
图:互联网
现在是一个云计算、人工智能和互联设备的数字时代。数据中心面临着前所未有的挑战。新的数据中心基础设施正在加速建成,现有传统设施也在加速升级。据估计,数据中心目前消耗了全球 1-1.3% 的电能,其中冷却占了近 40% 的能源负荷。这凸显了这个行业在如何防止 IT 设备过热方面需要采取变革措施的紧迫性,尤其是考虑到数据中心需求在持续激增。
数据中心的冷却一直是一项具有挑战性的任务,而如今该行业正在经历一次重大转变。新一代高性能处理器对于传统的冷却方法而言是一个挑战,因其热功率更高,散发的热量是十年前高性能处理器的 3.5 倍。
由于机架的功率密度越来越大,空气冷却的容积热容量却较低,因此包括机房空调设备在内的空气冷却方法受到了限制。为了解决这个问题,数据中心可以考虑采用淘汰服务器的方法,但这种方法会降低经济效益。业界现在所看到的是机架功率激增至 50 千瓦,而且在未来几年内很可能继续增加到 100 千瓦或更高。
因此,那些仅使用空气冷却方法的数据中心将面临巨大挑战,这一类的数据中心将难以满足社会日益增长的数据需求。液体冷却则正可以在这里发挥关键作用,被动式两相液体冷却则作为一种有吸引力的选择而脱颖而出。
新的数据中心正在采用那些离 IT 设备更近的液体冷却技术,而一些老数据中心则在寻求经济的方法整合液体冷却技术,目的是在不对基础设施进行重大改造的情况下运行最新的 IT 设备。在选择合适的液体冷却实施方案之前,有几个因素需要考虑。
间接液冷仍然依赖服务器级的空气冷却,只是将空气-液体热交换器或液冷排式空调设备置于靠近机架的地方,以散发 IT 设备产生的热量。此类系统可以使用单相流动的水,也可以使用在传热过程中蒸发的介电流体。这些气液混合系统可以改善冷却效果,也可以与现有数据中心兼容。但在服务器层面,这些系统由于继续使用传统的风冷散热器而受到了限制。要实现更好的性能则需要更大更复杂的散热器设计,并且需要相对昂贵的风扇或鼓风机才能改善可接受噪音限制内的气流管理。
芯片直接冷却的方法可以通过两种不同的方式实现。第一种方式是单相水冷,单相水冷利用水泵向连接在大功率服务器组件上的冷却板提供水流。其原理与空气冷却一样,水的温度会随着从组件中吸收热量而升高,从而将性能与流速紧密联系在一起。第二种方式是两相制冷剂致冷,做法是通过将液体冷却剂泵入冷却板,在接近恒定温度条件下通过沸腾吸收热量。
每个冷板流出的液体/蒸汽混合物被输送到冷却剂分配装置中,再冷凝成液体。这两种实现方式仍然依靠空气冷却解决低功耗组件的发热问题,需要复杂的主动控制,而且,由于使用了泵,可能会引起可靠性方面的问题。
浸没冷却的方法则是将 IT 设备浸没在介电液体中,以泵送单相或被动式两相模式运行。虽然这种方法对新建数据中心很有吸引力,但要在现有设施中使用却面临着巨大挑战。这种方法很难与当前的基础设施进行整合,也面临着空间限制、可维护性等方面的挑战以及成本问题,所以这种方法在现有数据中心的使用效果差很多。
数据中心行业的环境更加趋向快节奏和高可靠性,市场显然存在对提高能效、节约成本和实现长期可扩展性的突破性技术的需求。被动式两相液体冷却技术的优势在这里可以很好地发挥出来。
这种闭环液体冷却技术采用高性能冷却板蒸发器和冷凝器,可以确保由处理器自身热量驱动的自然流动循环。被动式两相液体冷却可以实现可持续及在高机架密度下运行,同时可以确保灵活性、可维护性和可靠性。
该解决方案具备无泵、无水、自调节、易维护的优点,而且由于复杂性较低又是使用稳定的高性价比介质冷却剂,几乎不需要维护。整体运营费用立马可以降低,而且在吸引业界通过在现有或新建数据中心中增加液冷机架提高数据中心的效率,可以与传统的空冷机架并存。
时值这个行业步入新的数字时代之际,开创性的被动式两相液体冷却技术不仅有望彻底改变数据中心的效率,还可以为其他行业领导者开创先例,去为每个人创造一个更具创新性和可持续性的数字未来。数据中心利益相关者在探索不同冷却方法,许多人在这个过程中正在转而采用被动式两相液体冷却技术,被动式两相液体冷却技术将推动计算创新的新时代。我们正在迈向非常被动冷却的未来。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。