Bagaimanakah kecerdasan buatan akan menjejaskan pasaran pusat data?
Jelas sekali, kecerdasan buatan ialah kuasa yang berkembang pesat dalam transformasi digital dan patut mendapat perhatian berterusan daripada semua industri.
Ketika syarikat Fortune 500 mencari sempadan seterusnya untuk pertumbuhan perniagaan, kecerdasan buatan (AI) telah mengambil alih perhatian, dan popularitinya yang semakin meningkat mempunyai implikasi yang meluas untuk industri pusat data.
Pertumbuhan dalam permintaan pusat data sejak 20 tahun lalu telah didorong oleh keperluan storan dan pengiraan serta perpindahan daripada infrastruktur di premis kepada infrastruktur awan. Kemajuan baharu dalam aplikasi perisian dan IT telah mengubah keperluan pelanggan, mendorong pertumbuhan ketara dalam inventori pusat data, seperti yang ditunjukkan dalam carta di bawah.
Rajah 1: Jumlah inventori pasaran utama (MW)
Jadi, bagaimanakah peningkatan kecerdasan buatan akan menjejaskan pembangunan dan permintaan pusat data?
Pada masa ini, masih banyak yang tidak diketahui. Bagaimanakah kecerdasan buatan akan menjejaskan pekerjaan, pembangunan infrastruktur, penggunaan tenaga dan privasi? Bolehkah pusat data sedia ada dan dalam pembinaan menyokong pembangunan kecerdasan buatan? Adakah hyperscaler akan mencari pembangunan kemudahan di pasaran pinggir di mana bekalan kuasa kos rendah dan tanah lebih murah tersedia
Apakah AI?
ChatGPT ialah bot sembang yang memahami dan bertindak balas terhadap input pengguna, sekali gus membawa AI menjadi tumpuan semula di seluruh industri. Dan ia dengan cepat mencetuskan gelombang kegilaan AI di seluruh dunia. Lebih-lebih lagi, ChatGPT juga merupakan aplikasi terpantas untuk mencapai 100 juta pengguna. Jadi, melihat ke belakang, apakah sebenarnya AI?
AI mempunyai dua fungsi pembelajaran mesin:
- Latihan kecerdasan buatan: membina model daripada input set data
- Inferens kecerdasan buatan: belajar daripada data set Jana ramalan, penyelesaian dan hasil yang boleh diambil tindakan
Ciri ini tidak perlu berfungsi di tempat yang sama pada masa yang sama. Masing-masing mempunyai keperluan storan, kuasa dan pengkomputeran tersendiri. Dalam bentuk yang paling asas, AI boleh membantu menjawab soalan atau draf e-mel, dan ciri lanjutan akan menjadi lebih canggih pada masa hadapan.
Aplikasi AI dalam Pusat Data
Pada masa ini, pengaruh budaya kecerdasan buatan berada pada tahap tertinggi sepanjang masa. Tetapi tanpa kesedaran popular yang sama, pengendali pusat data telah memanfaatkan AI dengan cara seperti meningkatkan kecekapan tenaga dengan mengurus keberkesanan penggunaan kuasa (PUE) secara proaktif dan memantau perkakasan kemudahan dengan mengesan dan membetulkan isu secara proaktif untuk memanjangkan jangka hayatnya dan membantu dalam perancangan ruang fizikal pusat data sambil memantau had suhu dan kelembapan.
Kes penggunaan untuk kecerdasan buatan tidak terhad kepada pengendali pusat data tetapi juga terpakai kepada pengguna. Pelanggan boleh menggunakan perisian AI dari pusat data untuk bot sembang perkhidmatan, analitik pemasaran, visualisasi data, penjanaan utama untuk pembangunan perniagaan, proses pengambilan HR dan onboarding yang diperkemas, kenderaan pandu sendiri dan pengesanan insurans dan penipuan.
Apakah maksud ini untuk pusat data?
Dua elemen asas pembelajaran mesin kecerdasan buatan memerlukan keperluan pusat data yang berbeza. Latihan AI boleh berlaku dalam persekitaran yang agak terpencil. Kuasa pengkomputeran yang tinggi diperlukan, tetapi tidak memerlukan jarak yang dekat dengan pengguna akhir atau interkoneksi dengan kemudahan lain. Pusat data yang terletak di kawasan luar bandar di mana kos tanah lebih rendah adalah contoh kemudahan tersebut. Inferens AI memerlukan prestasi yang sangat tinggi dan kependaman rendah untuk pengguna akhir dan aplikasi berinteraksi dengan model dalam masa nyata. Contoh kemudahan yang serupa ialah pusat data tepi dalam persekitaran bandar.
Dalam tinjauan oleh S&P Global, 84.6% responden berkata perbelanjaan infrastruktur AI/ML organisasi mereka akan meningkat sedikit atau ketara. CBRE menjangkakan peningkatan permintaan untuk pembangunan pusat data dalam pasaran tertiari seperti Des Moines, Charlotte dan Columbus.
Kekangan kuasa kekal sebagai cabaran, dengan aplikasi AI menggunakan sejumlah besar kuasa. Dari segi perkakasan, AI memerlukan pemproses berprestasi tinggi yang memerlukan lebih kuasa daripada pemproses pusat data tradisional. Selain menggunakan lebih banyak kuasa, teknologi penyejukan yang dipertingkatkan diperlukan untuk mengurangkan masa henti. Disebabkan oleh batasan penyejuk penyejuk udara tradisional, penyejukan cecair adalah pilihan pertama untuk cip berprestasi tinggi.
Selain itu, pasaran yang mungkin terjejas teruk oleh permintaan untuk penyejukan cecair akibat kekurangan air termasuk tempat di Amerika Syarikat seperti Phoenix, Arizona dan California Selatan. Secara keseluruhannya, terdapat insentif untuk membangunkan pusat data khusus AI di pasaran dengan bekalan kuasa yang banyak, kos tenaga yang rendah dan harga tanah yang rendah untuk mengendalikan beban kerja yang kompleks dan berprestasi tinggi ini.
Kepintaran buatan bukan sahaja menggunakan tenaga elektrik, tetapi juga mengurangkan penggunaan elektrik. IDC meramalkan bahawa pendapatan global daripada AI akan mencapai $154 bilion menjelang 2023 dan melebihi $300 bilion menjelang 2026. Ini mewakili kadar pertumbuhan tahunan kompaun sebanyak 27%, iaitu lebih daripada empat kali ganda kadar pertumbuhan jumlah perbelanjaan IT dalam tempoh yang sama. Amerika Syarikat dijangka menjadi pasaran AI terbesar, menyumbang lebih daripada 50% daripada jumlah perbelanjaan global.
Jelas sekali, kecerdasan buatan ialah kuasa yang berkembang pesat dalam transformasi digital dan patut mendapat perhatian berterusan daripada semua industri.
Atas ialah kandungan terperinci Bagaimanakah kecerdasan buatan akan menjejaskan pasaran pusat data?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Menurut berita dari laman web ini pada 18 Jun, Samsung Semiconductor baru-baru ini memperkenalkan pemacu keadaan pepejal gred data pusat generasi seterusnya BM1743 dilengkapi dengan memori kilat QLC (v7) terbaharunya di blog teknologinya. ▲Samsung QLC pemacu keadaan pepejal gred data pusat BM1743 Menurut TrendForce pada bulan April, dalam bidang pemacu keadaan pepejal gred data pusat QLC, hanya Samsung dan Solidigm, anak syarikat SK Hynix, telah lulus pengesahan pelanggan perusahaan di masa itu. Berbanding dengan v5QLCV-NAND generasi sebelumnya (nota di tapak ini: Samsung v6V-NAND tidak mempunyai produk QLC), memori denyar Samsung v7QLCV-NAND telah hampir dua kali ganda bilangan lapisan susun, dan ketumpatan storan juga telah dipertingkatkan dengan banyak. Pada masa yang sama, kelancaran v7QLCV-NAND

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
