绿色发展是21世纪人类发展的共同追求,也是新时代中国发展的重要理念之一。二十大报告中明确提出,要协同推进降碳、减污、扩绿、增长,推进生态优先、节约集约、绿色低碳发展,加快节能降碳先进技术研发和推广应用。
数据中心是“耗能大户”,也是节能降碳的核心发力领域之一。PUE值就是衡量数据中心能耗水平的重要指标,PUE值越接近1,表示一个数据中心的能效水平越好,绿色化程度越高。2021年7月,工业和信息化部印发的《新型数据中心发展三年行动计划(2021-2023年)》中提出,新建大型及以上数据中心电能利用效率(PUE)降低到1.3以下,严寒和寒冷地区力争降低到1.25以下,引导新型数据中心走高效、清洁、集约、循环的绿色低碳发展道路。
数据存储作为数据中心的重要组成,在节能降耗方面的挑战不断加剧。据IDC测算,2025年全球数据年产生量将达到2020年的3倍,中国产生的数据总量将达到48.6ZB,占全球27.8%。在满足海量数据存储需求的同时,存储平台规模快速扩张,耗电量也将随之大幅增长,数据存储基础设施如何降耗节能成为业界关注的重要议题。
数据中心的电能消耗主要由IT设备(45%)、制冷设备(43%)、供配电系统(10%)、照明等(2%)构成。其中,性能与功耗比(IOPS/瓦特)是衡量存储产品节能减排的重要指标。例如,如果一台存储产品的IOPS可达30万,该产品整机功耗1000瓦特,则认为该产品的性能功耗为300 IOPS/瓦特。
节能减排需要从开源和节流两个方面入手,前者是在相同功耗下提升设备性能,后者是在保持设备性能不变的条件下尽可能地降低能耗。浪潮存储作为业内领先存储厂商,在IT存储设备节能减排方面做出诸多努力。
在“开源”方面,浪潮存储技术研发团队紧跟业界最新的芯片、协议技术,快速迭代出一系列高性能、低能耗存储产品。浪潮存储基于SSD高速介质重塑软件栈,创新实现了面向众核的自适应调度机制、单核数据流优化加速技术,打通SSD与CPU等核心组件之间的IO性能羁绊,实现高性能的盘控协同,让存储性能得到提升,在不增加设备、不增加能耗的基础上,将性能提升30%以上。
在“节流”方面,浪潮存储打出“组合拳”,从硬盘、背板、供电、散热等多个维度出发,配合多项技术有效降低整机能耗:
一是PID调速技术(Proportional、Integral、Differential,比例、积分、微分),通过实时监控光模块、硬盘等热敏感器件消除整机散热盲点,利用海量温度传感器实现系统的可靠、精细化调速,部件级调速的精准优化,保障了业务高效率、低能耗地运行。
二是,整机无背板正交散热架构,采用3DVC(3D Vapor Chamber,3D真空腔均热板散热技术)解决局部热点,在控制器通过超导热管均温翅片完成集中功耗的热转移,解决了多槽位IO卡散热平衡问题的同时在高密硬件规格下极大降低系统阻力。通过智能调控技术的深度优化、整机散热能力的不断调优,单台存储设备一年可节约近千度电。
三是,PSU(PC Power supply unit,电脑电源供应单元,简称电源)冗余模式自动切换供电技术。存储系统根据负载情况控制切换主备冗余供电和负载分摊模式,当低负载时启动主备模式,在保障冗余可靠的基础上,提高存储系统供电转化效率,达到节能目的。当PSU负载控制在50%,一台存储整机一年可节省约200度电。
电源在不同负载下的供电效率
四是,智能功耗封顶技术,能够在有效保障机房供电安全前提下,提高机房供电效率,实现快速、精准的功耗封顶操作。它还可以超规格布局机柜设备密度,降低机房空间、机架冗余度需求,灵活应对空调故障、业务量突然增加等场景下出现的散热不足和供电不足等风险,提高业务可靠性。
此外,浪潮存储管理软件还能为系统提供多种能耗优化分析,如制冷分析、使用率分析、功耗分析、负载分配分析,支持智能功耗预测功能,助力数据中心科学运维。针对冷温热数据场景(通常情况下冷、温、热的数据占比分别为80%、15%和5%),浪潮存储提供高密框、硬盘按需独立上下电、归档存储等面向不同场景的解决方案。
随着数据中心数量越来越多,规模越来越大,存储设备节能降耗不仅是降低数据中心运营成本的重要环节,也是保护生态环境的必然措施。浪潮存储秉持绿色节能的设计原则,以新一代存储平台为代表,凭借先进的智能降耗设计,助力企业在保持业务负载的情况下,建设低功耗、低成本的绿色数据中心。随着持续的研发投入与产品创新,浪潮存储将继续推动节能降碳先进技术在存储领域的应用落地,助力国家践行绿色发展战略。
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。