随着“双碳”目标升级为国家战略,“碳中和”元年正式开启,推进绿色数据中心建设已成为新一代信息基础设施建设的重要任务。同时,数据中心绿色化也是企业社会责任发展的重要体现。
英特尔正与新华三紧密合作,凭借全面的产品技术和领先的可持续发展理念为实现“双碳”目标进行实践探索。新华三致力打造绿色节能的数据中心,建设可持续发展的未来。
“双碳”背景下的可持续发展战略
近年来,构建可持续发展的良性社会成为全球共识,全社会都在积极推进能源使用的重要转型。我国已将“碳达峰 碳中和”视为国家重要发展战略目标,稳步推进多项举措。而对于企业来说,响应国家“碳达峰 碳中和”目标不仅是应该担负的责任,更是必须履行的义务。
然而应对环境挑战难凭一己之力,英特尔坚持携手合作伙伴,共同打造绿色的产业生态。
新华三不断创新以实现降低数据中心产品的能耗,通过打造智慧园区、推广智能制造、推行绿色办公等方式打造绿色产业。同时,新华三希望用数字化技术赋能能源、建筑、交通、工业、农业等碳排放重点行业,基于英特尔最前沿创新技术设计或改造的节能减排数据中心,提高能源使用效率,有效支撑多能互补、节能减排,实现高碳产业绿色低碳转型。通过参与数字政府、数字社会建设,助力城市建设运营的碳排放规划、管理和优化。
此外,新华三还助力跨区域协同推动“双碳”经济腾飞,助力政府发展跨区域“双碳”产业,用数字技术推动西部清洁能源产业发展,加快IT基础设施使用清洁能源的研发和建设,助力东西部产业互补和能源结构调整。
汪宏表示,近年来,新华三自身也做了很多节能减排的工作,比如2021年公司内部启动“双碳能源机房建设工程”,打造低碳数据中心。面向“双碳”目标,新华三通过高能耗研发体系、测试装备、开发系统、中央实验室等进行支撑业务发展。
作为科技产业的重要赋能者,英特尔也将“双碳”和可持续发展作为长期关注的重点,通过英特尔的科技创新技术与产品推动节能减排数据中心的转型,促进产业生态绿色发展。
去年,英特尔发布了RISE战略和目标,包括履责(Responsible)、包容(Inclusive)、可持续(Sustainable)、赋能(Enabling),将企业社会责任融入到公司业务运营当中。英特尔致力于通过创新技术帮助减少碳“足迹”,为节能减排与可持续发展提供解决方案。
在数据中心,整体碳“足迹”的很大一部分与能源消耗及该数据中心服务器及系统的冷却有关。因此,英特尔与合作伙伴密切协作,促进并简化数据中心中日益增多的可再生能源。英特尔还与数据中心合作伙伴打造项目,提升数据中心的能源效率,并优化可再生能源的使用,为云计算提供动力。最为重要的是英特尔与新华三在数据中心绿色化方面的诸多合作空间,可挖掘数据中心的节能减排潜力,提升数据中心建设的能效标准,践行可持续发展,助力“双碳”目标的实现。
协同创新实现数据中心绿色化
衡量数据中心能效的重要指标是PUE,通过降低PUE值打造节能型数据中心是实现绿色低碳的重要手段。此外,政策层面国家对于PUE的要求越来越严格,低PUE对于降低企业的运营成本也是非常有意义的。
在实现绿色低碳数据中心方面,新华三从规划、设计、实施等各个方面覆盖数据中心全生命周期服务,打造极致PUE数据中心,聚焦“顶层设计、技术创新、融合运维”。
汪宏说,在极致PUE方面,新华三专注于科学合理的顶层设计。极致PUE是多个因素平衡的结果,比如地域、行业等,所以新华三的极致PUE数据中心方法论也是多维度的:一是以工艺为主导,二是多系统可靠性,三是总体拥有成本,四是因时因地制宜,五是各个系统之间要有自己的关联性,六是可维护的便利性。
实现极致PUE离不开数据中心产业链的协同创新,英特尔与新华三开展了多方面的紧密合作。作为数据中心的重要组成部分,英特尔不断创新CPU架构进而提升计算效能,并提供智能网卡等组件解决数据中心所需要的计算、存储、网络方面的能力。通过英特尔的技术支持,促进产业不断创新,在提升数据中心能效的同时降低能耗,双向推动数据中心的节能减排转型。
例如英特尔在架构设计、制造工艺等方面能够让芯片在比较高的环境温度下正常运行,而且能发挥很好的性能,这可以减少散热带来的成本和能耗,提升服务器的能效比。
其实不局限于服务器产品,英特尔与新华三从计算、存储、网络等都有相应的合作,包括IoT、云智产品线。毕竟在同样的平台之下让性能表现更好也是节能减排很重要的一点。
“未来,我们会继续进行前瞻性的市场研究,服务好客户。新华三希望用自己的技术和多年的最佳实践更好地帮助数据中心行业实现绿色低碳的可持续发展。”汪宏最后说。
好文章,需要你的鼓励
这篇研究揭示了大语言模型强化学习中的"熵崩塌"现象——模型在训练早期迅速失去探索能力,导致性能达到可预测的上限。研究者发现验证性能和策略熵之间存在精确的数学关系:R = -a·exp(H) + b,并深入分析了熵变化的内在机制。基于这些发现,他们提出了两种简单有效的方法(Clip-Cov和KL-Cov)来缓解熵崩塌问题,显著提升了模型性能,特别是在困难任务上。这项研究为大模型强化学习的规模化应用提供了关键指导。
Skywork OR1是昆仑公司AI团队开发的开源推理大模型,通过创新的强化学习方法显著增强了语言模型的推理能力。该研究基于DeepSeek-R1-Distill模型系列,采用名为MAGIC的训练方法,在AIME24、AIME25和LiveCodeBench三大基准测试中实现了显著性能提升,32B模型平均准确率提高15.0%,7B模型提高13.9%。研究团队通过系统研究策略熵崩塌现象,提出了有效的缓解策略,并开源了全部代码、数据和模型权重,为AI社区提供了宝贵资源。
上海交通大学研究团队发现多模态大语言模型中的"啊哈时刻"(自我反思模式)虽存在但并不意味着推理能力提升。他们提出了"冷启动强化学习"两阶段方法:先用监督微调建立推理模式,再通过强化学习优化。实验表明,这种方法在多个多模态数学推理基准上表现卓越,使3B参数模型达到接近甚至超越部分7B模型的性能,为增强多模态AI推理能力提供了有效路径。
MBZUAI研究团队开发的SVRPBench是首个模拟真实物流环境的随机车辆路径问题基准测试平台。它通过建模时间依赖的交通拥堵、概率性延误和客户特定时间窗口,为500多个包含最多1000客户的测试实例注入真实世界的不确定性。实验结果显示,先进的强化学习算法在分布变化时性能下降超过20%,而传统方法表现更为稳健。该开源平台通过GitHub和Hugging Face发布,旨在推动更适应现实世界不确定性的路由算法研究。