随着数字基础设施需求激增,数据中心正成为推动非住宅建筑增长的驱动力。仅在4月份,根据Dodge Construction Network的数据,数据中心几乎贡献了当月规划活动的全部增长。与更为谨慎的市场形成对比,数字基础设施领域的开发商正在加速推进,面临更紧迫的时间表、更高的复杂性和更高的期望。
Gray公司数据中心副总裁Ben Burgett负责全国各地的项目,并监督公司增长最快的市场之一。他分享了加速时间表所需的条件、快速建设可能带来的挑战,以及塑造该行业未来的因素。
Gray建筑公司数据中心副总裁Ben Burgett表示:"五年前,你可能在一个园区一次建造一栋建筑。现在是同时建造四栋。这种程度的压缩改变了一切。"
哪些建筑方法或策略有助于缩短传统数据中心的建设时间表?
Ben Burgett:我们看到客户比以往任何时候都更加注重速度。五年前,你可能在一个园区一次建造一栋建筑。现在是同时建造四栋。这种程度的压缩改变了一切——安全、人员配置、物流、协调,甚至现场人员的用餐安排。
早期协调是使其成功的唯一方法。如果贸易合作伙伴没有时间规划、订购材料和安排团队,你就已经落后了。早期协作也为预制化开辟了道路,这是保持进度的有效方式。如果我们能够在受控环境中建造主要组件,如电气撬装设备、机械机架,甚至结构模块,并将它们完全组装后投放,我们就能节省时间并减少现场劳动时间。这样更快更安全。当你在同一占地面积上管理多栋建筑时,可预测性有助于保持一切同步推进。
这种加速带来的最大挑战是什么?
BB:简单地在项目中增加更多人员并不会使其更高效。同时运行多栋建筑会对空间、进度表和安全造成额外压力。占地面积没有增长,但工作量增加了。你会遇到更多拥堵、更多行业并肩工作,以及更多出错的机会。
即使做了充分的准备,疲劳仍然会出现。这些工作从合同到交付都进展很快,没有缓慢阶段。有些人在这种节奏下茁壮成长,有些人则在一两年后精疲力竭。关键是进行诚实的对话。我们对客户坦诚相告什么是现实的。如果这会危及人员安全或工作开始出现问题,我们一定会说出来。
你如何平衡快速推进与维护现场质量和安全这些相互竞争的要求?
BB:我们在组建团队时将安全放在首位。在Gray,安全和生活质量是我们的核心价值观。
每个工作都不同,没有一刀切的方法。如果范围包括四栋建筑,如果对该项目有意义,我们会部署四个独立的团队。每个执行计划都是根据工作的独特需求量身定制的,基于时间表、复杂性以及正确完成工作的关键因素。协调需要精确,这就是我们领导团队介入管理安全、进度表、采购以及其间的一切,确保整个现场作为一个整体运行的地方。
这就是文化重要的地方。人们需要知道他们得到支持。你必须检查、了解他们的情况,并愿意说"这是不可持续的"。速度是工作的一部分,但我们不能在实现目标的过程中让人们精疲力竭。这是短期胜利和长期问题。
对AI和高密度计算工作负载的需求如何改变数据中心的设计和建造方式?
BB:建筑物的外观可能看起来相同,但内部正在快速变化。AI芯片产生的热量比旧服务器更多,传统的风冷无法处理这些变化。这种转变正推动更多运营商转向液体冷却。
我们多年来在流程制造中设计了类似的技术,如冷却水系统,但将这种液体冷却直接应用于服务器在数据中心世界中仍处于新兴阶段。一些客户正在改造旧建筑,而其他客户则从一开始就围绕液体冷却设计新建筑。
与此同时,电力需求正在激增。40兆瓦的设施曾经是标准,现在是100到120兆瓦——大致足以为8万到10万个家庭供电——整个园区达到千兆瓦。但即使所有当前的扩建计划都在进行中,预计到2030年美国仍将面临超过15吉瓦数据中心容量的短缺。主要驱动因素是对AI就绪基础设施的需求,这带来了更高的功率密度、更快的时间表,以及建设各个阶段的新复杂性水平。
是什么使某些地点比其他地点更适合今天的新数据中心建设?
BB:这真的归结为两个因素:电力和人员。这就是为什么我们看到密西西比州杰克逊或内华达州里诺等地的增长。这些不是传统中心,但它们有可用的电力和当地激励措施。同时,北弗吉尼亚等地正变得饱和。
劳动力同样关键。你可以拥有一个很好的场地和所有正确的许可证,但如果没有足够的持证电工或合格的技工,你就陷入困境。如果你等待太久才确保他们,别人就会抢先一步。电力、劳动力和规划都必须配合,否则项目就无法推进。
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。