Masa depan pusat data: penumpuan kecerdasan buatan dan penyejukan cecair
Peningkatan pesat kecerdasan buatan (AI) generatif menyerlahkan kadar membimbangkan di mana perusahaan menggunakan AI. Menurut laporan Accenture baru-baru ini, 98% daripada pemimpin perniagaan mengatakan kecerdasan buatan akan memainkan peranan penting dalam strategi mereka dalam tempoh tiga hingga lima tahun akan datang. Penganalisis McKinsey mendapati bahawa hampir 65% perusahaan merancang untuk meningkatkan pelaburan dalam kecerdasan buatan dalam tempoh tiga tahun akan datang
NVIDIA, AMD dan Intel melancarkan cip baharu yang direka untuk kecerdasan buatan generatif dan pengkomputeran berprestasi tinggi (HPC). baru bermula. Pembekal awan awam dan syarikat cip baru muncul juga bersaing. Penganalisis IDC meramalkan bahawa perbelanjaan global untuk perisian, perkakasan dan perkhidmatan AI akan mencecah $300 bilion, melepasi $154 bilion yang dijangkakan tahun ini
Walau bagaimanapun, cabaran kekal dalam penskalaan AI, tidak kurang yang melibatkan sokongan beban kerja ini Cabaran infrastruktur pusat data yang diperlukan .
Pusat data semakin "panas"
GPU ialah cip paling biasa dalam kecerdasan buatan dan pembelajaran mesin, yang boleh mempercepatkan proses pengkomputeran aplikasi kecerdasan buatan. Contohnya, GPU H100 NVIDIA mempunyai 80 bilion transistor, jadi ia menjana banyak haba dan memerlukan penyejukan yang cekap
Secara tradisinya, konfigurasi yang mencapai 10 kilowatt dalam satu rak pusat data dianggap berketumpatan tinggi, tetapi penyejukan udara masih merupakan cara yang berkesan untuk sejukkan pelayan ini. Walaupun Institut Uptime mendapati bahawa beberapa pusat data mempunyai rak melebihi 30 kilowatt, ketumpatan melampau sedang muncul. Komoditi pengkomputeran berprestasi tinggi dan peningkatan kecerdasan buatan generatif meningkatkan permintaan kuasa dan melebihkan kaedah penyejukan udara tradisional.
Sebagai contoh, penggunaan kuasa maksimum GPU terbaru NVIDIA adalah 160% lebih tinggi daripada cip generasi sebelumnya. Konfigurasi rak boleh dengan mudah melebihi julat 40kW, yang sukar dikendalikan dengan kaedah penyejukan udara tradisional. Pusat data hari ini mesti terus berkembang untuk menguruskan beban haba yang meningkat ini dengan berkesan
Teknologi penyejukan semakin penting
Nasib baik, kami mempunyai pelbagai teknologi penyejukan cecair untuk menghadapi cabaran ini, termasuk Pensuisan terma pintu belakang yang semakin popular dan teknologi cip langsung. Terdapat juga pelbagai jenis teknologi penyejukan rendaman yang muncul, yang pada asasnya melibatkan merendam komponen IT dalam bekas yang dipenuhi dengan cecair penyejuk
Walaupun penyejukan rendaman masih dalam peringkat awal penggunaannya, penganalisis meramalkan bahawa teknologi itu akan menjadi Ia akan menjadi arus perdana dalam tempoh ini tahun, dan saiz pasaran akan berkembang daripada AS$251 juta pada 2021 kepada lebih daripada AS$1.6 bilion pada 2027. Ini akan memberi kesan ketara kepada keperluan infrastruktur pusat data, dan pemimpin perniagaan mesti mengetahui sama ada pengendali pusat data mereka bersedia untuk membuat pelaburan yang diperlukan dalam jangka pendek untuk menyokong peralihan ini.
Kelebihan dan Kekurangan Penyejukan Cecair
Cecair adalah 1,000 kali lebih cekap sebagai konduktor haba daripada udara dan memerlukan kurang infrastruktur. Sistem penyejukan udara memerlukan peralatan penyejukan yang kompleks, termasuk penyejuk, pam udara, kabel, kawalan kelembapan dan sistem penapisan, serta sistem sandaran berlebihan untuk memastikan pelayan tidak kehilangan penyejukan sekiranya berlaku gangguan bekalan elektrik
Sebaliknya, penyejukan cecair sistem agak Mudah, tetapi melaksanakannya dalam infrastruktur pusat data semasa boleh datang dengan cabaran yang ketara, termasuk pelaburan awal dan kerumitan. Menyediakan sistem penyejukan cecair boleh menjadi rumit dan mungkin memerlukan penyelenggaraan khusus. Selain itu, reka bentuk pelayan mungkin perlu dilaraskan, menggunakan pendekatan rendaman boleh membatalkan jaminan OEM, dan kebocoran sistem penyejukan boleh menyebabkan kerosakan peralatan dan masa henti. Pengendali pusat data juga mesti mengambil kira peraturan baharu dan piawaian persekitaran yang terlibat dalam menggunakan sistem penyejukan cecair
Walau bagaimanapun, sistem penyejukan cecair atau rendaman tidak memerlukan banyak sandaran atau strategi pengedap lantai atau lorong khas. Kesan keseluruhan terhadap penggunaan tenaga dan kos boleh menjadi ketara. Hasil kajian baru-baru ini mendapati bahawa melaksanakan penyejukan cecair boleh mengurangkan kuasa kemudahan sebanyak hampir 20% dan jumlah kuasa pusat data sebanyak lebih daripada 10%. Keberkesanan Penggunaan Keseluruhan (TUE), metrik baharu yang direka untuk membandingkan kecekapan penyejukan cecair kepada penyejukan udara dalam persekitaran pengkomputeran berprestasi tinggi, menunjukkan bahawa penyejukan cecair adalah lebih daripada 15% lebih cekap tenaga.
Terdapat faedah mampan lain untuk beralih kepada penyejukan cecair. Sistem penyejukan cecair memerlukan kurang air daripada sistem penyejukan udara. Perbaikan semula pusat data boleh menggunakan cara pemikiran baharu untuk mengecilkan jejak fizikal dan karbon mereka. Strategi penggunaan semula terma boleh memberikan tenaga kepada perniagaan dan komuniti sekitar. Kemungkinannya menarik dan boleh menjadi transformatif seperti AI generatif itu sendiri.
Apa yang Perlu Diketahui Sekarang
Peralihan ke pusat data di premis mungkin terlalu rumit dan mahal untuk kebanyakan perusahaan. Sebaliknya, kebanyakan infrastruktur awan awam hari ini tidak dibina untuk menjalankan aplikasi AI berskala besar, dan peningkatan kos pengehosan beban kerja volum tinggi dalam awan mendorong banyak organisasi mencari pilihan lain
Memandangkan cabaran dan peluang ini, penyedia pusat data colocation dengan pengalaman infrastruktur mengendalikan kes penggunaan pelanggan yang tidak terkira banyaknya mungkin memberikan penyelesaian terbaik untuk banyak perusahaan. Pemimpin dalam ruang ini boleh memberikan kepakaran dan sokongan untuk membimbing organisasi melalui transformasi mereka. Kami juga telah membangunkan hubungan penting dengan beberapa OEM perkakasan dan pembekal penyejuk cecair yang akan memacu pertumbuhan pusat data, menyediakan pelbagai pilihan untuk memenuhi keperluan unik pelanggan kami.
Organisasi kini perlu mengetahui sama ada pengendali pusat data mereka sudah merancang dan, mungkin yang lebih penting, mempunyai kapasiti fizikal yang tersedia atau teknologi yang diperlukan untuk menyesuaikan diri untuk membolehkan pembangunan pusat data generasi akan datang. Pusat data sudah pun menghadapi cabaran kompleks untuk memindahkan beban kerja ke pelayan terbaik untuk keperluan mereka. Memandangkan tuntutan kecerdasan buatan dan beban kerja pengkomputeran berprestasi tinggi terus meningkat, halangan ini pastinya akan ditambah lagi dengan cabaran tambahan untuk menambah sistem penyejukan yang berbeza secara asasnya.
Pengendali pusat data yang sedang melabur dalam strategi ini akan berada pada kedudukan yang baik untuk membantu pelanggan mereka secara proaktif menangani cabaran ini. Kecerdasan buatan mengubah segala-galanya, termasuk pusat data. Sekarang adalah masa untuk memulakan perbualan ini
Atas ialah kandungan terperinci Masa depan pusat data: penumpuan kecerdasan buatan dan penyejukan cecair. 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

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

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

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

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

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
