ZD至顶网服务器频道 08月24日 :PDU(电源分配单元)可谓是数据中心的命脉,它座落在机架上,为所有的IT元件提供径直的电源和电路连接,向基础设施提供驱动、传递能量。以往,PDU只是保证机房用电安全,尚不具备智能化的属性。随着数据中心规模不断扩大、云计算虚拟化不断深入,数据中心迫切需要智能化的电源管理。
安全与能耗的矛盾
许多数据中心基于面临的服务可靠性和安全系数的压力递增,将其高达90%的电力用于维持闲置的服务器,以备随时待命。这源于“一旦关掉它,将无法再次启动”的恐惧,为了确保业务的连续性、稳定性而情愿选择承受由此造成的巨大浪费。
另外,据ASHRAE研究显示,提升数据中心的温度,哪怕仅仅一度,也可以产生巨大的电能费用节省,同时不会给有效运营带来风险。服务器及网络设备生产商已经花费巨大精力保证在高温环境下的有效运行,但是不能否认,高温环境又会对供电基础设施造成影响,尤其是PDU所在的出风口位置是数据中心温度最高的地方。不合理的提升数据中心的温度设定,将承担影响供电系统稳定性的风险。
智能PDU应运而生
智能PDU可实现对数据中心、机柜内部各种末端设备电流电压的实时监测和反馈,帮助运维人员及时调整各种设备工作状态,为运维人员了解整个数据中心的能源状况提供第一手资料并满足节能、安全及降低成本的需求。据国外的统计,通过辅以相应的节能措施,智能PDU可实现节电30%~50%。
智能PDU在发达国家的应用非常普遍,在欧美发达国家的数据中心使用率达到90%左右。目前,国内主流的数据中心供应商都推出了智能PDU解决方案,专注于电源管理领域多年的力登,通过软硬件结合的解决方案,更是将智能电源管理推上了新的高度。
智能PDU的价值
以力登PX智能PDU解决方案为例,它不仅能够提供远程的实时电力监控功能,还能提供对机架温度、湿度、楼层压力与气流等的环境监控功能,预先通知规划容量值,提高机架电源利用率,并通过节能措施节约开支。
PX智能PDU提供了实时远程电源监控功能,能够对相关参数进行监控,包括对电流(单位:安培)、电压、功率(单位:kVA、kW)和能耗达到±1%计费级准确度,甚至可以单独对每个电源插座的上述相关参数进行监控,对于数据中心而言可达到利润的最大化。
PX智能PDU可与力登的 DCIM 监控软件Power IQ配合,协助数据中心与设施管理人员能够时时监控并有效利用现有数据中心的电力基础设施,并提供数据中心健康视图、电力分析表、冷却曲线图与相关报告,以便发现基础设施层面隐藏的潜在用电问题,并获悉实时的用电负荷、趋势与容量,从而帮助管理人员改善数据中心的有效性、增强容量规划、和改进能源利用的效率。
将力登的环境传感器即插即用地连接在PX系列智能电源上,环境数据参数会及时发送到力登 DCIM 软件。一个简洁的Web界面使得数据中心管理人员能够时时看到实时环境数据并做出预测。例如,使用详细的微环境温度信息对冷却系统进行优化,并且据此适当升高环境温度以便节约能源,同时保证重要IT设备不会过热;监测热通道或冷通道分区的气压差,及时发现渗漏问题,适当减少不必要的气流,以便节约能源;监测冷却气流流量和送回的热空气流量,以便却确保冷却系统与密封系统正以最佳状态运行。
选用先进的智能PDU进行智能化的能耗管理,迎合了有效运行、环境保护和财务需求的三重需求,应成为数据中心运维管理的新趋势。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。