近日,由普洛斯数据中心牵头并联合ODCC专家组及行业上下游16家单位共同编制的《基于冷板式液冷的智能监控技术报告》(以下简称《报告》)在“2024开放数据中心大会(ODCC 2024)”上正式发布,并荣获ODCC优秀项目奖。该《报告》填补了算力中心冷板式液冷项目监控技术方面行业报告的空白,为推动冷板式液冷技术的广泛应用和标准化发展提供了重要的技术参考。
《基于冷板式液冷的智能监控技术报告》
《报告》中介绍的监控系统技术及案例,均来自于GLP DCBASE智慧化运营管理系统的落地实践。GLP DCBASE是普洛斯自主研发的面向多数据中心的中央统一管控平台,采用了业内领先的中心化管控模式,基于物联网技术,结合大数据处理、AI 算法、图形图像分析等技术,构建数据中心全新的智慧化监控、运行、维护与保养等管理能力,提升数据中心整体稳定性、可靠性和安全性。最新发布的GLP DCBASE 3.0版本,已应用于普洛斯怀来数据中心、普洛斯常熟东南数据中心等多个冷板式液冷项目中,有效保障了数据中心的安全可靠运行。
GLP DCBASE智慧化运营管理系统
聚焦冷板式液冷技术 赋能算力中心高效可持续发展
面对AI大算力需求带来的高密度、高功耗的服务器散热挑战,液冷技术逐渐成为突破散热瓶颈,降低数据中心PUE的关键技术。其中,冷板式液冷作为一种较为成熟的液冷解决方案,已在行业内被广泛采用,并展现出一定的效果和规模。根据ODCC资料,冷板式液冷能够满足20kW到50kW以上高功率机柜的供冷需求,可将算力中心PUE降到1.2以下,显示出明显的技术优势。
在冷板式液冷项目的实际运维当中,仍面临诸如漏液风险等挑战;要应对这些情况,除了依靠运维工程师的专业经验外,只能通过监控系统来进行监测和预警。因此,智能监控技术是冷板式液冷系统长期稳定运行的关键因素,并将成为冷板式液冷项目的标准配备。在ODCC智能运营组的指导下,普洛斯数据中心联合行业内16家单位的专家,共同编写了此报告。这是国内首次系统化制定出的一套相对完善且可靠的冷板式液冷监控方案,旨在助力打造绿色低碳、弹性高效的算力基础设施。
基于普洛斯数据中心在冷板式液冷项目上的设计、交付、监控、运维的经验,《报告》将冷板式液冷监控技术分为控制层技术和管理层技术两大部分。其中,控制层面向设备,需要保证设备的正常运行,主要包括冷板式液冷的核心设备:CDU、室外冷源(干冷器、冷却塔)的监控;管理层则面向冷板式液冷的整体项目,需要确保整个项目的安全和高效运行,在监控管理范围层面,除了CDU、室外冷源之外,还包括对配套的空调系统、配电系统、环境监测传感器的集中监测和管理。
《报告》围绕冷板式液冷智能监控技术,重点提出了包括CDU监控技术建议、室外冷源监控技术、DCIM管理层监控技术、智能监控技术等四大部分在板冷式液冷项目中的应用建议,并结合实际应用案例,提供了设计建设过程中的详细建议和技术指导,从而实现不同场景下确保系统安全运行、优化系统能效的目标,为冷板式液冷算力中心的建设和运维提供了新的思路和指导。
全新发布GLP DCBASE 3.0 助力冷板式液冷技术加速落地
今年全新升级的GLP DCBASE 3.0版本实现了多项升级:一、新增本地+中心双系统异地双活的能力,有效提升业务系统连续性;二、增加了设施、运维等全场景数字地图功能,进一步提升系统精细化、智能化运营水平;三、新增液冷监控能力,并同时覆盖冷板式液冷与浸没式液冷双场景。
目前,GLP DCBASE 3.0已为普洛斯数据中心旗下包括冷板式液冷项目在内的多个项目的绿色、安全、稳定运行提供了全方位的支持和保障:
GLP DCBASE 3.0已应用于普洛斯数据中心旗下多个数据中心
GLP DCBASE 3.0智慧化运营管理系统已应用于普洛斯旗下多个数据中心,监控点位数量超过1000万/10秒。此外,GLP DCBASE 3.0也成功对外输出,现已被某互联网头部客户采纳使用,助其通过实时运营数据分析及计算服务,实现一站式智慧化运营管理。
随着AI技术革新驱动的高算力需求不断增加,冷板式液冷技术应用有望成为数据中心制冷技术的主要发展方向之一,也是实现绿色算力和双碳目标达成的重要举措。未来,普洛斯数据中心将继续聚焦包括冷板式液冷在内的多项低碳节能创新技术,打造高标准绿色算力基础设施领域的数智积淀,并不断输出创新成果,推动数据中心行业低碳可持续发展。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。