数据中心是新型基础设施节能降耗的关键环节,也是促进全社会降碳增效的有力抓手。近年来,我国数据中心规模不断壮大,推进数据中心绿色化转型升级势在必行。通过优化供电架构、提高绿电使用比例、绿色智能运营,越来越多数据中心实现节能降耗,有力服务数字经济发展。
青云科技副总裁林源表示,作为数字经济的“底座”,我国数据中心近年来保持快速增长,在政策引导及市场推动的多重因素影响下,绿色数据中心的普及步伐更快。青云科技在服务客户的数据中心建设与改造过程中,也深刻体会到绿色数据中心建设是实实在在的大势所趋。
绿色数据中心正当时
当双碳目标导引的绿色能源与新兴技术驱动的数字经济交汇,绿色化成为新型数据中心建设的应有之义。
相对于传统数据中心,绿色数据中心不仅在资源消耗、能源利用方面,对环境更友好,也因为云计算、物联网等技术的充分融合,使得运营与运维水平更高。随着数字经济发展,绿色数据中心不仅符合资源环境的可持续发展要求,也有利于提高全社会的资源利用效率。
公开数据显示,目前我国已创建三批共计153家国家绿色数据中心,也遴选和推广了5批共157项先进适用技术,以加快引导数据中心绿色低碳发展。随着示范项目的不断建立,相关的标准也会更加成熟可操作。
林源表示,总的来说,一个数据中心是否为“绿色”,可以从建筑节能、运营管理、能源效率等方面来衡量。从现在的绿色数据中心建设以及所呈现的趋势来看,越来越多的技术能力被融入进来,从新能源电力供给、冷热通道布局、液冷等基础设施建设优化,到物联网、边缘计算、AI等助力精细化运营,不同领域的“软”、“硬”技术都发挥出了作用,需要从全局角度寻求最优方案。
数据中心实现绿色化可以分为新建数据中心与传统数据中心改造两个维度。林源说,青云科技是轻资产云厂商,在两个方向上的经验都主要来自于服务项目,围绕云计算本身发挥的作用,集中在软件层面。因此对于青云来说,两者并没有很大的差别,关键在于提升资源利用率、提高运维运营能力。
加速绿色数据中心落地
为了推动绿色数据中心的落地,青云科技提出绿色智慧数据中心解决方案,其通过平台基础服务、物联网平台、IDC设施管理、能耗动环管理、智能运维、智慧运营、智慧大屏及移动运维等智慧化功能模块设计,实现对数据中心海量设备的数字化管理。
林源介绍说,青云超级智算平台作为连接算力和应用之间的“操作系统”,该平台既在一个平台上提供多样性算力,每种算力都支持海量扩展、按需扩容、按需增加节点;又能跨地域分布式部署,并且在统一的运营框架下,算力服务和应用访问还可以跨域申请和使用,实现更高效的资源调配与共享。同时,青云也和产业链上下游的合作伙伴积极展开合作,通过技术与解决方案的联合共促绿色数据中心发展。
例如某国家超算中心的智慧数据中心项目,规模庞大、设备种类多,通过青云物联网平台构建统一连接标准,成功管控包括“风火水电”等各类不同协议的底层设备总计近14000台,包括60多个边缘计算节点,掌控全域资产资源现状,实现资产状态实时动态更新。目前,其在青云智慧数据中心平台设备上行消息数月均220亿左右,消息上行处理8000条/秒,总共承载了数据中心约32万测点数据&告警。
当前,东数西算工程已经启动。在林源看来,“绿色节能”与“算力调度”都是“东数西算”的重要方向,“东数西算”无疑会对绿色数据中心的发展起到促进作用。
对于“东数西算”战略,青云正在积极布局和参与:一方面青云在帮助客户做算力中心的建设和运营,以及双碳智慧数据中心的建设,以充分利用计算资源,降低数据中心的能耗,实现低碳减排。青云已形成成熟的解决方案,并已在国家超算济南中心等多个中大型数据中心落地;另一方面,青云对云数据中心的采购也会与国家战略保持一致,计划将新的离线数据计算和存储需求节点全面向西部迁移,践行“东数西算”。
对于绿色数据中心的未来发展趋势,林源表示,绿色数据中心是数据中心产业向高质量发展的必经阶段,随着产业成熟也会进入快速发展期,为数字经济发展提供可持续的动能。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。