康普北亚区技术总监吴健
2021年,数据中心将加速部署新兴技术。高性能网络不断增长的需求,管理效率的提高以及COVID-19疫情的影响等全球重要趋势都将对数据中心新兴技术的部署产生影响。外卖订单的增多和实体店零售购物的大幅下滑,大大推动了线上销售的增长,也对数据中心带来了显著影响。以下是2021年数据中心的四大发展趋势:
加速向云迁移
在非“常态”的情况下,大小型企业都在向云迁移,且无论疫情态势如何,这种趋势都将在2021年提速。之前还处在观望中的企业,如今正快速地转向采取基于云的模式来运营业务。许多安排员工在家办公的企业已经采用了基于云的应用,以推行远程办公策略,而零售商则紧随行业巨头们的步伐,将销售工具转移至云端。
与云计算相关的另一大趋势是私有云基础设施的加速采用。此前业界还普遍认为,一切最终都会转移到公有云中。但从许多企业的需要看,他们偏爱将财务、医疗保健等敏感信息保存在私有云中。与此同时,还有一些应用根本无法转换到公有云。而那些运维大型数据中心的企业也发现,私有云的价格要低于公有云。因此,大多数企业将采用公有云和私有云混用的形式,来管理其应用和数据,这也将成为一种行业的标准做法。
增加人工智能的采用
融合人工智能(AI)应用一直是数据中心的大势所趋,且该趋势在2021年并无放缓迹象。尽管在疫情期间推出的应用在疫情结束后仍可能继续被使用,但上述趋势确实与COVID-19疫情有着较强的关联性。AI被用于推动安全和安防应用的发展,例如自动体温测量、免接触式授权、支付和控制系统以及人员流量监控,同时AI也被应用于暖通空调控制和照明等楼宇管理系统。
通过处理大量数据或ML(机器学习)训练集,能够开发复杂的AI算法。例如,可扫描数百万张人脸,以提供一种能够全面了解人类表情细微差别的算法。算法创建完成后,可负责对大量实时信息做出反应,例如面部抽动、皱眉和瞳孔扩张等。
AI/ML数据通常存储在庞大的数据池中,而配备加速器的专用服务器,例如GPU,非常适合处理AI/ML任务。数据中心网络正在增加带宽,为这些系统提供足够大的数据管道,从而实现经济且高效的AI工具的开发。
物联网部署将激增
随着企业致力于实现更完善的设施和人员管理,物联网应用正在迅速激增。诸如LTE-M和Zigbee等较新的连接协议,让温度、水消耗、空间占用、暖通空调控制和其他应用的无线传感器得以应用,而以太网供电(PoE)更使得从Wi-Fi接入点到监控摄像机等所有应用的统一高效成为可能。
物联网提供了关键数据。举例来说,物联网可以推动制造的优化,使AI在流程控制方面的应用成为一种趋势。若要实现机器间的通信,数据通信系统必须实现非常低的延迟。而延迟也是将那些新的较小的分布式系统或边缘数据中心(边缘数据中心用以支持近距离的应用和服务)部署时主要考量的因素。这种趋势正在加速分布式网络的设施部署,以支持大量的边缘数据中心应用。
随着物联网应用的不断增加,预计生成的数据量也将呈指数级增长。处理IoT数据最行之有效的方法,可能就是在位于边缘的本地处理数据。据Gartner预测,到2025年,约65%的服务器将被部署在边缘数据中心。
推动单模光纤发展
远程办公人员和购物者对快速响应的需求将推动单模光纤的广泛采用。单模光纤虽存在已久,但随着数据中心在2021年逐渐采用400G以太网,其部署将进一步加速。尽管受疫情影响,2020年400G的部署速度有所放缓,但预计这种情况将在2021年有所改善。
此外,数据中心的容量将持续增长,其效率也势必需要不断提升。由于前几代铜缆在速度和传输距离方面均达到了上限,因此需要更高效的网络交换设备,并推动“光纤到服务器”的使用,这也正是光纤网络带动网络设备及光学器件带宽提升的原因。IEEE 802.3db工作组的目标是服务器的连接达到100、200和400Gbps的速度,这将有助于开发基于VCSEL的低成本光学器件(多模光纤收发器)在短距离中的应用。
在2021年,适应并满足远程办公人员和客户的需求,使设施更安全、更高效并实现性能提升,将成为数据中心的关键趋势。随着行业持续变革,推行这些计划的企业将走在数字化浪潮的前沿。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。