对于数据中心运营商来说,无线数据中心的想法听起来就像是一个梦想。消除通常连接服务器的物理网络电缆,可以极大地简化数据中心设备的设置和管理。

此外,无线网络技术在不断发展,如今的无线网络能够比以前的无线网络在更远距离上传输更多的数据,这使得无线数据中心的想法变得越来越诱人。
但遗憾的是,这并不意味着大多数数据中心运营商会很快放弃物理的网络电缆。尽管数据中心无线网络有实际用例,尽管无线技术取得了进步,但仍然是很有限的。
什么是无线数据中心?
无线数据中心是通过无线网络而不是物理电缆在服务器之间提供连接的数据中心。换句话说,无线数据中心使用了和大多数消费者家中使用的相同类型的无线连接,将设备连接到无线路由器。
值得注意的是,人们认为无线数据中心可能无法完全摆脱有线的网络电缆。除非你在每台服务器和需要连接的其他设备中安装了无线网络接口,否则可能仍需要在服务器机架内运行以太网电缆,但是,例如你可能在每个机架中都有一个无线路由器,用于实现服务器机架之间的无线连接,然后通过以太网在机架内分发数据包。
我们还应该注意到的是,无线数据中心仍然是有电源线的。尽管无线电力是一回事,但这种技术还不够先进,无法在数据中心中实用,因为超可靠、大容量的电源是至关重要的。
无线数据中心的优点
迄今为止,很少有数据中心部署了无线网络。数据中心网络的趋势,仍然是和物理电缆紧密相关的。
但通过改用无线网络的方法,数据中心运营商可能会获得以下这些重要的好处:
简而言之,无线数据中心以更低的价格提供了更方便、更灵活的联网方法。
数据中心无线网络的挑战
另一方面,无线数据中心也受到一些重要限制:
网络吞吐量
最大的限制之一就是无线网络的带宽容量低于大多数有线网络。最新的无线标准802.11ax支持不到10 Gbps的最大速度,这只是有线以太网每秒可以传输数百GB的一小部分。
对于网络吞吐量要求较高的数据中心来说,无线网络的速度还不够快。
安全性
以前大多数网络未加密或依赖容易被破解的加密算法(如WEP),到现在,现代无线网络安全技术已经取得了长足的进步。但归根结底,无线网络相比有线网络来说安全性更低,因为无线路由器物理附近的任何人都可以拦截并可能解码流经无线网络的数据包,而这对于有线网络来说较难做到,因为你需要接入线路来嗅探数据包,过程中会遇到物理数据中心的安全控制。
除此之外,想要破坏数据中心运营的人可能会通过干扰无线网络来(一种无线数据中心容易遭受的拒绝服务攻击)实现这一目的。
网络干扰和性能问题
即使没有人故意干扰无线网络,无线数据中心也可能因使用相同频率的网络之间有干扰而出现连接不良的情况。一般而言,使用无线网络时,丢包率、延迟差和其他性能问题往往会更高,而无线网络的可靠性不如有线连接高。
那么无线数据中心什么时候是有意义的?
上述挑战并不意味着无线数据中心是不可能的。在适当的情况下,采用无线方法可能是有意义的,至少对于某些数据中心设备来说是如此。
例如,如果你需要连接数据中心楼层上彼此相距较远的服务器,并且这些服务器上运行的工作负载不需要特别高的网络吞吐量或可靠性,那么在这些服务器之间设置无线链路可能会比铺设电缆更简单且更具成本效益。
同样地,无线网络可以为监控系统和其他有助于为数据中心供电的辅助设备提供良好的连接,这些设备通常不需要太多带宽,并且可以容忍偶尔丢失数据包或连接。
结论
然而,对于大规模数据中心的大量服务器来说,无线网络可能不是一个实用的解决方案。如果无线技术不断进步,这种情况可能会随着时间的推移而发生改变(尽管性能足以满足大多数数据中心需求的无线技术尚未出现)。
因此,大多数数据中心运营商不用期待着很快就放弃网络电缆,但至少在某些情况下,他们可能能够通过在有意义的情况下利用无线连接来简化网络管理。
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。