你很难想象得到,每搜索一次网页的能耗相当于烧开半壶水,全世界一年互联网因鼠标点击消耗的电量,足以点亮一座小城市的路灯一整晚。
尤其是随着AI技术的快速发展,算力需求猛增,进一步加剧了数据中心能耗的增加。
政府近年来持续强化数据中心节能审查,在诸多监管政策中,PUE小于1.5已经成为衡量存量数据中心能效的红线。
对于存量数据中心来说,节能改造是一项系统性的复杂工程,需要考虑各种能耗因素,其中涉及供配电、空调等多个维度。对此,如何真正有效地实施节能改造项目?
近日,由中国通信学会信息通信能源专业委员会主办的“2024年中国信息通信能源会议”,在厦门成功举办。
在大会上,维谛技术(Vertiv)中国区数据中心解决方案专家王安林,通过《低碳与智算趋势下,存量机房的优化之道》的演讲,分享了维谛技术(Vertiv)在数据中心及运营商核心枢纽楼节能改造领域全面的技术方案和实践经验。
1、直接换空调≠PUE优化
在节能改造过程中,数据中心运营商很容易陷入一个误区:通过直接更换高能效空调来实现PUE优化。然而,数据中心PUE由CLF(制冷能耗因子)、PLF(供配电能耗因子)、OLF(其他能耗因子)构成。
尽管CLF对PUE的影响最大,但是数据中心是一个复杂的系统性环境,尤其是那些已经长期运行着的存量数据中心,其中有着非常多的因素会影响到PUE。
通过更换空调虽然可以一定程度优化CLF因子,但是对于整体PUE的提升有限。这个原理也同样适用于PLF、OLF。
2、“9步走”框架解码PUE优化之道
如何才能真正降低存量数据中心的能耗,实现PUE优化?
维谛技术(Vertiv)根据存量数据中心的实际情况,在拥有广泛实践经验的基础上,推出了“9步走”框架,全面解码数据中心节能改造之道。
在落地可信CLF之外,“9步走”框架策略,还对供配电系统以及照明、新风系统进行节能改造,实现PLF、OLF的统筹优化,并以全生命周期服务视角,为数据中心PUE的长治久安保障护航。
不仅如此,针对AI智算趋势下,存量数据中心除了PUE指标优化,同样也面临着功率密度持续攀升、业务不确定性、小规模快速部署智算机柜等挑战。维谛技术(Vertiv)除了在新建智算中心可以提供完整架构外,应对存量数据中心智算高密化需求,也可以提供“风-液”型液冷解决方案,助力存量数据中心快速智算改造。
面对当前迫切的节能改造需求,维谛技术(Vertiv)基于“可信节碳,全程陪伴”的理念,围绕逻辑流程、产品技术、工程能力、运行维护等维度建立了全方位的价值体系,成功解码存量数据中心PUE优化之道。
关于维谛技术(Vertiv)
维谛技术(Vertiv, NYSE: VRT, 原艾默生网络能源),是一家全球领先的数字基础设施解决方案提供商,在通信网络、数据中心、商业&工业、新能源等领域拥有50+年的发展历史。维谛技术的产品广泛覆盖了政府、电信、金融、互联网、科教、制造、医疗、交通、能源等客户群体,为客户提供覆盖各个领域关键基础设施的电力、制冷和IT基础设施解决方案和技术服务组合。
维谛技术的客户遍布全球,在中国拥有2大研发中心和2大生产基地,覆盖全国范围的30+办事处和用户服务中心、100+城市业务支持中心,为客户提供高可靠高质量的产品方案和专业卓越的技术服务,共同构建关键技术悦动在线keep it hummingTM的美好世界。如需了解更多信息,欢迎访问Vertiv.com,售前热线400-887-6526。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。