新基建下,由于规模的不断扩大和数量的持续激增,节能减排、提升数据中心的能效水平成为亟待攻克的一大难题。
IDC预测,2026年全球数据圈将达到221ZB,2022至2026年将实现2倍增长。海量数据是数字经济发展的基本要素,规模化、集约化和绿色化将成为未来数据中心发展的关键词。
在第四届OCP China Day 2022上,希捷科技中国区产品线管理总监刘嘉接受记者采访时表示,希捷从公司和产品两个层面,与各个生态伙伴共同努力,实现节能减碳。
践行双碳
如今ESG(环境、社会关系和企业治理)是企业发展的一个重要内容。面对全球数据圈的绿色发展诉求,希捷一直在履行对于可持续发展和环境保护的承诺。希捷计划到2030年,在全球范围内使用100%可再生能源,2040年实现碳中和。
作为一个跨国企业,希捷的研发虽然在国外,但硬盘整装厂是在中国无锡。希捷也是硬盘供应商中唯一一家在中国拥有生产运营基地的厂商,可见希捷在中国的重要布局。
刘嘉表示,希捷与国家的长远期战略对齐,按照国家和国际上制定的、对地球有益的目标进行发展,比如到2030年,工厂生产以及研发100%使用可再生能源。
当前东数西算工程正在积极推进中,其也会推动绿色发展,比如冷热数据、液冷技术的应用等。“液冷技术对机械硬盘非常友好,这对希捷来说是一个非常大的发展契机。”刘嘉说。
实力创新
在产品技术方面,希捷通过产品的升级和容量的迭代,帮助企业和社会实现碳能降低。
刘嘉说,秉持开放、标准的理念,希捷硬盘重生技术有两个分支,一个是回收,一个是容量重生。比如硬盘回收的安全擦除遵循国际开放的标准,通过可靠的硬盘数据擦除技术,希捷守护硬盘生命周期的同时还能保障客户数据的安全。希捷与国际标准化组织(ISO)等机构合作,执行统一的介质清理标准。在此基础上,希捷还推出了认证擦除,以环保经济且安全快捷的方式助力实现硬盘重生。
而容量重生则符合业内开放的“存储的元素和去除”标准(Storage Element Depopulation)。目前,希捷与浪潮信息、联想、戴尔、谷歌等伙伴通过硬盘产品以及相关部件的回收和循环利用,降低对环境的压力,创建可持续发展的数据圈。目前已经有超过1000万块的硬盘进行了整盘回收。
刘嘉表示,希捷跟客户比如谷歌、戴尔合作进行硬盘的部件回收,然后重新利用到生产中,这种方式不仅创造了环保价值,同时具有经济效益。另外,很多客户可能会需要一些回收的产品,希捷跟他们一起建立一个非常正规的渠道,保证从官方渠道提供这些产品,相比客户在一些不知名渠道购买产品更安全可靠。
对于硬盘和SSD之间的替代关系,刘嘉认为,数据的产生量其实远远大于存储介质的生产量,所以硬盘和SSD是一种相互依赖的关系,这样才能确认数据存储节能环保。
除了硬盘回收技术,希捷通过ADR(自动容量重生)技术,主动发现硬盘磁头故障,并进行自动化修复和重新上线操作,避免人为干预和非必要的硬盘替换,减少电子垃圾。
希捷研发的双磁臂技术硬盘,在典型应用场景可以为数据中心节电30%,如此运营一个25EB规模的数据中心,一年可以省1亿的电费,帮助数据中心实现节能减排和绿色可持续发展。
此外,在希捷中国云计算实验室,希捷与合作伙伴进行“安静服务器”的联合设计和预测评估,包括风扇选型(安静风扇)、距离设置(增加硬盘与风扇距离)、吸音棉和模块布置等,优化服务器架构,从而能够部署更大容量的希捷银河(Exos)企业级硬盘和热辅助磁记录(HAMR)硬盘,加快低碳数据中心的建设。
展望未来,希捷瞄准低碳存储,融合更多业界伙伴的力量,共同打造更为绿色可靠的数据中心基础架构,推进数据中心向低碳化迈进。
好文章,需要你的鼓励
法国AI初创公司Mistral AI发布了首个大语言模型全面生命周期评估,量化了AI的环境代价。其Mistral Large 2模型训练产生20,400吨二氧化碳当量,消耗281,000立方米水。运营阶段占环境影响85%,远超硬件制造成本。研究表明地理位置和模型大小显著影响碳足迹,企业可通过选择适当规模模型、批处理技术和清洁能源部署来减少环境影响。这一透明度为企业AI采购决策提供了新的评估标准。
上海AI实验库推出YUME系统,用户只需输入一张图片就能创建可键盘控制的虚拟世界。该系统采用创新的运动量化技术,将复杂的三维控制简化为WASD键操作,并通过智能记忆机制实现无限长度的世界探索。系统具备强大的跨风格适应能力,不仅能处理真实场景,还能重现动漫、游戏等各种艺术风格的虚拟世界,为虚拟现实和交互娱乐领域提供了全新的技术路径。
许多人认为一旦实现通用人工智能(AGI)和人工智能超级智能(ASI),这些高度先进的AI将能够告诉我们人生的真正意义。然而,巅峰AI可能无法明确回答这个史诗般的问题。即使AI拥有人类所有知识,也不意味着能从中找到生命意义的答案。AI可能会选择提供多种可能性而非绝对答案,以避免分裂人类社会。
上海AI实验室研究团队开发了革命性的AI编程验证方法,让大语言模型能够在最小人工干预下自动生成和验证程序规范。该方法摒弃传统的人工标注训练,采用强化学习让模型在形式化语言空间中自主探索,在Dafny编程验证任务上显著超越现有方法,为AI自主学习开辟新道路。