


Wie wird sich künstliche Intelligenz auf den Rechenzentrumsmarkt auswirken?
Künstliche Intelligenz ist eindeutig eine stark wachsende Kraft in der digitalen Transformation und verdient kontinuierliche Aufmerksamkeit in allen Branchen.
Während Fortune-500-Unternehmen nach der nächsten Grenze für ihr Geschäftswachstum suchen, steht die künstliche Intelligenz (KI) im Rampenlicht, und ihre wachsende Beliebtheit hat weitreichende Auswirkungen auf die Rechenzentrumsbranche.
Das Wachstum der Rechenzentrumsnachfrage in den letzten 20 Jahren wurde durch den Speicher- und Computerbedarf sowie die Migration von der lokalen zur Cloud-Infrastruktur vorangetrieben. Neue Fortschritte bei Softwareanwendungen und IT haben die Kundenbedürfnisse verändert und zu einem erheblichen Wachstum des Rechenzentrumsbestands geführt, wie in der folgenden Tabelle dargestellt.
Abbildung 1: Gesamter Primärmarktbestand (MW)
Wie wird sich also der Aufstieg der künstlichen Intelligenz auf die Entwicklung und Nachfrage von Rechenzentren auswirken?
Aktuell gibt es noch viele Unbekannte. Wie wird sich künstliche Intelligenz auf Beschäftigung, Infrastrukturentwicklung, Energieverbrauch und Privatsphäre auswirken? Können bestehende und im Bau befindliche Rechenzentren die Entwicklung künstlicher Intelligenz unterstützen? Werden Hyperscaler die Entwicklung von Anlagen in Randmärkten anstreben, in denen kostengünstigere Stromversorgung und günstigeres Land verfügbar sind?
Was ist KI?
ChatGPT ist ein Chatbot, der Benutzereingaben versteht und darauf reagiert, wodurch KI erneut branchenweit im Fokus steht. Und es löste schnell eine Welle des KI-Wahnsinns auf der ganzen Welt aus. Darüber hinaus ist ChatGPT auch die schnellste Anwendung, die 100 Millionen Benutzer erreicht. Rückblickend: Was genau ist KI?
KI verfügt über zwei Funktionen für maschinelles Lernen:
- KI-Training: erstellt Modelle aus Eingaben für einen Datensatz.
- KI-Inferenz: generiert Vorhersagen, Lösungen und umsetzbare Ergebnisse aus dem Lernen von Datensätzen.
diese Funktionen müssen nicht in der funktionieren am gleichen Ort zur gleichen Zeit. Jeder hat seine eigenen, individuellen Speicher-, Energie- und Rechenanforderungen. In ihrer einfachsten Form kann KI bei der Beantwortung von Fragen oder beim Verfassen von E-Mails helfen, und erweiterte Funktionen werden in Zukunft noch ausgefeilter werden.
KI-Anwendung in Rechenzentren
Der kulturelle Einfluss künstlicher Intelligenz ist derzeit so hoch wie nie zuvor. Doch ohne das gleiche öffentliche Bewusstsein nutzen Rechenzentrumsbetreiber KI beispielsweise zur Verbesserung der Energieeffizienz durch proaktives Management der Power Usage Effectiveness (PUE) und zur Überwachung der Hardware einer Einrichtung durch proaktive Erkennung und Behebung von Problemen, um deren Lebensdauer zu verlängern und bei der Planung zu helfen den physischen Raum des Rechenzentrums und überwacht gleichzeitig Temperatur- und Feuchtigkeitsgrenzwerte.
Die Anwendungsfälle künstlicher Intelligenz beschränken sich nicht nur auf Rechenzentrumsbetreiber, sondern gelten auch für Nutzer. Kunden können KI-Software aus dem Rechenzentrum für Service-Chatbots, Marketinganalysen, Datenvisualisierung, Lead-Generierung für die Geschäftsentwicklung, optimierte HR-Rekrutierungs- und Onboarding-Prozesse, selbstfahrende Fahrzeuge sowie Versicherungs- und Betrugserkennung einsetzen.
Was bedeutet das für Rechenzentren?
Die beiden Grundelemente des maschinellen Lernens mit künstlicher Intelligenz erfordern unterschiedliche Anforderungen an Rechenzentren. KI-Training kann in relativ isolierten Umgebungen stattfinden. Eine hohe Rechenleistung ist erforderlich, erfordert jedoch keine unmittelbare Nähe zu Endbenutzern oder eine Verbindung mit anderen Einrichtungen. Ein Beispiel für eine solche Einrichtung sind Rechenzentren in ländlichen Gebieten, in denen die Grundstückskosten niedriger sind. KI-Inferenz erfordert eine extrem hohe Leistung und geringe Latenz, damit Endbenutzer und Anwendungen in Echtzeit mit Modellen interagieren können. Ein Beispiel für eine ähnliche Einrichtung ist ein Edge-Rechenzentrum in einer städtischen Umgebung.
In einer Umfrage von S&P Global gaben 84,6 % der Befragten an, dass die Ausgaben für KI/ML-Infrastruktur ihres Unternehmens leicht oder deutlich steigen werden. CBRE erwartet eine erhöhte Nachfrage nach der Entwicklung von Rechenzentren in tertiären Märkten wie Des Moines, Charlotte und Columbus.
Leistungsbeschränkungen bleiben eine Herausforderung, und KI-Anwendungen verbrauchen große Mengen an Strom. Auf der Hardwareseite erfordert KI Hochleistungsprozessoren, die mehr Strom benötigen als herkömmliche Rechenzentrumsprozessoren. Zusätzlich zum höheren Stromverbrauch ist eine verbesserte Kühltechnologie erforderlich, um Ausfallzeiten zu reduzieren. Aufgrund der Einschränkungen herkömmlicher luftgekühlter Kühler ist die Flüssigkeitskühlung die erste Wahl für Hochleistungschips.
Zu den Märkten, die von dieser Nachfrage nach Flüssigkeitskühlung aufgrund von Wasserknappheit beeinträchtigt werden könnten, gehören auch Orte wie Phoenix, Arizona und Südkalifornien in den Vereinigten Staaten. Insgesamt besteht ein Anreiz, KI-spezifische Rechenzentren in Märkten mit reichlicher Stromversorgung, niedrigen Energiekosten und niedrigen Grundstückspreisen zu entwickeln, um diese komplexen und leistungsstarken Arbeitslasten zu bewältigen.
Künstliche Intelligenz verbraucht nicht nur Strom, sondern reduziert auch den Stromverbrauch. IDC prognostiziert, dass der weltweite Umsatz mit KI bis 2023 154 Milliarden US-Dollar erreichen und bis 2026 300 Milliarden US-Dollar überschreiten wird. Dies entspricht einer durchschnittlichen jährlichen Wachstumsrate von 27 %, mehr als dem Vierfachen der Wachstumsrate der gesamten IT-Ausgaben im gleichen Zeitraum. Es wird erwartet, dass die Vereinigten Staaten der größte KI-Markt werden und mehr als 50 % der gesamten weltweiten Ausgaben ausmachen.
Künstliche Intelligenz ist eindeutig eine stark wachsende Kraft in der digitalen Transformation und verdient kontinuierliche Aufmerksamkeit in allen Branchen.
Das obige ist der detaillierte Inhalt vonWie wird sich künstliche Intelligenz auf den Rechenzentrumsmarkt auswirken?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Laut Nachrichten dieser Website vom 18. Juni stellte Samsung Semiconductor kürzlich in seinem Technologieblog sein Solid-State-Laufwerk BM1743 der nächsten Generation für Rechenzentren vor, das mit dem neuesten QLC-Flash-Speicher (v7) ausgestattet ist. ▲Samsung QLC Solid-State-Laufwerk für Rechenzentren BM1743 Laut TrendForce im April hatten im Bereich der QLC-Solid-State-Laufwerke für Rechenzentren nur Samsung und Solidigm, eine Tochtergesellschaft von SK Hynix, die Unternehmenskundenüberprüfung bestanden diese Zeit. Im Vergleich zum v5QLCV-NAND der vorherigen Generation (Hinweis auf dieser Website: Samsung v6V-NAND verfügt nicht über QLC-Produkte) hat der Samsung v7QLCV-NAND-Flash-Speicher die Anzahl der Stapelschichten fast verdoppelt und auch die Speicherdichte wurde erheblich verbessert. Gleichzeitig ist die Glätte von v7QLCV-NAND gewährleistet

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
