天下没有不散的宴席,数据中心硬件也不例外,迟早有一天,为数据中心提供动力的服务器、网络交换机和其他硬件资源都需要更换。
但这并不意味着你更换掉的硬件就毫无价值了,应该扔掉了。相反,有多种方法可以利用这些硬件,延长过时数据中心硬件的使用寿命也有充分的理由,包括但不限于提高数据中心运营的可持续性。
当你认为硬件已经过时,无法实现其最初用途的时候,请阅读这篇有关如何使用硬件的指南。
为什么数据中心硬件会过时?
在深入研究如何重新利用过时的数据中心硬件之前,让我们先简单介绍一下硬件最初是如何变得过时的。
从很多意义上来说,“过时”更多的是一种心态,而不是有形的现实。当数据中心运营商认定数据中心硬件已经过时,数据中心硬件就是过时了,而不是因为硬件已经真正达到其使用寿命。过早更换数据中心硬件不仅浪费金钱,而且对环境不利。
理解这一事实很重要,因为可以说,对于看似过时的数据中心硬件来说,你能做的最好的事情就是确定它根本没有过时。换句话说,认真考虑硬件是否只是比较老旧了,但仍然能够完成工作,或者它是否确实不再能够胜任托管工作负载的任务。
这是一个特别重要的经验教训,因为数据中心硬件的发展不再像以前那样了。摩尔定律已经失效,你几年前购买的服务器可能提供几乎与你当前购买服务器一样多的内存和计算能力。你不必像过去那样频繁地更新硬件,以确保从资源容量的角度来看它是最新的。
去年,微软决定将其云数据中心服务器的官方使用寿命从四年延长至六年。如果更多的数据中心运营商也这样做,那么首先过时的硬件就会减少。
有一些策略可重新利用过时的数据中心硬件
但当然,所有硬件迟早都会过时。到那时,你应该寻找让它继续提供价值的方法——无论是在你自己的公司还是其他地方——而不是把它扔到垃圾场去。策略如下:
与硬件退役厂商展开合作
延长过时硬件使用寿命的最简单方法,可能就是和那些专门从事数据中心设备改造的公司合作。数据中心运营商认为这些服务器对于他们的目的来说已经过时,但对其他人来说仍然是有价值的。
结果就是数据中心运营商、经销商及客户的三赢。数据中心运营商可以通过简化的方式重新利用过时的硬件,经销商可以轻松获得此类硬件,经销商客户可以以较低的成本获得企业级设备。这对环境来说也是一场胜利,因为重新利用硬件比将旧服务器扔进垃圾场并释放建造新服务器所需的碳,更具可持续性。
重新调整硬件在业务中的用途
重复使用过时硬件的另一个明显的方法,就是在业务中重新利用这些硬件。例如,那些不再能够胜任托管生产环境任务的服务器可以为开发/测试环境提供支持,或者曾经在数据中心内托管Web应用的服务器可以获得第二次生命,为办公室内的瘦客户端桌面环境提供服务。
可以肯定的是,并非所有过时的硬件都能在企业内部发挥有用的作用,特别是如果你的企业已经拥有支持其运营所需的硬件。但这里重要的一点是,在你决定淘汰是过时硬件唯一可能的命运之前,请先在公司内部找找能够利用它的一些方法。
重复使用硬件组件
在某些情况下,数据中心硬件作为一个整体可能不再可用,但各个部分仍然可用。
例如,服务器的磁盘驱动器可能太旧而无法可靠运行,但是在保留其他组件的情况下,更换磁盘可能会让你能够继续使用硬件。
或者你的服务器可能配备了精美的GPU。服务器可能缺乏CPU或内存来发挥GPU的最大效果,但你可以只转售GPU,仍然可以在市场上卖个好价钱。
数据中心硬件运行所需的辅助组件(例如电缆和UPS装置)通常也可以比服务器能够重复使用更长的时间。如果你要拆卸服务器机架,请务必保留任何补充设备以在数据中心的其他地方使用或进行转售。
结论
过时的数据中心硬件与无法使用的数据中心硬件不同。相反,对那些想要优化成本同时减少碳足迹的企业来说,必须确保在认为硬件过时之前尽可能长时间地运行硬件。
在这个过程中,他们应该通过创造性的方法赋予硬件第二次生命。将设备送到垃圾场很少是有必要的——从商业或可持续发展的角度来看,这几乎从来都不是最佳的选择。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。