近来,数据中心和“碳中和”捆绑在一起的概念屡见不鲜,从国家政策到行业领域屡次提及,在中央经济工作会议中,我国提出2021年要抓好的八项重点任务,而“做好碳达峰、碳中和工作”位列其中,重申我国二氧化碳的排放力争2030年前达到峰值,力争2060年前实现碳中和。
数据中心作为耗电大户,过去十年间,我国数据中心整体用电量以每年超过10%的速度递增,2020年我国数据中心用电量突破2000亿千瓦时,占全社会用电量的比重升至2.7%;根据预测,到2030年数据中心用电量将突破4000亿千瓦时,占全社会用电量的比重将升至3.7%。
由此可见,数据中心是未来为数不多能源消耗占社会总用电量比例持续增长的行业。加快数据中心绿色发展降低碳排放,推进行业碳中和刻不容缓。为此,各地纷纷出台相关政策,强调科技创新、鼓励绿色升级,在工信部《新型数据中心发展三年行动计划(2021-2023年)》中,也将绿色低碳列为基本原则,强调坚持绿色发展理念,全面提高新型数据中心能源利用效率。
本期杂志重点关注”双碳“背景下的绿色数据中心话题,由于绿色数据中心涉及范围非常广,我们从供给侧着手,采访了芯片厂商、服务器厂商、云计算提供商等企业,借此呈现数据中心产业链对于绿色低碳方面的看法。
芯片是数据中心的”心脏“,而随着工作负载的多样化和复杂化,处理器的性能和功耗也是不断增加。如何实现最优的功耗成为芯片厂商的重要挑战。
不管是英特尔还是NVIDIA,还是Arm都在其产品中融入了功耗优化的技术,从而应对未来绿色低碳的要求。比如Arm的XPU融合计算架构。
服务器厂商也是我们这次重点关注的对方,毕竟数据中心是由服务器组成的。服务器厂商在技术创新方面也是可圈可点,例如中科曙光发布“曙光生态级一体化大数据中心”方案。
而作为“曙光生态级一体化大数据中心”的节能技术底座,曙光相变液冷技术可助数据中心实现全地域、全年自然冷却,PUE值可降至1.04。若全国50%新建数据中心采用曙光相变液冷技术,每年可省450亿度电,减排3000万吨二氧化碳。
在实现绿色低碳数据中心方面,新华三则提供涵盖规划设计、部署实施到管理运维的全生命周期技术服务。同时,遵循“关键系统低碳节能技术创新”的设计理念,打造极致PUE数据中心,聚焦“顶层设计、技术创新、融合运维”。
由于IT消费模式的变化,从采购硬件到购买服务,云计算厂商正在成为企业数据中心消费的首选。所以云厂商在绿色数据中心方面的探索事关整个产业链的发展。
青云以云、网、边、端一体化的平台能力,携手AIoT、大数据领域的生态合作伙伴,推出包括智慧数据中心、智慧园区在内的符合“双碳”政策的解决方案,并且实现了很多已落地和落地中的项目。
为“碳中和”目标的实现,UCloud优刻得在云计算中心设计和建设过程中,采用多种先进技术,降低碳排放量,提升数据中心的绿色化水平。
从云计算厂商的”双碳“实践,我们看到他们更多是引入创新技术,比如IoT、AI以及液冷等实现数据中心的高效运营。
总的来看,数据中心产业链对于”双碳“是持欢迎态度的,虽然短期内会给产业造成一定压力,但是长期看是行业利好。
正如UCloud优刻得数据中心技术架构负责人付东明所言,“双碳”政策对于数据中心产业的发展可以从长短期来看:短期内,会制约数据中心的规模发展,提高数据中心的建设成本;长期看,将提高数据中心的发展质量和技术水平,淘汰落后产能,实现行业整体水平的提高。
”双碳“是国家战略,事关我们每一个人,作为IT产业,在绿色低碳方面更是需要起到示范作用,成为绿色低碳转型和高质量发展的成功实践者,为人类应对气候变化、构建人与自然生命共同体作出巨大贡献,把一个清洁美丽的世界留给子孙后代。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。