任何生活在现代数字经济中的人一整天都会依赖于数据中心。然而,很少有人完全了解数据中心的工作原理,即使是经验丰富的IT专业人士也不总是能够很好地了解数据中心发生的事情、数据中心与更广泛的IT行业之间的关系,甚至是数据中心所处的位置。

为了证明这一点,让我们看看关于数据中心的五个常见误解,并解释一下为什么是错误的。
误区一:只有大型科技公司才有数据中心
大多数主流媒体对数据中心的报道,都集中在超大型科技公司拥有的设施上。例如,非专业人士可能知道TikTok位于挪威的数据中心正在耗尽该地区的能源,以及有关Facebook和Apple数据中心如何给当地社区带来的影响。
基于这样的报道,可以很容易地假设认为,只有大型科技企业才运营数据中心。
但这是一个神话。实际上,几乎所有运营可扩展数字基础设施的企业——也就是说,几乎所有当今现有的大中型企业——都依赖于某种数据中心设施。银行、保险公司和许多其他不符合科技公司特征的企业,都拥有数据中心。
误区二:数据中心正在被云取代
即使在科技行业,随着越来越多的工作负载转移到公有云平台,很容易相信私有数据中心正在消失。在94%的企业都使用云的时代,还有人依赖数据中心吗?
答案是肯定的。撇开公有云本身就依赖于数据中心这一事实不说,整个数据中心行业仍在以稳定的速度增长着。公有云让数据中心变得越来越无关紧要的神话,是完全错误的。
误区三:数据中心位于偏远的地区
让普通市民描述数据中心,他们很可能会说数据中心是一种在沙漠中部或其他人烟稀少地区的建筑物。我们倾向于认为数据中心离大多数人很远。
的确,数据中心——尤其是大型数据中心——通常建在偏远地区。但人口稠密的地区也是数据中心的所在地。例如,纽约有数十个数据中心设施,但在这些数据中心附近生活和工作的人可能都还不知道。
误区四:数据中心正在破坏环境
人们越来越多地意识到,数据中心会消耗大量的电力。例如,越来越多的媒体文章强调来自数据中心的流媒体视频带来的碳影响。这种报道可能会让一些人认为,数据中心正在毁灭地球,因为数据中心消耗了大量的能源。
现实要复杂得多。诚然,数据中心需要大量的电力,但并非所有电力都是“脏”的,加在一起,数据中心仅占总能源使用量的1%左右。 相比之下,运输业约占世界能源消耗的28%。
还有一种观点认为,数据中心比托管数字基础设施等其他方法更为环保,因为数据中心运行效率更高。一般来说,一个旨在优化能源使用的数据中心内运行10000台服务器,可能会比运行分散在数百个本地服务器机房中的10000台服务器所产生的碳排放更少,后者更难以优化可持续性,并且能源消耗方面也无法从规模经济中获益。
误区五:数据中心对环境有益
另一方面,高估数据中心的可持续性也是一个谬论。
即使在数据中心所有者越来越渴望获得可再生能源的时代,大多数数据中心所依赖的大部分电力都是来自化石燃料。
此外,即使是广泛依赖清洁能源的数据中心,也可能只能断断续续地这样做,因为太阳能和风能产生的电量在一天不同时段或者一年不同季节是有很大差异的。因此,即使是“绿色”数据中心也不总是绿色的。
结论
从运营数据中心的公司类型,到数据中心所在的位置,再到数据中心行业的可持续性,及其他方面,数据中心神话比比皆是。所幸的是,只要你跳出这些笼统,思考现代数据中心的细节和细微差别,就很容易消除这些神话了。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。