ギャップを埋める: 人工知能時代に向けたデータセンターの変革
現代のデータセンターは、規模に関係なく、イノベーション戦略の重要な部分である電源管理とバックアップ戦略を再考する必要があります。
人工知能の時代は、データセンターの現状を完全に変えます。あらゆるタイプの企業が、生成 AI テクノロジーの活用方法を積極的に模索しています。そのため、より高度で安全、かつ効率的なデータセンター設備が必要となります。
ハイパースケールは、最新のデータセンターにとって理想的なユーザー グループであり、新しい機会を見つけ、最先端のテクノロジーを活用して新しいインフラストラクチャを構築するためのリソースと能力を備えています。
それでも、企業は、より少ないニーズを満たすことに限定する必要はありません。不動産の利用を最適化する適切なテクノロジーを組み込むことで、小規模なデータセンターを AI 時代に向けて変革できます。これには、AI アプリケーションを強化するコンピューティング インフラストラクチャ、ラック構成への新しいアプローチ、冷却テクノロジ、データ ストレージなどの側面を慎重に検討する必要があります。
これは、ブラウンフィールド改修のためのバランスのとれた電源戦略を確保するために、データセンターの電源バックアップ システムを戦略的に検討することも意味します。すべてのデータにはバックアップ電源が必要ですが、既存の電源装置はスペースを占有しており、収益には一銭も追加されない可能性があります。ニッケル亜鉛 (NiZn) バッテリーのような新しい技術革新は、より高密度のバックアップ電力を提供し、貴重なフロアスペースを解放して生産性を向上させながら、バックアップ容量を増加させる可能性があります。
集中型または分散型バックアップ電源
規模の変化の重要性を理解するには、次のデータを見てください。マッキンゼーは、データセンターの需要は 2030 年までに毎年 10% 増加すると予測しています。それまでに、米国市場だけでの需要は35GWに達するでしょう。
現在の状況は、データセンターの顧客の需要がデータセンターの収容能力を超えていることを示しています。新しいデータセンターを構築またはアップグレードしている大企業にとって、密度を高めることは、平方フィートあたりのコンピューティング能力を向上させるためのソリューションです。したがって、大手クラウド サービス プロバイダーさえも、バックアップ電源システムが占めるスペースの量に注目し始めているのも不思議ではありません。
通常、データセンターには集中型の無停電電源装置 (UPS) バックアップ システムが備えられています。大規模なアプリケーションでは、サーバー ラックのバッテリ バックアップ ユニット (BBU) などの分散バックアップ システムに注目する人が増えています。
Open Compute Project などの非営利組織は、分散バックアップ電源方式を使用した新しい標準を推進しています。このアプローチはハイパースケール企業にいくつかの利点をもたらしますが、コロケーション施設や企業にとっては最良の選択ではありません。これは、コロケーション施設がさまざまな異なるテナント構成に対応する必要があり、実装が非現実的であるためです。同時に、エンタープライズクラスのワークロードの場合、分散型アプローチは過剰になる可能性があります。
サーバー内にはバックアップ電源もあり、停電時にサーバーが正常にシャットダウンするようになります。
これらのバックアップ システムは、相互に補完し合う場合もあれば、補完しない場合もあります。重要なのは、電力を大量に消費する AI ワークロードを確実に実行し続けるための適切な組み合わせを見つけることです。最新のデータセンターの改修の多くにはモジュール式インフラストラクチャが含まれており、既存の施設に必要な機器を限られたスペースで反復的に追加できる柔軟性を与えています。
鉛酸から離れてください
残念ながら、何十年にもわたってデータセンターに電力を供給してきた鉛酸バッテリーは効率が悪く、貴重なスペースを占有します。また、動作温度範囲が限られており、冷却技術のためにより多くのスペースが必要です。
鉛酸バッテリーは比較的安価に始められますが、より最新のバッテリー技術には投資する価値があります。リチウムイオン電池が市場に出てから 10 年も経っていませんが、新しいデータセンター建設においてはすでにかなりのシェアを獲得しています。効率が高いため、占有床面積が小さくなり、鉛蓄電池ほど頻繁に交換する必要がありません。
ニッケル亜鉛電池技術は、鉛蓄電池やリチウムイオン電池ほど不安定ではありません。実際、熱暴走がなく、競合するどのバッテリー化学反応よりも広い温度範囲で動作できます。リチウムイオン電池はエネルギー密度が高く、ニッケル亜鉛電池は出力密度が高いため、放電率が高くなります。バックアップ シナリオで、唯一の目標がバッテリーの動作を 15 ~ 5 分以内に維持することである場合、大量の電力を迅速に放電できる小型バッテリーが必要になります。
レガシー機器との互換性
ハイパースケーラーはゼロから始めることができますが、企業はデータセンター内の既存の機器を無視することはできません。リチウムイオン電池が導入される前は、すべてのデータセンターで鉛蓄電池が使用されていました。
同じ UPS 充電システムを利用することで、データセンターのオペレータは直接交換することでニッケル亜鉛バッテリを既存の UPS 機器に簡単に改修できます。
同時に、リチウム電池には追加の保護が必要なため、新しいリチウム電池を購入するよりも鉛蓄電池をニッケル亜鉛電池に置き換える方が簡単な場合があります。リチウムの揮発性化学物質は、換気、大容量消火、屋内燃焼定格の強化、およびニッケル亜鉛電池には必要のないその他の安全機能に関して追加のコストを生み出します。
結局のところ、規模に関係なく、すべての企業は人工知能の期待に応え続けるためにデータセンター戦略を最新化する必要があるということです。新しいデータセンターを単純に構築する機会が常に存在するとは限りませんが、適切な改修戦略が企業に必要な変化の推進力を与えます。
以上がギャップを埋める: 人工知能時代に向けたデータセンターの変革の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

6 月 18 日のこのサイトのニュースによると、サムスン セミコンダクターは最近、最新の QLC フラッシュ メモリ (v7) を搭載した次世代データセンター グレードのソリッド ステート ドライブ BM1743 をテクノロジー ブログで紹介しました。 ▲Samsung QLCデータセンターグレードのソリッドステートドライブBM1743 4月のTrendForceによると、QLCデータセンターグレードのソリッドステートドライブの分野で、SamsungとSK Hynixの子会社であるSolidigmだけが企業向け顧客検証に合格したという。その時。前世代の v5QLCV-NAND (このサイトの注: Samsung v6V-NAND には QLC 製品がありません) と比較して、Samsung v7QLCV-NAND フラッシュ メモリは積層数がほぼ 2 倍になり、記憶密度も大幅に向上しました。同時に、v7QLCV-NAND の滑らかさ

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究
