
在最近递交联邦通信委员会的文件中,微软表示计划探索无线通信在数据中心下的应用场景。
微软正寻求在华盛顿州雷德蒙德总部附近的数据中心之内,测试无线通信网络的项目可行性。
在最近向联邦通信委员会(FCC)递交的文件中,微软称希望“探索无线通信的应用……以补充数据中心内的有线通信链路。”
但在媒体就该文件做进一步求证时,微软方面则拒绝提供任何具体消息。该公司仅表示将选择网络测试供应商Keysight Technologies的设备进行测试,且相关测试请求已经在今年一月得到通信委员会批准。
不过微软的提案还是透露出几个有趣的细节,包括使用246 GHz到275 GHz范围内的频段。目前这部分极高频段已确定将被用于未来的6G网络,虽然能够承载大量数据,但受到高频传输的物理规律所限,其广播范围将非常有限。
但微软对此信心满满,认定这种“亚THz”频段非常适合在数据中心内使用。
微软公司在递交通信委员会的文件中写道,“亚THz链路具有一系列特性,因此在数据中心应用场景下颇具竞争力。首先,通过大单元天线阵列实现的高度定向波束,允许通过空间复用实现多条通信链路的共存。由于其大气衰减效应更强,亚THz波速的通信范围较短,但这也增强了空间复用能力。定向天线阵列能够实现射频链路的按需建立与撤销。数据中心宽敞的室内操作环境与可控建筑物墙壁能够最大限度缩小射频的必要传播范围,在有效控制外界干扰的同时建立起宽带高数据速率链路,从而促进行之有效的频段共享与共存。”
微软公司还在文件中提到了自由空间光学(FSO)技术。FSO利用在自由空间(而非内部线缆)内传播的光束实现对数据的无线传输。
FSO并不是什么新鲜概念,该项技术首次亮相于20世纪60年代,2000年初也曾有几家FSO公司试图借此充当3G网络全面落地之前的过渡性通信方案。甚至直到5G时代,这个话题也曾被再次提起。
此外,微软承认在数据中心内使用FSO技术的想法也有其他人提过。
该公司在文件中写道,“但由于难以在振动条件下准确控制光束指向,所以此类光学链路在数据中心内的性能表现往往较差。我们预计,由于波束相对更宽且可调,亚THz射频应该不存在这种校准问题。快速电子控制射频波束的能力,也让我们得以开发出适当的控制回路,从而进一步缓解由设备振动带来的传输稳定性挑战。”
微软对数据中心内部通信问题的关注并不令人意外。单在去年最后一个季度,微软的数据中心资本支出就高达97亿美元,同比增长55%。之所以迅猛提升,主要原因就是微软一直在Azure云数据中心内部署用于运行AI负载的高性能计算设施。
根据之前的媒体相关报道,此类大规模AI投资也催生出对数据中心内新型通信技术的需求。这类需求的核心在于把支持AI开发的GPU(图形处理单元)彼此连接起来。Corning及Coherent等供应商就一直在向数据中心运营商出售其通信组件,用以加强数据中心内部运营体系的通信能力。
TD Cowen的财务分析师们在最近给投资者的报告中,对微软与亚马逊、Meta和谷歌等超大规模基础设施运营商进行了比较,认为“继2023年租赁业务的迅猛发展之后,微软仍是超大规模运营商中最为活跃的数据中心容量租赁商。此外,我们的调查表明,微软大量数据中心资本支出背后的驱动因素,可以总结成一条内部共识:通过将AI整合至现有产品集内并发布新的AI方案,微软完全可以通过明确的路径实现AI货币化。再考虑到领先于其他超大规模基础设施运营同行的AI部署架构基础,微软在保障数据中心租赁容量占比方面较同行有着显著的领先优势。”
因此,对极高频段的再次关注以及对FSO技术的投资,很可能就源自微软设计和开发新型数据中心的长远计划。当然,此番试探也很可能给思科、Corning及Coherent等长期为数据中心提供内部调整通信光学硬件的厂商带来挑战甚至是威胁。
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。