数据中心会产生热量,数据中心以外的许多地方都需要热量,但遗憾的是,数据中心产生的大部分多余热量永远不会到达这些地方。
这就提出了一个问题:数据中心可以如何处理多余的热量?是否有实用的方法来重新利用这些热量,而不是将其释放到周围环境中?
下面,让我们通过讨论充分利用数据中心多余热量的策略来进行探索这个问题。
数据中心过热通常会发生什么情况
在大多数数据中心,服务器和其他设备产生的多余热量,其最终目的地非常简单:热量最终通过某种类型的冷却系统(例如冷空气或液体冷却)消散,并分散到周围环境中。
毕竟,如果将冷空气或水泵入数据中心,并不会导致热量消失。你只是把它移到外面去了——对于任何感受到室外空调压缩机热量输出的人来说,这一事实都是显而易见的。
当然,数据中心的热量通常只是被泵入环境中,这一事实令人遗憾,因为这意味着数据中心的所有多余热量都被浪费了。可以说,捕获和再利用这些热量,就可以让这些热量获得第二次生命,从而显着提高数据中心的可持续性。
例如,这些热量可以被用于为建筑物供暖——北欧国家的数据中心运营商已经这样做有一段时间了。
数据中心热能再利用的挑战
然而,将数据中心的热量输送到其他建筑物是例外,而不是规则。一般来说,重复利用数据中心的热量通常并不是一件容易的事情。数据中心通常(但并非总是)位于人口稀少的偏远地区,这意味着附近建筑物对热量的需求通常很少,而长距离输送热量以使其到达人口中心的成本高昂且效率低下。
如果向建筑物共享热量分配的基础设施已经存在(就像许多北欧城市一样),那么将数据中心的热量重新用于其他建筑物可能就是很有意义的。但在大多数其他地区,从头开始建设新的热量分配基础设施并不现实。
重复利用数据中心热量的创造性方法
但还有一些其他方法可以重新利用数据中心多余的热量,以下就是一些具有创造性但仍在可行性范围内的方法。
农业
典型的数据中心周围可能没有很多人居住,但通常有大量的开放土地。把多余的热量从数据中心泵送到这片土地上,可以将土地用于农业用途,包括在环境温度不足以支持农作物或牲畜的季节。
例如,来自数据中心的热量可以使得寒冷气候下冬季种植农产品的温室变暖,或者可以用于加热农民养鱼的池塘。
工厂
工厂是数据中心多余热量可能很有利用价值的另一个场所。如果来自数据中心的热量能够在附近的制造工厂中集中足够的量,那么就可以帮助为窑炉和熔炉提供动力,否则这些窑炉和熔炉必须直接从燃料中获取热量——在许多情况下,这些燃料都是不可再生能源。
烘干
去除材料中的水分是另一种制造活动,在这个过程中热量是非常有用的。在这种情况下,数据中心的热量可以用于干燥木材或降低加工食品的水分含量以延长保质期等目的。
发电
来自数据中心的热量可以为热电发电机提供动力,将热能转化为电能。
这里有一个挑战,就是在转换过程中损失的能量几乎可以忽略不计,因此并非所有热量都可以被有效地重新利用起来。但最大的优点是,一旦发电,你就可以使用电线非常有效地长距离传输——因此,通过数据中心多余的热量发电是在远离数据中心地方提供热量的一种方法。或者你可以重复使用这些热量为那些总是需要电力的数据中心本身供电。
结论:利用数据中心热量的创新方法
迄今为止,对上述数据中心热量再利用的实验还很少,但想象一下这些策略的可行性并不特别困难,不需要任何特殊或昂贵的技术。
所有这一切最终要归结为创造性地思考如何更好地利用数据中心产生的热量——如果越来越多的数据中心运营商想要减少数据中心设施的碳足迹,他们就应该优先考虑这一目标。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。