Kepintaran buatan di pusat data untuk mencapai karbon sifar bersih
Hari ini, tanpa mengira industri atau sektor, kita semua menghadapi tekanan dan titik kesakitan yang sama: peningkatan kos tenaga dan bahan api, peningkatan kos bahan mentah serta penurunan margin operasi dan keuntungan. Pada masa yang sama, pihak berkepentingan berada di bawah tekanan untuk mengurangkan pelepasan karbon dan mencapai matlamat pembangunan mampan.
Pusat data menghadapi tekanan dari semua pihak, dengan peraturan alam sekitar dan perniagaan menuntut penyelesaian yang lebih hijau.
Seperti yang kita sedia maklum, pusat data ialah pengguna sumber yang besar, dan permintaan untuk kuasa pengkomputeran yang disediakan oleh pusat data semakin meningkat pada kadar yang membimbangkan. Memandangkan kebimbangan global tentang perubahan iklim meningkat, menggabungkan kemampanan ke dalam strategi menjadi elemen penting dalam operasi pusat data dan PR pusat data.
Tetapi adakah tekanan untuk mencapai SDG akan menimbulkan masalah tambahan?
Banyak penyedia pusat data sudah mempunyai program alam sekitar. Walau bagaimanapun, komitmen untuk mengurangkan pelepasan karbon dengan ketara dan keinginan untuk menunjukkan hasil yang cepat sering membawa kepada pengimbangan karbon.
Tidak semua pelepasan boleh dielakkan atau diganti, dan mengurangkan pelepasan karbon boleh melibatkan perubahan organisasi yang meluas yang memerlukan masa dan pelaburan. Oleh itu, banyak organisasi melalui jalan ini tetapi menggunakan inisiatif baharu sebagai penyelesaian untuk meningkatkan kemampanan. Mereka memberi tumpuan kepada projek diskret baharu dengan pulangan yang mudah dikira, seperti teknologi alternatif seperti kenderaan elektrik (EV) atau menggantikan lampu dengan LED atau tenaga boleh diperbaharui.
Apa yang mereka sering terlepas ialah mencapai kemenangan kemampanan yang cepat dalam infrastruktur yang telah mereka miliki dengan meningkatkan kecekapan tenaga sepanjang operasi mereka.
Gunakan kuasa AI untuk membuat keputusan perniagaan yang lebih baik dengan lebih pantas
Berita baiknya ialah penyelesaian berasaskan kecerdasan buatan (AI) boleh menyampaikan pertumbuhan yang pesat dan mampan dalam masa enam minggu sahaja dan boleh skala mudah untuk membuka kunci pengoptimuman kecekapan merentas operasi.
Kemajuan terkini dalam kecerdasan buatan boleh menganalisis set data besar-besaran daripada aset dalam mana-mana industri tanpa perlu menggunakan pasukan besar saintis data (sama ada turbin angin, fotovoltaik, enjin jet, perkapalan, pam minyak dan gas, penyejukan atau pelayan IT) ) dan gunakan pengecaman corak untuk menjana cerapan masa nyata. Cerapan ini memberikan keupayaan untuk membuat keputusan perniagaan terdorong data yang boleh mengoptimumkan operasi sepenuhnya untuk meningkatkan kecekapan tenaga, mengurangkan pelepasan dan menjejaki kemajuan ke arah matlamat kemampanan.
Banyak persekitaran tidak menggunakan data yang telah mereka miliki dengan baik dan beratus-ratus suapan data dianggap diperlukan untuk mengumpulkan cerapan yang diperlukan untuk pengoptimuman. Malah, hanya lima suapan data sudah mencukupi untuk membuat peningkatan yang ketara.
Titik permulaan adalah untuk mencipta garis dasar data yang boleh dipercayai dan sumber data dalaman lain (ERP, aplikasi perusahaan, storan fail awan).
AI kemudian mencari cara yang paling berkesan untuk mengendalikan peralatan dan aset, tetapi tidak dihadkan oleh had atau parameter yang ditentukan pengguna. Dengan mencari dan mengesyorkan prestasi sejarah terdekat, AI boleh mensimulasikan prestasi yang lebih baik menggunakan pengoptimuman hadapan Pareto yang memenuhi sasaran kualiti dan had proses yang ditetapkan serta titik set kawalan yang disyorkan, yang mengakibatkan pengurangan serta-merta dalam kos tenaga dan pelepasan.
Mengurangkan tenaga dengan mengoptimumkan penyejukan dan mengurangkan penggunaan air, mengawal keadaan CPU P dan C untuk memadankan kecekapan beban kerja, dan meramalkan kegagalan aset hanyalah sebahagian daripada faedah yang boleh diberikan oleh AI. Dengan beroperasi dalam gelung tertutup atau terbuka, penjimatan tenaga sebanyak 10 -40% boleh dicapai dan masa henti yang mahal dielakkan.
Pembekal dan pelanggan di premis, dihoskan dan awan semuanya boleh mendapat manfaat daripada AI. Teknologi AI mempercepatkan transformasi digital, mengoptimumkan kos dan hasil tenaga, memaksimumkan campuran tenaga boleh diperbaharui, mengurangkan pelepasan karbon dan menyediakan pelaporan tentang metrik kemampanan untuk menjejak kemajuan masa nyata ke arah sifar bersih. Penjejakan peringkat peranti yang lebih tepat, malah hingga ke setiap teras individu, memastikan ketepatan dalam pengebilan dan pelaporan pelepasan Skop 2 dan 3.
Sebagai contoh, QiO bekerjasama dengan industri intensif aset dan intensif tenaga untuk menyampaikan kemampanan dipacu AI. Peraturan pertama untuk meningkatkan kemampanan ialah memikirkan cara untuk menggunakan lebih baik apa yang anda sudah ada. Kami percaya data adalah kunci untuk melakukan lebih banyak dengan kurang, dan AI menyediakan cerapan yang diperlukan untuk menavigasi ke sifar bersih.
Atas ialah kandungan terperinci Kepintaran buatan di pusat data untuk mencapai karbon sifar bersih. 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
