图一、谷歌在互联网上公开展示的数据中心实景图
看到这幅图,即使不瞧图注,你可能也会猜到这是谷歌公布的自家数据中心实景照,类似的美图几年前就曾风靡于网络,不少人都感叹这样的数据中心已经超脱了技术的范畴,更像是精美的“艺术品”。其实很多大型IT和互联网公司都具备类似的、条件较好的数据中心,它们在规模、环境、设计等方面都是各有所长。
图二、条件与数据中心截然不同的边缘机房环境
不过大部分的数据中心,可不一定有这样的条件,尤其是数以千计的电信运营商的边缘机房,条件和环境可以形容为“有限”,甚至“恶劣”,在很多方面无法满足那些住惯了“五星级酒店”甚至是“豪华套房”的常规通用服务器的部署及运行要求,例如:
· 机架空间受限。传输及接入机房机架多为600mm深,少部分达到800mm,远小于数据中心1200mm的机架深度,常规通用服务器无法部署;
· 环境温度稳定性不佳。由于边缘机房的制冷系统的稳定性无法得到有效保证,在制冷系统故障时,机房温度可能会达到45℃以上,因此服务器需要具备电信设备的温度适应能力;
· 机房承重受限。众多边缘机房普遍低于数据中心承重标准,对服务器的部署密度造成影响。
此外,在服务器的技术需求方面,包括性能需求、时钟与同步精度要求、异构计算要求等,以及运维管理需求等在边缘机房也面临诸多新需求与挑战。
而随着电信运营商网络转型与重构的快速推进,打造一个适应网络转型、满足未来电信应用需求,特别是5G时代应用需求的服务器硬件平台就尤为格外重要,而且这个平台也一定要兼顾到上述边缘机房带来的所有挑战。
图三、OTII定制服务器参考设计和行动计划书联合发布现场
为此,在6月28日的MWCS现场,中国移动与中国电信、中国联通、英特尔、华为、浪潮、Mellanox、云达科技等公司共同发布了《OTII定制服务器参考设计和行动计划书》,并正式宣布推出首款OTII服务器原型设计方案。
OTII项目结合运营商业务需求和眼下的挑战,联合行业合作伙伴进行了一系列前期调研分析,并在英特尔提供的主板参考设计等支持下确定了初步的技术方案。技术方案在配置规格及关键组件,物理形态、供电及环境适应性,BIOS、BMC及硬件管理三方面进行了面向电信应用的深度定制服务器设计。
图四、搭配英特尔至强D处理器的OTII边缘服务器原型机
现已推出的OTII定制服务器参考设计原型机总体上反映了OTII在配置规格、硬件设计和管理维护等方面的技术要求:470mm (D) x 434mm (W) x 87mm (H)的机箱尺寸,更适应边缘机房的空间、供电条件,并能满足高达45摄氏度的恶劣边缘环境要求。在配置方面也具备较强的可扩展性,以单路设计为例,原型机可配备英特尔至强或至强D处理器,可支持最多集成18个内核的处理器,可配512GB内存,具备8个2.5英寸存储盘位,并预留3个PCIe插槽,来满足在扩展方面的需求。
该原型机目前已经初步具备运行能力,后续将在此基础上,进一步完善和验证软硬件兼容能力、硬件管理能力等,并将结合实际的5G、MEC、O-RAN等业务测试,进一步明确后续的配置规格和部件选型要求。
当前,国内三大电信运营商在5G、MEC和NFV等应用已经在开展试点,取得了不少成果与进步,当然,也需要在更多问题和环节上进行攻关突破。为此,OTII项目联合产业界制定了未来行动计划,预计到2020年实现OTII服务器规模应用,以支撑5G业务的发展。
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。