Inhaltsverzeichnis
Zentralisierte oder verteilte Notstromversorgung
Halten Sie die Finger von Blei-Säure-Batterien
Kompatibilität mit veralteter Ausrüstung
Heim Technologie-Peripheriegeräte KI Die Lücke schließen: Das Rechenzentrum für das Zeitalter der künstlichen Intelligenz transformieren

Die Lücke schließen: Das Rechenzentrum für das Zeitalter der künstlichen Intelligenz transformieren

Mar 04, 2024 pm 08:25 PM
人工智能 数据中心

Die Lücke schließen: Das Rechenzentrum für das Zeitalter der künstlichen Intelligenz transformieren

Moderne Rechenzentren, unabhängig von ihrer Größe, müssen Energiemanagement- und Backup-Strategien überdenken, die ein wesentlicher Bestandteil der Innovationsstrategie sind.

Das Zeitalter der künstlichen Intelligenz wird den Status Quo von Rechenzentren völlig verändern. Unternehmen aller Art erforschen aktiv den Einsatz generativer KI-Technologie. Dies erfordert, dass sie über fortschrittlichere, sicherere und effizientere Rechenzentrumseinrichtungen verfügen.

Hyperscales sind die ideale Benutzergruppe für moderne Rechenzentren. Sie verfügen über die Ressourcen und Fähigkeiten, um neue Möglichkeiten zu finden und die fortschrittlichsten Technologien zum Aufbau neuer Infrastrukturen zu nutzen.

Dennoch müssen sich Unternehmen nicht darauf beschränken, weniger Bedürfnisse zu erfüllen. Kleinere Rechenzentren können für das KI-Zeitalter umgestaltet werden, indem die richtige Technologie zur Optimierung der Immobiliennutzung integriert wird. Dies erfordert eine sorgfältige Berücksichtigung von Aspekten wie der Computerinfrastruktur, die KI-Anwendungen unterstützt, neuer Ansätze für die Rack-Konfiguration, Kühltechnologien und Datenspeicherung.

Dies bedeutet auch, strategisch über Notstromsysteme für Rechenzentren nachzudenken, um eine ausgewogene Energiestrategie für Brownfield-Nachrüstungen sicherzustellen. Jedes Datenelement benötigt Notstrom, aber Ihre vorhandenen Stromversorgungsgeräte beanspruchen wahrscheinlich Platz und bringen keinen Cent mehr Umsatz. Neue technologische Innovationen wie Nickel-Zink-Batterien (NiZn) bieten eine höhere Notstromdichte, wodurch die Notstromkapazität möglicherweise erhöht wird und gleichzeitig wertvolle Stellfläche für eine höhere Produktivität frei wird.

Zentralisierte oder verteilte Notstromversorgung

Um die Bedeutung von Skalenänderungen zu verstehen, werfen Sie einen Blick auf die folgenden Daten. McKinsey prognostiziert, dass die Nachfrage nach Rechenzentren bis 2030 jährlich um 10 % wachsen wird. Bis dahin wird die Nachfrage allein auf dem US-Markt 35 GW erreichen.

Die aktuelle Situation zeigt, dass die Nachfrage der Rechenzentrumskunden die Tragfähigkeit des Rechenzentrums übersteigt. Für große Unternehmen, die neue Rechenzentren bauen oder aufrüsten, ist eine Erhöhung der Dichte eine Lösung, um mehr Rechenleistung pro Quadratfuß bereitzustellen. Daher ist es nicht verwunderlich, dass selbst große Cloud-Dienstleister beginnen, sich auf den Platzbedarf zu konzentrieren, den Notstromsysteme beanspruchen.

Normalerweise sind Rechenzentren mit zentralisierten unterbrechungsfreien Stromversorgungssystemen (USV) ausgestattet. Bei groß angelegten Anwendungen greifen Menschen zunehmend auf verteilte Backup-Systeme zurück, beispielsweise Batterie-Backup-Einheiten (BBUs) für Server-Racks.

Gemeinnützige Organisationen wie das Open Compute Project drängen auf neue Standards mit verteilten Notstrommethoden. Während dieser Ansatz in Hyperscale-Unternehmen mehrere Vorteile bietet, ist er für Colocation-Einrichtungen oder Unternehmen nicht die beste Wahl. Dies liegt daran, dass die Colocation-Einrichtung eine Vielzahl unterschiedlicher Mieterkonfigurationen berücksichtigen müsste, was ihre Implementierung unpraktisch macht. Gleichzeitig kann ein dezentraler Ansatz für Workloads auf Unternehmensebene übertrieben sein.

Im Inneren des Servers befindet sich außerdem eine Notstromversorgung, um sicherzustellen, dass der Server im Falle eines Stromausfalls normal herunterfährt.

Diese Backup-Systeme können sich gegenseitig ergänzen oder auch nicht. Der Schlüssel liegt darin, die richtige Mischung zu finden, um sicherzustellen, dass leistungshungrige KI-Workloads weiterhin ausgeführt werden können. Bei vielen modernen Nachrüstungen von Rechenzentren handelt es sich um eine modulare Infrastruktur, die bestehenden Einrichtungen die Flexibilität gibt, benötigte Geräte schrittweise und bei begrenztem Platz hinzuzufügen.

Halten Sie die Finger von Blei-Säure-Batterien

Leider sind die Blei-Säure-Batterien, die Rechenzentren seit Jahrzehnten mit Strom versorgen, ineffizient und nehmen wertvollen Platz ein. Außerdem haben sie einen eingeschränkten Betriebstemperaturbereich und benötigen mehr Platz für die Kühltechnik.

Blei-Säure-Batterien sind anfangs relativ günstig, aber die Investition in modernere Batterietechnologie lohnt sich. Lithium-Ionen-Batterien sind zwar erst seit weniger als einem Jahrzehnt auf dem Markt, doch beim Bau neuer Rechenzentren haben sie bereits einen beträchtlichen Marktanteil erobert. Sie sind effizienter, nehmen daher weniger Platz ein und müssen nicht so häufig ausgetauscht werden wie Blei-Säure-Batterien.

Die Nickel-Zink-Batterietechnologie ist nicht so instabil wie Blei-Säure-Batterien und Lithium-Ionen-Batterien. Tatsächlich weist es kein thermisches Durchgehen auf und kann über einen größeren Temperaturbereich als jede konkurrierende Batteriechemie betrieben werden. Lithium-Ionen-Batterien haben eine hohe Energiedichte, während Nickel-Zink-Batterien eine hohe Leistungsdichte haben, was bedeutet, dass sie eine höhere Entladerate haben. In einem Backup-Szenario, bei dem das einzige Ziel darin besteht, die Batterie 15 bis 5 Minuten oder weniger laufen zu lassen, benötigen Sie eine kleine Batterie, die schnell viel Strom entladen kann.

Kompatibilität mit veralteter Ausrüstung

Während Hyperscaler bei Null anfangen können, können Unternehmen die vorhandene Ausrüstung im Rechenzentrum nicht ignorieren. Vor der Einführung von Lithium-Ionen-Batterien verwendete jedes Rechenzentrum Blei-Säure-Batterien.

Durch die Nutzung des gleichen USV-Ladesystems können Betreiber von Rechenzentren Nickel-Zink-Batterien einfacher durch Drop-In-Austausch mit vorhandenen USV-Geräten nachrüsten.

Da Lithiumbatterien gleichzeitig zusätzlichen Schutz benötigen, ist es möglicherweise einfacher, Blei-Säure-Batterien durch Nickel-Zink-Batterien zu ersetzen, als neue Lithium-Batterien zu kaufen. Die flüchtige Chemie von Lithium verursacht zusätzliche Kosten in Bezug auf Belüftung, leistungsstarke Brandbekämpfung, verbesserte Verbrennungswerte in Innenräumen und andere Sicherheitsfunktionen, die für Nickel-Zink-Batterien nicht erforderlich sind.

Die Quintessenz ist, dass alle Unternehmen, unabhängig von ihrer Größe, ihre Rechenzentrumsstrategien modernisieren müssen, um mit den Versprechen der künstlichen Intelligenz Schritt zu halten. Die Möglichkeit, einfach ein neues Rechenzentrum zu bauen, wird nicht immer bestehen, aber die richtige Retrofit-Strategie wird Unternehmen den nötigen Anstoß für Veränderungen geben.

Das obige ist der detaillierte Inhalt vonDie Lücke schließen: Das Rechenzentrum für das Zeitalter der künstlichen Intelligenz transformieren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet Jun 28, 2024 am 03:51 AM

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

Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag Jun 10, 2024 am 11:08 AM

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

Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft Jun 11, 2024 pm 03:57 PM

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

Sieben coole technische Interviewfragen für GenAI und LLM Sieben coole technische Interviewfragen für GenAI und LLM Jun 07, 2024 am 10:06 AM

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

Samsung stellt die BM1743 SSD für Rechenzentren vor: ausgestattet mit v7 QLC V-NAND und unterstützt PCIe 5.0 Samsung stellt die BM1743 SSD für Rechenzentren vor: ausgestattet mit v7 QLC V-NAND und unterstützt PCIe 5.0 Jun 18, 2024 pm 04:15 PM

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

Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt Jul 25, 2024 am 06:42 AM

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

Fünf Schulen des maschinellen Lernens, die Sie nicht kennen Fünf Schulen des maschinellen Lernens, die Sie nicht kennen Jun 05, 2024 pm 08:51 PM

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

SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen Jul 17, 2024 pm 06:37 PM

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

See all articles