


Die Zukunft von Rechenzentren: die Konvergenz von künstlicher Intelligenz und Flüssigkeitskühlung
Der rasante Aufstieg der generativen künstlichen Intelligenz (KI) verdeutlicht die alarmierende Geschwindigkeit, mit der Unternehmen KI einführen. Laut einem aktuellen Accenture-Bericht sagen 98 % der Unternehmensleiter, dass künstliche Intelligenz in den nächsten drei bis fünf Jahren eine wichtige Rolle in ihrer Strategie spielen wird. McKinsey-Analysten haben herausgefunden, dass fast 65 % der Unternehmen planen, in den nächsten drei Jahren verstärkt in künstliche Intelligenz zu investieren.
NVIDIA, AMD und Intel bringen neue Chips auf den Markt, die für generative künstliche Intelligenz und Hochleistungsrechnen (HPC) entwickelt wurden fängt gerade erst an. Auch Public-Cloud-Anbieter und aufstrebende Chip-Unternehmen stehen im Wettbewerb. IDC-Analysten gehen davon aus, dass die weltweiten Ausgaben für KI-Software, -Hardware und -Dienste 300 Milliarden US-Dollar erreichen und damit die für dieses Jahr erwarteten 154 Milliarden US-Dollar übertreffen werden .
Rechenzentren werden immer „heißer“
GPU ist der am weitesten verbreitete Chip in der künstlichen Intelligenz und im maschinellen Lernen, der den Rechenprozess von Anwendungen der künstlichen Intelligenz beschleunigen kann. Beispielsweise verfügt die H100-GPU von NVIDIA über 80 Milliarden Transistoren, erzeugt also viel Wärme und erfordert eine effiziente Kühlung.
Traditionell gelten Konfigurationen mit einer Leistung von 10 Kilowatt in einem einzelnen Rechenzentrums-Rack als hochdicht, Luftkühlung ist jedoch immer noch ein wirksames Mittel dazu Cool diese Server. Obwohl das Uptime Institute herausgefunden hat, dass nur wenige Rechenzentren über Racks mit mehr als 30 Kilowatt verfügen, zeichnen sich extreme Dichten ab. Die Kommerzialisierung des Hochleistungsrechnens und der Aufstieg der generativen künstlichen Intelligenz erhöhen den Energiebedarf und überfordern traditionelle Luftkühlungsmethoden.
Zum Beispiel ist der maximale Stromverbrauch der neuesten GPU von NVIDIA 160 % höher als der des Chips der vorherigen Generation. Rack-Konfigurationen können leicht den 40-kW-Bereich überschreiten, was mit herkömmlichen Luftkühlungsmethoden nur schwer zu bewältigen ist. Heutige Rechenzentren müssen sich weiterentwickeln, um diese erhöhten Wärmelasten effektiv bewältigen zu können.
Kühltechnologie wird immer wichtiger.
Glücklicherweise verfügen wir über eine Vielzahl von Flüssigkeitskühlungstechnologien, um dieser Herausforderung zu begegnen, einschließlich der immer beliebter werdenden Backdoor-Thermal-Switching- und Direct-Chip-Technologie. Es gibt auch verschiedene Arten neuer Immersionskühlungstechnologien, bei denen es im Wesentlichen darum geht, IT-Komponenten in einen mit flüssigem Kühlmittel gefüllten Behälter einzutauchen.
Obwohl sich die Immersionskühlung noch in einem frühen Einführungsstadium befindet, gehen Analysten davon aus, dass sich die Technologie in diesem Bereich durchsetzen wird Jahr, und die Marktgröße wird von 251 Millionen US-Dollar im Jahr 2021 auf über 1,6 Milliarden US-Dollar im Jahr 2027 wachsen. Dies wird erhebliche Auswirkungen auf die Anforderungen an die Infrastruktur von Rechenzentren haben, und Unternehmensleiter müssen wissen, ob ihre Rechenzentrumsbetreiber bereit sind, kurzfristig die notwendigen Investitionen zu tätigen, um diesen Wandel zu unterstützen.
Vor- und Nachteile der Flüssigkeitskühlung
Flüssigkeit ist als Wärmeleiter 1.000-mal effizienter als Luft und erfordert weniger Infrastruktur. Luftkühlungssysteme erfordern komplexe Kühlgeräte, einschließlich Kühler, Luftpumpen, Kabel, Feuchtigkeitskontroll- und Filtersysteme sowie redundante Backup-Systeme, um sicherzustellen, dass Server im Falle eines Stromausfalls nicht an Kühlung verlieren. Im Gegensatz dazu ist Flüssigkeitskühlung erforderlich Systeme sind relativ einfach, aber die Implementierung in die aktuelle Rechenzentrumsinfrastruktur kann mit erheblichen Herausforderungen verbunden sein, einschließlich Vorabinvestitionen und Komplexität. Die Einrichtung eines Flüssigkeitskühlsystems kann kompliziert sein und möglicherweise eine spezielle Wartung erfordern. Darüber hinaus müssen möglicherweise die Serverdesigns angepasst werden, die Einführung eines Immersionsansatzes kann zum Erlöschen der OEM-Garantie führen und Lecks im Kühlsystem können zu Geräteschäden und Ausfallzeiten führen. Betreiber von Rechenzentren müssen auch neue Vorschriften und Umweltstandards berücksichtigen, die mit der Verwendung von Flüssigkeitskühlsystemen einhergehen
Allerdings erfordern Flüssigkeits- oder Tauchkühlsysteme nicht viel Backup oder spezielle Strategien zur Boden- oder Gangabdichtung. Die Gesamtauswirkungen auf den Energieverbrauch und die Kosten können erheblich sein. Ergebnisse einer aktuellen Studie ergaben, dass der Einsatz von Flüssigkeitskühlung den Stromverbrauch der Anlage um fast 20 % und den Gesamtstrom des Rechenzentrums um mehr als 10 % reduzieren kann. Total Usage Effectiveness (TUE), eine neue Kennzahl zum Vergleich der Effizienz von Flüssigkeitskühlung mit Luftkühlung in Hochleistungsrechnerumgebungen, zeigt, dass Flüssigkeitskühlung die Energieeffizienz um mehr als 15 % verbessert.
Der Übergang zur Flüssigkeitskühlung bietet weitere nachhaltige Vorteile. Flüssigkeitskühlsysteme benötigen weniger Wasser als Luftkühlsysteme. Durch die Nachrüstung von Rechenzentren können neue Denkweisen genutzt werden, um ihren physischen Fußabdruck und ihren CO2-Fußabdruck zu verringern. Strategien zur thermischen Wiederverwendung können umliegende Unternehmen und Gemeinden mit Energie versorgen. Die Möglichkeiten sind aufregend und könnten ebenso transformativ sein wie die generative KI selbst.
Was Sie jetzt wissen sollten
Der Übergang zu einem Rechenzentrum vor Ort kann für die meisten Unternehmen zu komplex und teuer sein. Andererseits ist ein Großteil der heutigen öffentlichen Cloud-Infrastruktur nicht für die Ausführung umfangreicher KI-Anwendungen ausgelegt, und die steigenden Kosten für das Hosten großer Arbeitslasten in der Cloud veranlassen viele Unternehmen, nach anderen Optionen zu suchen
Angesichts dieser Herausforderungen und Chancen könnte ein Colocation-Rechenzentrumsanbieter mit Infrastrukturerfahrung im Umgang mit unzähligen Kundenanwendungsfällen für viele Unternehmen die beste Lösung sein. Führungskräfte in diesem Bereich können ihr Fachwissen und ihre Unterstützung bereitstellen, um Organisationen bei ihrer Transformation zu begleiten. Darüber hinaus haben wir wichtige Beziehungen zu einer Reihe von Hardware-OEMs und Flüssigkeitskühlungslieferanten aufgebaut, die das Wachstum von Rechenzentren vorantreiben und vielfältige Optionen bieten, um den individuellen Anforderungen unserer Kunden gerecht zu werden.
Organisationen müssen jetzt wissen, ob ihre Rechenzentrumsbetreiber bereits planen und, was vielleicht noch wichtiger ist, über die physische Kapazität oder die erforderliche Technologie verfügen, um die Entwicklung von Rechenzentren der nächsten Generation zu ermöglichen. Rechenzentren stehen bereits vor der komplexen Herausforderung, Arbeitslasten auf die für ihre Anforderungen besten Server zu verlagern. Da die Anforderungen an künstliche Intelligenz und Hochleistungsrechner-Arbeitslasten weiter steigen, werden diese Hindernisse sicherlich durch die zusätzliche Herausforderung verschärft, grundlegend unterschiedliche Kühlsysteme hinzuzufügen.
Rechenzentrumsbetreiber, die derzeit in diese Strategien investieren, sind gut aufgestellt, um ihren Kunden dabei zu helfen, diese Herausforderungen proaktiv anzugehen. Künstliche Intelligenz verändert alles, auch Rechenzentren. Jetzt ist es an der Zeit, dieses Gespräch zu beginnen
Das obige ist der detaillierte Inhalt vonDie Zukunft von Rechenzentren: die Konvergenz von künstlicher Intelligenz und Flüssigkeitskühlung. 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
