关键词:浪潮,浪潮MDC,微模块数据中心,建筑工程,机房改建
导语:在我国铁路、公路等基础设施建设不断加速的背景下,建筑工程企业正在普遍推动数字化转型,强化信息化能力建设,这带来了庞大业务流和信息流,在为企业带来高价值数字资产的同时,也给机房的承载能力带来了巨大的挑战。为了帮助建筑工程企业破解机房建设困境,浪潮推出了面向建筑工程行业的微模块(MDC)数据中心解决方案,不仅可以缩短建设周期,还可以有效的节约能源、降低PUE值。
随着我国经济进入新常态,我国经济已由高速增长阶段转向高质量发展阶段,走新型工业化道路,利用云计算、大数据等创新技术的发展成果,发展高质量建筑工业行业,践行智能建设要求已经成为大量工程建设企业转变经济增长模式、推动业务创新转型的必然选择。其中,企业机房作为信息化业务和数据处理的中心节点,重要性毋庸置疑。然而,在业务数据出现爆炸式增长的背景下,很多工程建设企业发现,原有的机房在承载能力上已经不堪重负,扩建改造机房已经势在必行,在改造机房的过程中,以下两个问题也逐渐的浮现出来:
如何缩短建设周期:在工程建设行业,机房往往承载着智能施工、工作互通互联、信息协同共享、决策科学分析、风险智慧预控等重要应用,维护全单位网络核心业务系统的持续、稳定运行。同时,全单位联网设备及网络节点均需要依托于中心机房7×24小时不间断运行,如果机房的改建时间过长,将会导致新的机房迟迟无法投入使用,不仅影响创新应用的上线时间,还容易带来可用性、安全性等问题,威胁企业宝贵的数据资产。
如何降低运营成本:很多工程建设企业的业务规模巨大,生产中心、灾备中心等机房部署了大量的服务器,这些服务器7×24小时不间断运行,不仅服务器运行需要耗费大量的电力,而且制冷等运维保障也耗费的能源也难以忽略。在工程建设行业普遍建设“绿色施工”的背景下,机房的节能增效也应该受到特别关注。
针对建筑工程行业在机房改建方面存在的问题,浪潮推出了微模块(MDC)数据中心,浪潮将配电、制冷、机柜、冷/热通道、桥架等设备集成到一起,舍弃架空地板、空调室等在传统机房似乎必不可少的依赖条件,实现与机房环境的解耦,成为一个相对独立的部署单元。由于大多数单元都是工厂预制,可以在配电系统、柴油后备、制冷系统和冷却塔等辅助设施全部建设好,就开始IT部署,因此能够极大的加快部署时间。在建筑工程行业的机房改建实践中,浪潮MDC被证实能够缩短一半以上的部署时间。
浪潮微模块数据中心
在能耗方面,浪潮微模块数据中心选用制冷更精准的列间空调,采用水平送风方式,克服了传统精密空调下送风导致的冷量不足、不节能等缺点,还通过封闭冷通道设计大幅提高制冷的效率。另外,浪潮MDC内部供电为交流+高压直流双电源形式,能够成功降低机房能耗水平,使得数据中心PUE能够达到1.5以下。
目前,浪潮MDC解决方案已经中标某特大型建筑工程集团,在该项目中,浪潮结合实际环境条件在数据机房内部署微模块(MDC)数据中心,其中模块为12个机柜,供灾备业务使用,共部署12个IT机柜、1个精密强电列头柜(双UPS引入)、3台制冷量35KW风冷型列间空调(2+1冗余),1个弱电列头柜,单IT机柜最大功率5KW,并配备一台低功耗的90KVA 模块化UPS系统,降低一切机房主供电设备的能源消耗,从而达到节约能源、降低PUE值的目的。
浪潮MDC采用一体化集成方案,主要具备一体化集成、安全可靠、低噪音、节省机房占地面积和节约能源、安装省时、省力、省心、架构兼容、快速灵活部署、多种电源制式和完善的监控等特点,是新一代集成模块化数据中心产品,很好地满足了客户定制化部署、快速上线、绿色节能、稳定可靠的需求。
浪潮表示:“浪潮MDC方案为建筑工程企业建设了一个稳定可靠、高效灵活、功能分区、布局美观的模块化机房,既保证了灾备业务系统安全和性能的要求,又能够动态响应未来业务发展的信息需求,很好地契合了客户对于机房建设的预期目标,得到了客户的高度评价。在标杆性工程的指引下,浪潮MDC方案有望在多个建筑工程企业的机房建设实践中应用。”
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。