对于数据中心来说,风似乎是一种很好的能源——在很多方面确实如此。但风力发电也有一些缺点,包括但不限于风力往往是间歇性的。
因此,在转向采用风能为数据中心可再生能源战略提供动力之前,了解这种能源的优缺点是非常重要的。请你继续阅读,深入了解数据中心能源什么时候依赖风能是有意义的、什么时候是没有意义的。
风电对于数据中心的优势
和其他为数据中心提供动力的可再生能源相比,风力发电具有一些独特的优势。
首先,风能相比数据中心可再生能源的另一个主要来源——太阳能——要高效得多。你需要安装近50000个太阳能电池板才能产生与单个标准风力涡轮机释放出相同的能量。
另一方面,风能的好处是能够在一天中的任何时间发电——只要有风,而太阳能仅在阳光明媚的白天工作。
除此之外,由于风能产生电力,所以它提供了一种通用的能源,可以为IT设备和冷却系统供电。与地热能相比,风能更具优势,地热能通常仅被数据中心用于冷却目的。地热发电也是可能的,但需要建造地热发电厂,这比安装风力涡轮机成本高得多。
全球的风量越来越大,这一事实也是风力发电受到青睐的一个原因。在过去二十年中,随着风暴变得更加频繁,平均风速增加了约5%。如果这种趋势持续下去,风电将成为一种更具吸引力的投资。
数据中心风力发电的局限性
但数据中心的风力发电并不完美。也许风能最明显的缺点就是,风是间歇性的且不可预测的,这也是风能和其他可再生能源(例如太阳能,也不是始终可用)通常不足以完全独立为数据中心供电的原因之一。
由于多种原因,风力涡轮机通常还必须安装在偏远地区。首先,高度发达地区的房地产成本多高,无法作为风电场的实际场地。其次,农村地区的风力往往更强,那里的人造建筑不会成为风的主要障碍。
此外,风力涡轮机噪音大且不美观,当开发商提议在人口稠密地区建设风电场时,会遭到当地居民的抵制。
一些数据中心也位于偏远地区,因此在这些数据中心附近建设风电场并不是一个巨大的挑战。但企业在密集地区建立的数据中心——这种做法可以通过将工作负载放置在更靠近用户集中的地方来帮助减少延迟——可能会发现很难从风能中受益。
使用风力发电的数据中心
总体而言,一些全球最大型的数据中心运营商似乎认为风电的好处大于缺点,因为他们在风电方面进行了大量投资,将其作为数据中心设施的一种能源。
谷歌在2021年为其位于欧洲数据中心购买了50MW风电。Meta也有投资风电的记录。最近Equinix公布了在瑞典的一个风能项目。
总的来说,规模较小的数据中心运营商往往不会成为风电的主要投资者——也许是因为他们没有面临对可再生能源做出公开承诺的太大压力,也可能是因为他们缺乏大型科技企业的财力——即使太阳能或不可再生能源更具经济意义,这些大型科技企业也有能力签署使用风电场获取能源的协议。
尽管如此,很明显,数据中心行业内的风能呈现持续增长的趋势。
风电数据中心的未来
最重要的是,对于某些数据中心来说,风能作为能源要比其他数据中心更有意义。有些数据中心位于风电场建设简便、具有成本效益且风流持续稳定的地区,将从风能中受益更多。
一些大型数据中心运营商将风能和其他可再生能源作为ESG战略的一部分,他们也可能会发现更容易证明风能项目投资的合理性。
另一方面,对于那些位于城市地区的数据中心,或者要求最大能源投资回报率的运营商来说,不太可能期望风能成为数据中心的一项主要能源。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。