想叢集是 100,000 張 H100-equivalent GPU。

H100 SXM 的最高功耗約為 700 W，因此光 GPU 本身：

100,000 × 700 W ≈ 70 MW。

然而一座 AI supercluster 當然不只有 GPU。

還需要：

• CPU
• HBM 與系統記憶體
• NIC
• NVLink / InfiniBand 網路
• Leaf switches
• Spine switches
• PSU
• 儲存系統
• 控制節點
• 電力轉換損耗

把這些 infrastructure overhead 加進去後，論文引用大型 AI 叢集工程資料，把完整系統需求估在約 150 MW。

如果把時間往未來推 3 至 5 年，使用 H200、B200 或密度更高的系統，研究者把約 200 MW 視為合理的高端估算。

200 MW 聽起來巨大。

但這裡出現第一個反直覺結果：

海底供電本身不是最困難的技術問題。

現代 submarine HVDC cable 已經能傳輸 GW 等級電力。

1 GW 等於 1,000 MW。

因此單純從輸電容量來看，替一個 150 至 200 MW 海底運算叢集拉一條專用電力纜線，並沒有超越現有海底輸電工程的能力範圍。

真正昂貴的是：你得真的去鋪那條線。

---

75 到 100 個巨大海底 Pod

研究者也試著估算 150 至 200 MW 的海底運算設備究竟會占多少海床。

假設未來單一 pod 可以承載大約 2 MW 運算設備，那麼整個系統需要：

約 75 至 100 個 pod。

如果每個模組之間保留約 15 至 30 公尺的中心間距，用來處理施工、散熱與維護空間，那麼整個 cluster 可能占據約：

1.7 至 9 公頃海床。

大約是數個到十多個足球場級別的面積。

這不是一個小盒子偷偷丟進海裡，而是相當可觀的基礎設施工程。

而且論文自己特別提醒：2 MW/pod 已經高於目前有獨立驗證的海底部署。若只能做到 1 MW/pod，整個系統就需要 150 至 200 個 pod，海床 footprint 還會進一步增加。

因此這些數字應該理解為 order-of-magnitude estimate，也就是量級估算，而不是精密施工藍圖。

---

最奇怪的地方：散熱居然可能是最簡單的一題

陸上 AI 資料中心的一大敵人是熱。

100 MW 計算設備最終幾乎都會變成 100 MW 左右的熱能。這也是 AI infrastructure 越來越依賴液冷、冷板、CDU、冷卻塔與大型水系統的原因。

但如果設備本來就在海水裡，條件完全不同。

海洋的熱容量非常大，只要熱交換器能穩定運作，熱可以直接排進周圍水體。

因此論文在工程分析中直接指出：Cooling unlikely to constitute the bottleneck。

也就是冷卻反而可能不是限制 frontier underwater cluster 的瓶頸。

這與一般看到 AI data center 新聞時的直覺幾乎完全相反。

但麻煩很快就會從另一個地方冒出來。

---

真正的大魔王不是 GPU，而是 Interconnect

10 萬張 GPU 並不是 10 萬台各自工作的電腦。

大型 AI 模型訓練需要 GPU 之間高速交換 tensor、gradient 與 synchronization data。

因此一個 frontier cluster 最重要的部分之一，是巨大的高速 network fabric。

論文舉了一個 8,192 GPU 的參考架構：系統可能使用 256 台 leaf switch 與 36 台 spine switch。

當規模放大到接近 100,000 GPU，交換器數量、光纖數量、收發器數量與 wiring complexity 都會迅速上升。

而且網路線不是想拉多遠就拉多遠。

論文指出，在高效能叢集內：

• Direct-attach copper 約適用到 3 公尺左右
• Active optical cable 與 multimode fiber 在 leaf layer 約可延伸至 50 公尺

這代表海底 pod 之間不能任意散開幾百公尺。

如果想保持高效能 interconnect，整套設備必須非常密集，而且 cabling geometry 必須精確設計。

這產生一個有趣衝突：

為了躲避熱成像，你希望 pod 分散一點。

為了讓高速網路正常工作，你又希望 GPU 靠近一點。

海底 frontier cluster 因此同時受到 thermal concealment 與 network topology 的雙重限制。

---

AI 超級電腦最大的問題：它其實非常需要人類

這可能是整篇論文最重要的工程論點。

很多人會直覺認為，只要伺服器本身夠可靠，把它密封起來就好了。

但 frontier AI training 的故障來源不只有伺服器主板或 GPU。

大型 cluster 常見問題包括：

• InfiniBand transceiver 不穩定
• GPU 掉出 PCIe / NVLink bus
• HBM error
• Silent data corruption
• 光纖連線故障
• Connector contamination
• Switch / link failure

其中不少故障的修復方式非常不科幻。

可能就是：

把 transceiver 拔出來，再插回去。

甚至只是清理光纖接頭。

問題是，在 35 公尺深的海底資料中心裡，「走進機房把線重插一次」突然變成海洋工程任務。

論文引用 Meta Llama 3 405B 的公開訓練資料作為案例。

Meta 使用 16,384 張 H100 訓練 405B 模型，訓練時間超過 54 天，期間發生：

419 次 unexpected interruptions。

平均大約每三小時一次。

這並不代表每一次 interruption 都需要工程師衝進機房，但它清楚顯示超大 GPU cluster 並不是「接上電源後兩個月不會出事」的設備。

這也是為什麼海底資料中心與 AI training 的需求會發生正面衝突。

一般 UDC 的設計哲學是：

Lights-out operation。

最好三年、五年都沒有人碰。

Frontier AI cluster 的現實卻是：

某些故障仍然需要 hands-on maintenance。

這就是論文認為最難解的限制。

---

那就放更多備援，不修了？

理論上可以。

如果有一個國家真的不在乎成本，可以採取極端 overprovisioning。

例如增加：

• 額外 GPU
• 冗餘 leaf/spine switches
• 多條光纖路徑
• Spare transceivers
• 多組供電
• 故障繞跑路徑

當某些元件失效，就直接把它們隔離，不立即維修。

這相當於用資本換維修能力。

假設原本需要 100,000 張 GPU，也許部署遠多於 100,000 張，讓部分設備失效後仍能維持足夠有效算力。

工程上不是完全不可能。

問題只是成本、pod 數量、線材密度、施工時間與故障率全部一起上升。

因此作者最後才會得到一個重要判斷：

這種資料中心只有在 concealment，也就是隱蔽性，比經濟效率更重要時才合理。

商業公司通常沒有理由這樣做。

但一個願意支付巨大 premium 的 state actor，就不能完全排除。

---

最大問題來了：200 MW 熱量會不會讓衛星直接看到？

如果海底藏著一台 150 至 200 MW 的巨大電暖器，理論上它會持續把大量熱排進海洋。

那衛星能不能看到一塊異常溫暖的海水？

論文分析的答案是：大多數情況下可能比想像中困難。

原因是熱不是直接排到海面。

假設設備部署在約 35 公尺深，熱必須先穿過整段 water column 才到達表面。

在這個過程中：

• 海流會把熱帶走
• 垂直混合會稀釋溫差
• 潮汐會攪拌水體
• 風也會改變表面溫度

論文估計，如果水流速度高於大約 0.17 m/s，200 MW 級熱源產生的海面溫度變化可能低於低變異海域本身約 ±0.3 至 ±0.5°C 的自然背景波動。

也就是說，你可能真的有一台巨大 AI supercomputer 在下面發熱，但海面看起來只是「今天這塊水稍微暖一點」。

---

為什麼核電廠熱排放看得到，海底 AI 卻不一定？

論文拿核電廠 thermal plume 作比較。

大型核電廠可以排出數 GW 等級熱量，而且冷卻水通常從接近海面的集中 outlet 排放，因此衛星可以看到非常明顯的暖水羽流。

海底資料中心則不同。

首先它只有約 150 至 200 MW。

其次熱源位於數十公尺深處。

第三，如果數十個 pod 分散部署，熱並不是從單一 outfall 集中噴出。

所以即使 Landsat、VIIRS、MODIS 或 Sentinel-3 能測量海表溫度，也會受到 spatial resolution、cloud cover 與自然 SST variability 限制。

研究者因此認為，除非 UDC 位於：

• 很淺的水域
• 水流非常弱
• 遮蔽海灣
• 湖泊
• 熱量高度集中

否則單靠 thermal infrared satellite 找到它並不可靠。

更深、更分散、海流更快的部署反而更難透過 SST anomaly 發現。

---

聽不到 GPU，但可能聽得到變壓器

另一條偵測路徑是聲音。

海底資料中心不是潛艇，它不會移動，也不一定會特別進行 acoustic stealth engineering。

其中一個難以完全消除的聲源來自電力轉換設備。

如果系統透過 AC submarine cable 供電，變壓器與相關設備可能產生與電網頻率相關的穩定聲音。

50 Hz 電網通常會產生約 100 Hz 的主要電磁機械 tone；60 Hz 系統則約為 120 Hz，再搭配 harmonics。

論文建立的量級估算認為，一個 frontier-scale UDC 的相關 acoustic signature 可能落在約：

127 至 147 dB re 1 μPa @ 1 m。

從物理上看，這不是完全聽不到的東西。

但偵測又碰到另一個問題。

海裡很吵。

同樣的頻率附近可能存在：

• 船舶發電機
• Offshore platform
• Wind farm
• Pumping station
• Coastal electrical infrastructure

所以 hydrophone 聽到一個固定 100 或 120 Hz 聲源，不代表下面一定有 AI data center。

Detection 不等於 attribution。

你可能知道那裡有個大型電力設備，但不知道它究竟是什麼。

---

Hydrophone 得靠多近？

研究者估算，在約 35 公尺深的淺海環境中，如果要可靠偵測這類聲源，sonobuoy 可能需要部署到目標約：

5 至 20 公里範圍內。

這個數字非常重要。

因為一個國家的領海通常延伸至 12 nautical miles，也就是約 22 公里。

換句話說，如果海底資料中心位於某國沿岸，你可能必須把 acoustic sensor 放進對方領海，才能取得足夠訊號。

這件事立刻從感測器工程變成：

外交、情報與 treaty inspection rights 問題。

如果雙方本來就有查核協議，可以提前部署 seabed hydrophone network，事情比較簡單。

如果沒有，就必須想辦法靠船、潛艇、飛機或研究設備部署感測器，而這些行動本身也可能被對方發現。

---

Active Sonar 可以確認，但你也等於敲門了

如果 passive acoustic sensor 只能告訴你「下面有東西」，最直接的確認方式就是 active sonar。

例如使用 AUV，Autonomous Underwater Vehicle，搭配 side-scan sonar 掃描海床。

論文指出，如果 UDC footprint 約 1.7 至 9 公頃，一台海床測繪 AUV 並不需要非常多趟就能把區域掃過。

得到的也不再只是模糊的聲源方向，而是海床上的實際結構影像。

問題是 active sonar 的缺點也非常直白：

你在發 ping。

對方如果有 hydrophone 或 underwater intruder detection system，很容易知道有人正在掃他的海床。

AUV 的投放與回收也需要船隻或其他平台。

因此 active sonar 很適合 treaty inspection，卻不是什麼完美的秘密偵查方法。

---

衛星其實看不到資料中心本體

Optical satellite 看不到 30 至 35 公尺深的金屬 pod 並不令人意外。

海水會迅速吸收可見光。

那 Synthetic Aperture Radar，也就是 SAR 呢？

SAR 的優勢是可以穿過雲層，而且晚上也可以工作。

但 radar microwave 基本上無法有效穿透海水，因此 submerged object 幾乎不會直接出現在 SAR image 上。

所以你不能期待衛星拍出：

「看，那裡海底有 100 個 GPU pod。」

真正有趣的地方在於：你不需要看 pod。

---

最容易暴露海底 AI 基地的，可能是施工船

要建立 frontier-scale UDC，需要非常特殊的基礎設施。

首先需要 pressure vessel。

不像普通資料中心可以使用一般鋼構與水泥工程，海底設備需要能長期抵抗海水腐蝕與水壓的巨大容器。

論文指出，具備大型潛艇與相關 pressure-vessel manufacturing 能力的國家數量有限，相關大型 shipyard 也集中在少數地點。

因此如果某個造船廠突然開始大量製造奇怪的圓筒形耐壓模組，本身就可能形成 satellite-observable industrial signature。

第二個更加明顯的是 submarine cable。

論文引用估算，全球約有 60 艘能執行各種海底 cable-laying 工作的專業船舶。

但這裡面很多只是 fibre repair 或較小型 cable vessel。

真正能處理數百 MW 級大型 power cable、具備大型 carousel 與 tensioning equipment 的船可能只有：

約 20 至 30 艘。

這就形成非常漂亮的 intelligence chokepoint。

如果全球只有幾十艘符合條件的船，你不一定需要在整片海洋裡找資料中心。

你只需要：

盯著這些船。

---

SAR + AIS：不用看海底，看誰正在施工

商業船舶通常會使用 AIS，Automatic Identification System。

AIS 會廣播：

• 船舶身份
• 位置
• 航向
• 速度

如果某艘大型 cable-laying vessel 突然前往一個沒有公開海纜工程的沿岸區域，已經值得注意。

如果它把 AIS 關掉呢？

這正是 SAR 的用途開始出現的地方。

衛星雷達仍可能看到船。

因此分析者可以做：

SAR detection → Vessel classification → AIS cross-reference → 發現沒有 AIS 對應的船 → 觀察它是否進行低速 cable-laying pattern

這類 SAR + AIS fusion 已經被應用在非法捕魚與制裁監控等領域。

也因此，論文得到整篇最重要的一個情報學結論：

海底資料中心本身可能很難找，但建造它的物流活動不一定藏得住。

---

供應鏈比 GPU 更會說話

一座 10 萬 GPU 級海底 AI 基地需要留下的足跡可能包括：

• Pressure vessel fabrication
• 特殊鋼材
• 大型 shipyard activity
• Offshore crane operations
• Cable-laying vessel
• Submarine power cable
• Fibre backhaul
• Coastal substation
• Pod deployment
• Periodic maintenance vessel

換句話說，真正有效的查核方式可能不是找到 GPU。

而是把很多微小證據拼起來：

某造船廠產量異常增加。

某艘大型鋪纜船偏離商業任務。

某個沿岸變電站突然擴建 200 MW。

某片海域又固定出現 maintenance vessel。

最後得到一個相當強的 infrastructure pattern。

這與軍事 OSINT 的思路非常相似。

你不一定直接看到武器本身，而是觀察製造、運輸、基地、維護與能源需求留下的 footprint。

---

海底資料中心還有一個問題：你不能跟著 GPU 世代升級

即使完全不考慮秘密基地，UDC 作為商業 AI infrastructure 仍面臨一個很現實的經濟問題。

GPU 更新速度太快。

現代 AI accelerator 大約每 12 至 18 個月就可能出現重要新世代。

H100 之後有 H200、B200、GB200，再往後還會繼續演進。

但一個 sealed underwater pod 往往希望部署 3 至 5 年才取回。

這意味著：

第一年把最先進 GPU 沉下去。

第二年陸上已經出現更新一代。

第三年海底設備開始落後。

但你不可能像普通資料中心一樣派工程師進去換一批 GPU。

每次 hardware refresh 都可能需要把整個 pod 拉回海面。

因此海底資料中心的 physical deployment cycle，與 AI accelerator 極快的 product cycle 天生不合。

---

中國已經開始商業部署，但規模離 10 萬 H100 還很遠

論文也整理了中國 Highlander / HiCloud 的 UDC 發展。

海南項目從早期實驗逐步進入商業部署；上海臨港項目則在 2026 年開始運作第一階段，而且直接與 offshore wind infrastructure 結合。

論文整理的資料顯示，上海 Phase 1 約為 2.3 MW，完整建設規劃則約 24 MW。

這些數字很重要，因為它們讓我們看見當前現實規模與論文 hypothetical frontier cluster 之間的差距。

2.3 MW 與 150 至 200 MW，仍然差了大約兩個數量級。

而且論文也明確提醒，表格中的許多 UDC specification 來自 vendor disclosure 與 press reporting，並非全部具有獨立驗證。

因此不能看到某公司宣布「200 MW underwater project」就直接當成已部署 200 MW。

Announcement、planned capacity 與 operating capacity 必須分開看。

---

海底不是唯一選項，而且可能不是最好選項

到了論文最後，作者提出一個更關鍵的比較。

如果一個國家的真正目的就是躲避 AI compute verification，它真的有必要把資料中心丟進海裡嗎？

不一定。

例如可以考慮：

• 地下礦坑
• 隧道
• 山體設施
• 偽裝成普通工業設施的資料中心

這些陸上方案雖然運作後可能比較容易透過衛星、輸電或熱排放等方式發現，但施工本身遠比大型海洋工程普通。

卡車載 GPU 進一間工業建築，不是什麼特別顯眼的活動。

但一艘世界上只有幾十艘的大型 power cable vessel 在沿岸停幾星期，就很難完全當作普通物流。

而且陸上設施還有一個巨大優勢：

工程師可以走進去。

因此作者最後認為，UDC 雖然在技術上可以形成 dark-compute pathway，但與地下或工業偽裝資料中心相比，它大概是一條更昂貴、更複雜，而且施工階段更加醒目的路。

---

真正重要的結論不是「海底有秘密 AI 基地」

這篇論文最容易被標題黨扭曲成：

「研究警告國家可能把 AI 超級電腦藏在海底。」

但這並不是它真正的結論。

作者實際上認為：

100,000 H100-equivalent 的海底訓練叢集在工程上並非不可能，但並不經濟。

供電不是根本障礙。

散熱甚至可能是優勢。

最大的問題出現在高速 network fabric、光纖、transceiver、硬體維修與設備更新。

而偵測方面也不存在一個神奇感測器。

Thermal satellite 不可靠。

Passive acoustics 有 attribution 問題。

Active sonar 太具侵入性。

Optical 與 SAR 看不到已沉入海中的 pod。

但如果把所有方法疊在一起：

• Satellite imagery
• SAR
• AIS
• Shipyard monitoring
• Cable supply chain
• Hydrophone
• AUV inspection

就可能建立一套 layered verification system。

換句話說，真正有效的 AI 算力查核未必是在找 GPU，而是在找支撐 GPU 存在的物理世界。

---

AI 再虛擬，最後仍然逃不掉物理

這篇研究最有趣的地方，其實不完全是海底資料中心。

它揭露的是 frontier AI 一個經常被忽略的特性。

我們平常談 AI 時看到的是模型、token、parameter、benchmark 與軟體。

但當模型規模足夠大之後，AI 會重新變成一個非常物理的東西。

它需要：

電力。

銅。

光纖。

交換器。

變壓器。

土地，或者海床。

工程師。

維修。

甚至鋪纜船。

你可以把 GPU 藏進海底。

但很難把整條 industrial supply chain 一起變成隱形。

這可能才是這篇論文對未來 AI governance 最值得注意的啟示：

當 AI 算力大到接近國家級基礎設施後，verification 的對象就不再只是晶片，而是電力、網路、海洋工程與物流共同留下的物理足跡。

---

Tech English｜本文技術名詞

Underwater Data Center（UDC，海底資料中心）：將伺服器、網路與電力設備封裝於耐壓模組中，再部署到海床運作的資料中心架構。海水可作為巨大熱沉，降低傳統冷卻需求。

High-Voltage Direct Current（HVDC，高壓直流輸電）：適合長距離、大容量輸電的電力技術，也是許多跨海電力互連與 offshore wind 輸電系統的重要基礎。論文認為 150 至 200 MW UDC 的輸電容量並未超越現有 HVDC 工程能力。

InfiniBand（高速運算互連）：常用於 AI/HPC 叢集的低延遲、高頻寬網路技術。大型模型訓練需要大量 GPU 經由 InfiniBand 等 fabric 同步資料，而 transceiver、光纖與交換器維護正是海底 AI cluster 的重要瓶頸。

Synthetic Aperture Radar（SAR，合成孔徑雷達）：利用雷達訊號建立高解析影像的遙測技術，可在夜間與雲層覆蓋下工作。SAR 無法直接看到數十公尺深的 UDC，但可以追蹤施工船、造船廠與 cable-laying activity。

Automatic Identification System（AIS，船舶自動識別系統）：商船常用的船舶位置與身份廣播系統。把 AIS 航跡與 SAR 衛星影像結合，可以尋找關閉或修改 transponder 的特殊船隻。

Hydrophone（水下麥克風／水聽器）：用於偵測水下聲音的感測器。論文認為 UDC 電力轉換設備可能產生穩定的 100／120 Hz 與 harmonic 聲學特徵，但必須面對海洋背景噪音與來源辨識問題。