过去几年中,各行各业都经历了前所未有的挑战,但其中受影响最严重的还属于依赖于网络的云服务。为顺应新的现实,并迎接新的挑战,许多业务模式已经发生改变。而基于当下去推断未来,仍充满着不确定性。尽管如此,很重要的一点是,全球更加依赖云服务的同时,也意味着更依赖数据中心的高效运营,这也让我们看到关键基础设施的价值。
当我们聚焦国内数据中心市场,近年来随着数据规模呈现爆发式增长态势,数据中心的能耗问题亟待解决,在此背景下,“东数西算”战略应运而生并于去年正式全面启动,这将有利于实现算力的规模化和集约化,并持续优化数据中心能源使用效率。可以说,“东数西算”正是寻找能源输送和网络输送间的一种平衡,作为国家工程,这对未来国内数据中心布局将有重大影响。如果说未来有一件事是肯定的,那就是我们对数据中心的依赖将会持续增加,而效率也将成为其持续演进的关键。
2023年,效率将驱动数据中心的演进
对于所有数据中心环境而言,效率与其说是衡量盈利的标准,不如说是衡量生存的标准,高效也一定是各种数据中心所追求的重要目标之一。无论是中小型多租户数据中心,还是超大规模云的部署,必须能够随着应用的发展而不断演进。
举例来说,多租户数据中心正在快速发展,但企业用户也会面临很多挑战,比如追求更大带宽和更高速率,加快维护时效、灵活扩展以及不断攀升的存储需求等各种种挑战。然而,目前许多数据中心为了节约成本而牺牲了高效率,这反而会适得其反,运营商如果只用低成本作为唯一考量,将无法满足其租户的高效需求。若要赢得租户青睐,运营商则需将高效真正落实到数据中心建设中。而为了实现高效率,多租户数据中心运营商需要能够提供灵活性、可扩展性、高性能和可靠性的数据中心基础设施解决方案,从而助力推动其业务发展。作为OSI七层模型中的第一层-物理层布线系统正是数据中心网络的基石,可以说,没有高效布线系统的支撑是难以建设一个高效的数据中心的。
此外,在战略层面上,将数据中心转移到网络边缘,通过高速光纤连接,以及利用机器学习(ML)和人工智能(AI)等都可以提高自身服务的效率并降低延迟。在效率方面,能效也是重要的组成部分,而提高数据中心的密度和利于率,是解决能效的有利手段。
随着行业步入2023年,针对数据中心的能效进行关键性的升级也是非常迫切的。例如:
高效网络助力绿色节能数据中心发展
数据中心作为一个高耗能的场地,其带动和代表着信息社会这个“人体”的智慧程度。我们注意到,如今数据中心的能量已不仅仅用于计算上,而是更多地用在连接上。随着高性能网络的发展,未来数据中心网络通讯的耗能有可能大幅度增加,而这也对基础设施提出了挑战。对于网络来说,“高密度” 往往意味着高速率和高性能,而高效率的数据交换又是网络发展过程中一个非常重要的决定性因素。因此,如果有了高密度的交换机,数据中心中很多低性能的交换机就可以被少量高密度高性能的交换机所取代,从而达到低延时、高可用性、节能、节省总成本的目的。
此外,在提升数据中心网络效率方面,康普认为高速的光纤系统作为提升效率的重要传输介质将发挥重要作用,尤其是多模光纤。凭借包括成本更低、能耗更低、易于维护等等优势,多模光纤目前已经在数据中心中被广泛使用并且在企业数据中心中占据主导地位。尽管所有的连接任务单模系统都可以胜任,但是在数据中心里面,从IT侧节能考虑,IT设备本身的节能会对整个机房的总体节能有非常大的贡献,多模的收发器件和多模的光器件对节能贡献非常显著。可以说,数据中心想要节能,多模是首选。
效率提升也将影响下游应用
当我们从整个社会及商业的层面来看,虽然许多人可能永远无法认识到数据中心对世界产生的更广泛的社会和商业层面的影响,但值得记住的是,快速、强大的数据存储和处理能够改善我们日常中所有最重要的部分,进而确实改善我们的生活。例如,每一天数据中心都在提供的基于云的服务能够助力:
包括上述提及的各种例子,都表明我们日常生活中的效率是多么依赖数据中心,也体现了效率在2023年及往后对数据中心的重要性。
2023年,高效数据中心将更加需要高端综合布线
数据中心离开综合布线就难以正常运营,而高效的数据中心如果没有高效的综合布线作为基础设施来支持数据中心的运行和维护,是很难成为一个真正的高效数据中心的。在2023年,随着对数据中心效率要求的提升,数据中心运营商将会更加重视综合布线系统,也将会明确地把高性能、高可靠性、高效率、运维便利性、可灵活升级扩展以及智能化作为数据中心基础设施的重要指标。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。