至顶网 10月16日(文/董培欣): 连接带来了信息的沟通,连接带来了数据的交流。现在通过网络、无线、4G人与人之间的沟通已经变得越来越紧密,相互间传输与存储的数据量也变得越来越庞大,对于数据与计算能力的提供者数据中心的需求也变得越来越迫切。随着万物互联的5G时代来临,数据必然再次经历爆炸性的增长,数据中心你准备好了吗?
为了应对数据的爆炸性增长,数据中心规模必然会急速扩张。然而数据中心内的设备和软件平台五花八门,不尽相同。缺少统一化、标准化管理,对数据中心的管理维护工作而言,后果无疑是灾难性的:
一个电源开关,对于庞大的数据中心而言往往显得微不足道;一次电流的异常波动,在设备繁多的机房中也很难进行查觉。然而在高度整合化、一体化的云计算数据中心内,一个开关异常可能会引发整组机柜故障,进而破坏整个机房的网络流量正常负载。而电流异常的破坏能力更加强大,轻则电子器件烧毁,IT设备损伤。重则供电系统瘫痪,影响整个数据中心的正常运营……
现在来自美国,拥有全球最大的数据中心建筑面积的Digital Realty已经为此准备好了应对之道。公司市值达到250亿美元,全球拥有超过170个数据中心的数据中心解决方案所有者、运营者和建设者Digital Realty,通过使用施耐德电气的EcoStruxure平台,不仅可以拥有标准一致的监测服务,还可以在全球范围内实现相同的管理界面。纵然设备和软件平台五花八门,不尽相同,也能通过一个解决方案将它们全部无缝对接整合。
万物互联、信息共享,借助物联网技术,施耐德电气EcoStruxure 可为Digital Realty提供从开关柜、供电设备、冷却设备、机架、DCIM管理软件和服务在内的定制化解决方案,同时还可以帮助用户搭建从互联互通到边缘控制,从应用、分析与服务三个层面进行创新组合的数据平台。
凭借在行业市场的深厚积累和丰富的应用经验,施耐德电气创新推出的EcoStruxure IT架构,通过融合IT和OT技术,以互联互通的产品,边缘和云端控制双重选择,融合数字化应用、分析与服务。电气模块化Symmetra UPS系统能够提供电源保护功能,支持快速扩展。而DCIM软件StruxureWare,不仅可以看到每个机柜占地位置、机柜内部空间、供电及制冷能力等静态信息,也可以看到用电、制冷、网络(可以细到每个机柜和服务器)等动态数据,这不仅极大提升数据中心的管理水平,并最大化整个数据中心生命周期的管理效率。如果需要新增服务器等资源,哪里有多余的空间和制冷能力、有多少带宽资源也一目了然。不仅如此,在施耐德电气的管理平台上同时还可以看到整个建筑的用电、制冷情况和运营情况。
施耐德电气采用集成化理念所打造的预制模块化数据中心,将数据中心各个基础设施部件(包括供配电、制冷、监控等)有机地整合在一起,使得机柜内部设备布局更合理,密度更高,应用场景也更具针对性。为Digital Realty提供了全方位物理基础设施和全生命周期服务,并融合更庞大的数据管理系统,确保从边缘计算环境到云端的高可用和安全可靠。
从一致性部署的EcoStruxure解决方案有效帮助Digital Realty满足其分布在全球各地的数据中心机房进行统一维护管理,助力其客户更好开展业务的案例可以看出:现在用户正在不断制造出越来越多数据信息的时候,施耐德电气所提供的全球化、标准化、规模化的基础设施一站式解决方案,可以有效保障用户数据业务的持续性、爆炸式增长。
点击视频,观看完整的Digital Realty成功故事
好文章,需要你的鼓励
皮尤研究中心最新分析显示,谷歌搜索结果页面的AI概述功能显著降低了用户对其他网站的点击率。研究发现,没有AI回答的搜索点击率为15%,而有AI概述的搜索点击率降至8%。目前约五分之一的搜索会显示AI概述,问题类搜索中60%会触发AI回答。尽管谷歌声称AI概述不会影响网站流量,但数据表明用户看到AI生成的信息后更容易结束浏览,这可能导致错误信息的传播。
这项由清华大学等多所高校联合完成的研究首次系统性地解析了AI系统如何同时具备知识检索和深度推理能力。研究团队通过分析200多篇论文,揭示了从简单检索到协同推理的技术演进路径,并建立了全面的评估框架。这种"协同RAG推理系统"能够像人类研究者一样主动搜索信息、分析问题,为AI向真正智能助手的转变奠定了基础。
GlobalData研究显示,人工智能驱动的预测性维护正成为电力行业追求高可靠性和成本效益的关键组成部分。该技术结合数据分析、机器学习和实时监控,能够更准确预测设备未来状况,有望降低维护成本30%,提高设备可用性20%。GE Vernova、西门子等公司提供先进解决方案,而数字孪生技术、物联网和边缘计算等新兴技术正进一步提升维护策略的准确性和效率。
麦吉尔大学研究团队开发了DrafterBench,这是首个专门评估AI在工程技术图纸修改能力的测试平台。通过对1920个真实工程任务的测试,研究发现即使最先进的AI模型也只能达到80%的准确率,在处理复杂多步骤操作时表现不佳。该研究为工程领域的AI应用提供了重要的评估标准和发展方向。