关于人工智能正在改变我们的生活、工作和学习方式,人们已经写了很多文章。它也可能改变我们周围的自然景观。
这是因为人工智能将刺激新数据中心的建设,这些大型仓库式设施充满了构成互联网骨干的服务器。
对人工智能和数据中心容量的需求已经很明显,由于人工智能的使用,现有数据中心的价格正在上涨。根据Data Bridge Market Research研究,到2029年,人工智能基础设施市场预计将达到4220亿美元(https://www.databridgemarketresearch.com/reports/global-ai-infrastructure-market),复合年增长率为44%。
2024年IEEE主席Tom Coughlin表示:“人工智能将刺激更多的数据中心使用、现有数据中心的扩展和新数据中心的创建。”
什么是数据中心?
一个典型的数据中心约为100000平方英尺,比81000平方英尺的足球场略大,比略小于两个足球场,总共约114000平方英尺。最大的有200多万平方英尺。在这里面充满了一排又一排的服务器。公司租用计算时间和数据存储来运行其IT运营、电子商务网站等。每次您在喜爱的流媒体服务上选择电影时,该电影都会从数据中心进行流媒体播放。
人工智能的高能耗特性推动数据中心采用新技术,如液体冷却,以提高效率和减少环境影响。然后是能源。数据中心每平方英尺的能耗是同类办公楼的10到50倍(https://www.energy.gov/eere/buildings/data-centers-and-servers)。
这使人们高度关注设施使用的电力来源及其碳足迹。太阳能和风能经常使用,这意味着除了大型仓库外,可再生能源设施往往建在附近。
事实上,数据中心建设的步伐和相关的能源需求推动了附近新太阳能发电场的建设,在一些地区形成了太阳能热点(https://www.reuters.com/business/energy/rush-data-centers-creates-us-solar-hotspots-2024-02-22/)。
由于其庞大的物理足迹、能源需求和水消耗,数据中心因担心其不可持续而遭到一些反对。这些设施的运营商面临着提高其可持续性的巨大压力。
数据中心位于何处?
数据中心的选址需考虑多种因素。
世界上最大的数据中心集群位于美国弗吉尼亚州北部,起源于20世纪90年代,当时早期互联网的几家巨头都位于那里并建立了光纤网络。由于光纤电缆的大量可用性,数据中心的到来较晚。
如今,通信基础设施只是数据中心运营商在寻找新地点时考虑的众多因素之一。
Coughlin说:“良好的高性能通信基础设施很重要,相对较低的电力成本和这些电源的可靠性也很重要。因此,天气和气候可能是重要因素。运营商看到重大事件时会问‘这会在相当长的一段时间内导致电力中断吗?’冷却水也很重要,IT员工的可用性也很重要。”
人工智能消耗了多少能量?
人工智能处理比传统计算更激烈,因为它依赖更多的数据来进行输出。因此,它具有更高的能量要求。用于人工智能的领先GPU可能消耗高达700W的功率,大致相当于一个微波炉。
Coughlin指出,消耗两倍能量的GPU可能在不久的将来可用。由于计算能力会产生热量,这反过来将推动更多地使用液体冷却,将热量从数据中心带走。
为AI供电
被称为超级规模的最大数据中心的开发商敏锐地意识到其设施的电力需求。他们对风能和太阳能的依赖解决了两个挑战:在当地停电时提供机动性。
“这些组织依赖电力供应,”Coughlin说,“他们中的许多已经建立了自己的太阳能系统,甚至风力发电系统。还有一些正在计划将模块化核能作为其零碳排放计划的一部分。”
最近的一个趋势是,数据中心已开始靠近其他工业设施。该工艺利用工业过程中使用的废水进行冷却。因此,一些数据中心内部配备了废水处理设施。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。