这家总部位于加利福尼亚州的研究公司的研究表明,与去年同期相比,2024年第二季度数据中心资本支出增长了46%。
这股消费热潮预计将会在今年剩余的时间内持续,不过速度会略微放缓。Dell'Oro 预测,到 2024 年,全球数据中心资本支出总体将强劲增长35%。
该组织表示,这一增长主要是由于对专为 AI 应用程序设计的 GPU 加速服务器的需求不断增长所致。
Dell'Oro Group 高级研究总监 Baron Fung对Data Center Knowledge表示:“加速服务器是带有 GPU 和其他定制加速器(例如 Google TPU)的服务器。”
Dell'Oro 的数据预测数据中心支出将保持两位数的增长。Gartner 预测,2024年数据中心系统的总体支出将增长24%。与Dell’Oro一样,Gartner将部分增长归因于生成式人工智能系统的需求。
在2023年底,Omdia预测全球服务器市场到2027年将达到1960亿美元,Fundamental Business Insights & Consulting在本月早些时候发布的一份报告中估计,到2032年,AI服务器市场规模将达到1830亿美元。
AI加速:增长引擎
Dell'Oro的研究人员表示,虽然加速服务器的增长并不令人惊讶,但市场的增长速度超出了预期。
Fung表示:“加速服务器收入确实超出了我们之前的预测或预期。”“加速服务器采用的势头强劲,尤其在超大规模市场。”
GPU加速服务器在收入和出货量方面都超过了数据中心普通服务器的增长。
Fung表示,从2023年到2028年的五年内,通用服务器的复合年增长率预计仅增长3%,而加速服务器的复合年增长率为31%。
Bain & Company最新的全球技术报告表示,预计到2027年,AI工作负载将以25-35%的速度增长。
Bain全球技术业务主席David Crawford表示:“生成式人工智能是当前变革浪潮的主要推手,但后全球化的转变和调整业务流程提供价值的需求让情况变得复杂。”
加速计算对数据中心资本支出的影响
分析师们认为,加速计算对数据中心资本支出的影响已经席卷全球,但是这种影响不会永远持续下去。
Omdia的分析师Alexander Harrowell对Data Center Knowledge表示:“它增加了占总市场的份额,可能也推动了总市场规模。”。
Harrowell表示:“也就是说,它的增长速度大大快于整个市场,因此在某个时候,经典的S曲线将开始发挥作用,因为潜在采用者都买了。”“这将给我们留下一个计算更加异构的世界。”
在市场动态方面,Harrowell表示,今年英伟达的数据中心业务规模可能是英特尔数据中心和人工智能业务的10倍左右。超级巨头们的定制ASIC芯片以及AMD和华为等芯片制造商的产品进一步推动了该市场的发展。
AI 服务器市场领导者和收入分配
根据Dell'Oro的分析,在数据中心服务器提供商的竞争格局中,戴尔成为2024年第二季度收入的领导者,其次是慧与和Supermicro。
值得注意的是,加速服务器估计占本季度 OEM 服务器收入的 41%,这凸显出它们对市场的重大影响。
对加速器服务的需求增加可能也会推动相关领域的支出增长,例如网络。
Fung指出,网络也受益于加速计算采用的增加。
他表示:“加速服务器需要的网络带宽通常高于通用服务器。”
“如果加速服务器在用于训练大型语言模型或生成式人工智能模型的大型集群中互连,则需要一个专用网络,这样的网络被称为后端网络。”
“这个后端网络甚至比前端网络更快,而且这个新市场背后最近有很多创新。”
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。