构建一个全面的传统数据中心需要花费数百万美元,并且需要数月的建设时间。这是一项大多数小型和中型组织难以承受的事业。 但这并不意味着较小的公司就无法拥有自己的数据中心。它们可以通过构建一个微型数据中心来实现这一目标。
什么是微型数据中心?
微型数据中心是一种用于容纳 IT 设备的小型设施。虽然对于数据中心需要多小才能被称为“微型”并没有官方定义,但大多数微型数据中心仅容纳几组服务器机架。
有些微型数据中心具备可移动性,意味着它们可以轻松搬迁;有些则可能采用模块化设计,使其能够根据需要整合进更大型的数据中心中。不过,无论是便携性还是模块化设计,都不是构建微型数据中心的必要条件。任何独立、固定的设施,只要能容纳服务器机架和其他常见数据中心组件,都可以作为微型数据中心使用。
需要注意的是,有人会区分微型数据中心与迷你数据中心,后者的规模略大于前者。但同样,这些标签并没有正式定义。区分微型和迷你数据中心的界限主要具有主观性。
为什么要构建微型数据中心?
考虑构建微型数据中心的主要原因在于,对于 IT 基础设施需求较小的组织来说,这是一种低成本创建专用数据中心设施的方式。
微型数据中心可以视为传统服务器室的升级版。中小型企业有时可能只运营服务器室,但这类服务器室缺乏专用电力系统、HVAC 系统、物理安全控制以及其他构成“真正”数据中心的关键组件。
与此同时,微型数据中心的成本远低于全规模数据中心,而后者对于典型的小型或中型企业而言既无法负担,也可能根本没有部署成千上万服务器的需求。微型数据中心非常适合那些仅需部署几十台或一百台服务器,而非数千台服务器的企业。
微型数据中心并非小型企业获取专用数据中心空间的唯一方式。另一选择是采用 colocation(联合托管),即企业将服务器部署在与其他公司共享的传统数据中心中。但联合托管的缺点在于,客户不能独享整个设施——而这是微型数据中心的一大优势。
虽然对于微型数据中心的具体规模尚无统一标准,但大部分微型数据中心只包含几个机架和必要的基础设施。 图片来源:Alamy。
构建微型数据中心的步骤
构建微型数据中心的具体流程会因设施规模、是否需要便携性或模块化设计等因素而有所不同,但总体上主要包括以下步骤。
1. 选择数据中心地点
首先,要确定数据中心设立的地点。它是会设在企业已有的建筑内,还是需要成为一个可部署在室外位置的独立设施?
2. 部署物理基础设施
根据微型数据中心的地点,企业可以选择合适的物理基础设施来容纳它。对于需要在室外运营且具备便携性需求的设施,可以考虑装置在 shipping container(集装箱)内;而在其他情况下,小型固定建筑可能更为合适。 也可能利用较大建筑的一部分来建立微型数据中心,但前提是该设施必须具备独立的供电和制冷系统;否则,它更像是一个服务器室而非真正的数据中心。
3. 建立辅助系统
下一步是部署电力和 HVAC 系统。企业必须根据设施对电力和制冷能力的需求,评估并安装相应的设备。
4. 保障数据中心安全
物理安全控制对部署微型数据中心至关重要。根据企业可容忍的风险水平与计划部署设施地点的安全状况,必须安装锁具及其他必要的物理安全措施,比如用于监控恶意行为的摄像系统。
5. 部署 IT 设备
在其他部分设施就绪后,企业可以进行最终步骤——在微型数据中心内部署服务器机架和服务器。一旦这些设备安装完毕,整个设施便可以作为一个专用的小型数据中心独立运行。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。