超大规模数据中心企业会和托管服务提供商合作,以满足需求并解决他们的需求。但随着超大规模数据中心的规模越来越大,他们也开始转向自建数据中心了。
来自Structure Research的一份关于全球超大规模数据中心的最新报告指出:“规模是选择自建的一个关键决定性因素,但其他变量也出现了,包括减少供应商、定制和控制设计、以及获取可再生能源的需求。”
Structure Research在其报告中估计,到2022年全球超大规模自建数据中心总容量将达到13177兆瓦(MW)。全球四大超大规模数据中心平台——AWS、谷歌云、Meta和微软Azure——约占该容量的78%。
从地理上看,北美拥有最大的运营自建能力,美国超大规模数据中心企业占到其中的77%。其次是亚太地区,其中中国超大规模数据中心企业占到其中的24%,然后是EMEA和拉丁美洲。不出所料,在除拉丁美洲以外的所有地区,占主导地位的超大规模数据中心企业仍然是亚马逊、谷歌、Meta和微软,苹果、Oracle和法国公司OVH紧随其后。
在中国,本土企业阿里巴巴、华为、百度、腾讯和金山云都是领先的超大规模数据中心企业,同时亚马逊和苹果等国际公司也在努力进入该国的排名中。
以下是全球12个最大的超大规模数据中心企业,根据自建关键电源容量排名:
位于荷兰埃姆斯哈文的谷歌数据中心的入口视图
2022年运营数据中心容量:3024 MW
未来容量(开发中和土地储备):2905 MW
2、微软
2023年1月8日在荷兰克朗拍摄的微软Agriport云数据中心的无人机视图
2022年运营数据中心容量:2176 MW
未来容量(开发中和土地储备):3344 MW
3、亚马逊
亚马逊西雅图总部独有的球体建筑
2022年运营数据中心容量:2480 MW
未来容量(开发中和土地储备):2533 MW
4、Meta
现场经理Tony Perea在Meta位于洛斯卢纳斯的数据中心主数据框架室
2022年运营数据中心容量:1790 MW
未来容量(开发中和土地储备):2595 MW
5、苹果
2022年5月24日的航拍照片,显示了位于中国西南部贵州省贵安新区的苹果数据中心
2022年运营数据中心容量:600 MW
未来容量(开发中和土地储备):1403 MW
6、阿里巴巴
一名技术人员在位于中国北方河北省张北县的阿里巴巴数据中心检查管道
2022 年运营数据中心容量:1350 MW
未来容量(开发中和土地储备):487 MW
7、华为
2022年5月24日的航拍照片,显示了位于中国西南部贵州省贵安新区的“华为云”数据中心(右)和腾讯启星数据中心(左)
2022年运营数据中心容量:494 MW
未来容量(开发中和土地储备):192 MW
8、百度
百度总部大厅
2022年运营数据中心容量:608 MW
未来容量(开发中和土地储备):36 MW
9、腾讯
2020年9月27日,在政府组织的媒体参观中国广东省深圳市腾讯总部期间,一名工作人员介绍了腾讯的互联网数据中心(IDC)云计算服务
2022年运营数据中心容量:487 MW
未来容量(开发中和土地储备):125 MW
10、OVH
法国斯特拉斯堡大型数据中心OVH Cloud附近的消防员
2022年运营数据中心容量:52 MW
未来容量(开发中和土地储备):6 MW
11、金山云
金山软件首席执行官、微软高级技术中心(ATC)前董事总经理张宏江博士出席在中国北京举行的第十四届中国互联网大会(CIC)
2022年运营数据中心容量:36 MW
未来容量(开发中和土地储备):0 MW
12、Oracle
德克萨斯州奥斯汀公司总部的Oracle标牌
2022年运营数据中心容量:21 MW
未来容量(开发中和土地储备):0 MW
好文章,需要你的鼓励
在他看来,企业对AI的恐惧源自未知,而破解未知的钥匙,就藏在“AI平台+开源”这个看似简单的公式里。
斯坦福和魁北克研究团队首创"超新星事件数据集",通过让AI分析历史事件和科学发现来测试其"性格"。研究发现不同AI模型确实表现出独特而稳定的思维偏好:有些注重成就结果,有些关注情感关系,有些偏向综合分析。这项突破性研究为AI评估开辟了新方向,对改善人机协作和AI工具选择具有重要意义。
Pure Storage发布企业数据云(EDC),整合其现有产品组合,提供增强的数据存储可见性和基于策略的简化管理。EDC集成了Purity存储操作系统、Fusion资源管理、Pure1舰队管理和Evergreen消费模式等架构元素,提供类云存储管理环境。该方案支持声明式策略驱动管理,让客户专注业务成果而非基础设施管理。同时发布高性能闪存阵列和300TB直接闪存模块,并与Rubrik合作提供网络安全防护能力。
威斯康星大学研究团队提出"生成-筛选-排序"策略,通过结合快速筛选器和智能奖励模型,在AI代码验证中实现了11.65倍速度提升,准确率仅下降8.33%。该方法先用弱验证器移除明显错误代码,再用神经网络模型精确排序,有效解决了传统方法在速度与准确性之间的两难选择,为实用化AI编程助手铺平了道路。