可持续发展数据中心始于绿色材料。了解选择正确的材料能够如何减少碳影响,并促进数据中心的可持续发展。
作者:技术分析师Christopher Tozzi
更新时间:2024年7月1日
在建设数据中心时选择可持续材料是数据中心可持续发展的基础(确实,在一定程度上是这样)。绿色材料不能保证你的设施在日常运行中使用的能源和水也是可持续的,但它们可以减少建造设施本身的碳影响。
但是,在建设数据中心时有哪些 "绿色 "材料可供选择,在比较数据中心可持续发展的不同选择时应该考虑哪些因素?
为了回答这些问题,下面将根据数据中心建设的不同阶段,介绍在数据中心中使用绿色材料的指南。
数据中心地基: 选择低碳混凝土
大多数数据中心建筑的地基采用混凝土板的形式,它同时也是设施的底层。
由于混凝土生产所排放的二氧化碳占全球总排放量的9%,因此设法减少数据中心地基的碳足迹是实现可持续发展的重要一步。
目前,在大多数情况下,数据中心地基并没有在真正意义上可以替代混凝土的建筑材料,其他材料要么过于脆弱,要么价格昂贵。但Facebook和微软等超大型企业正在积极探索“低碳”混凝土。
数据中心框架:考虑再生钢或基于植物的设计
较大型的数据中心通常使用钢材作为框架,钢材的跨度强度使其非常适合建造具有大型开放空间的建筑,而这恰恰是机房所需要的设施类型。
但是,钢铁生产也是碳排放的重要来源,钢铁行业排放的二氧化碳约占全球总排放量的 8%。
在建设数据中心时,减轻钢材对可持续发展影响的一种方法是选择回收钢材。回收钢材并非没有碳排放,因为回收过程是能源密集型的。但它比用从地球上开采的矿物制造新钢材更具可持续性。
另一种选择是为数据中心考虑基于植物的框架材料,Vertiv等数据中心运营商正在探索这种方法。传统的木龙骨是一种选择,而胶合木等工程木材料则有助于建造更坚固或更大的设施。
数据中心隔热材料: 使用回收材料或高效材料
隔热材料是另一种可供选择的绿色数据中心建筑材料,例如从大麻、羊毛和再生纸等植物中提取的隔热材料。
不过,在为数据中心进行隔热时,需要牢记的一个重要因素是,隔热材料的效率将决定设施的长期可持续性。理想情况下,你应选择一种本身具有可持续性,同时还能提供出色的R值并减少空气渗透的隔热材料。
从长远来看,如果喷射泡沫等可持续性较差的隔热材料能更有效地减少数据中心运行过程中的能源消耗,那么这种隔热材料也是可取的。
数据中心屋顶: 兼顾绿色材料与能源效率
同样,在选择数据中心的屋顶时,不仅要考虑屋顶材料本身的“绿色”程度,还要考虑其对持续能源使用的影响。
例如,虽然橡胶屋顶是一种相对绿色的材料,但如果将其着色或涂成白色,就能提高可持续运营能力。白色屋顶可以减少从太阳光中吸收的能量,进而减少冷却数据中心的暖通空调系统的耗电量。
屋顶的设计也会影响整体可持续性。可以查看我们的数据中心屋顶指南了解更多详情。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。