人工智慧「湧現」時刻:資料中心如何解題?
當面向產業的數百個AI大模型出現,承載大模型的資料中心正在悄悄改變。大模型需要大算力,一方面,資料中心將提供多樣性運算綜合能力,作為數位轉型的算力底座,滿足不同產業的智慧需求;另一方面,資料中心不斷提升能源使用效率,需要在更優的運算架構以及更低的能耗下產生更大的算力,不僅自身實現綠色低碳,還可以為其他產業的智慧轉型賦能,促進全社會降碳。
工信部資料顯示,2022年我國在用資料中心機架總規模超過590萬標準機架,伺服器規模約2,000萬台,資料中心儲存容量年均成長速度超50%。同時,在全社會資料與算力需求爆發的背景下,資料中心耗電量也不可避免地迅速提升。那麼,面向「算力」與「降耗」的雙重考驗,未來資料中心將如何持續優化,規模穩定成長,能效逐步提升呢?未來資料中心會是什麼樣的呢?
近期,華為發布了《資料中心2030》報告,為未來資料中心的轉型升級指引了一個參考方向。
創新湧現 圍繞「五效提升」的發展新方向
如今,資料中心幾乎與日常生活息息相關,AI、雲端運算、智慧城市、元宇宙等耳熟能詳的名詞後面都離不開資料中心的支援。同時,節能、永續性、安全性等趨勢也逐漸加強。各大企業都在加大資料中心的投資和建設力度,以滿足不斷成長的算力需求。
可以預見,隨著全球經濟的快速成長,資料中心的發展與建置必將持續處於高速發展時期,再加上各地新興產業的大力扶持,都為資料中心產業的發展帶來了很大的優勢。
在不改變原意的情況下,需要將內容改寫成中文。需要改寫的內容是:但在高速發展的同時,選擇方向和路已經成為一種能力和智慧。算力需求和資源限制是未來資料中心發展的主要挑戰,創新需要圍繞提升效率來進行
《資料中心2030》從影響資料中心的五大未來場景出發,指出未來資料中心發展將呈現多個重要趨勢,報告中預測算力將呈現高速發展,並且算力和規模效率將成為國家和企業的核心競爭力;同時在AI的驅動下,資料中心將發生全景式革命,資料中心的產業標籤將從高耗能轉變為綠色發展使能器,多流協同的資料中心也將普及化,從而建構綠色低碳、算效領先的資料中心。
可見,未來資料中心的發展是一個高速多變且充滿挑戰的過程。想要搞定未來資料中心,解開數位經濟這個蘊含巨大想像空間的市場,推動資料經濟時代企業的高成長性,需要一些新的想法來解開當前資料中心這個「多元高次方程式」。
為了因應科學研究的突破和資源需求的算力,新形勢下的資料中心亟需進行技術創新和模式變革。 《資料中心2030》報告指出,未來的資料中心需要提升「能效、算效、運作、數效、人效」五個面向的效能,以因應人工智慧大模型帶來的算力供給與能耗挑戰
優化能效,建構綠色零碳資料中心;提高算效,實現資料中心運算能力的高效供給;增強運效,打造超融合資料中心網路;提升數效,實現資料價值的最大化;最終提高人效,實現自動化資料中心。可以說,「五效」提升為未來資料中心的技術創新指明了重要方向
首次定義未來資料中心技術特徵的是整體視角
#隨著中國雲端運算和人工智慧的發展,超大規模資料中心應用的規模不斷增加,資料中心的建構理念也發生了變化,其中最典型的變化是資料中心的建設與IT設備的結合更加緊密。作為基礎設施,資料中心也會相應地發生自上而下的變化,以業務的視角實現應用與技術的聯動,資料中心需要整體地考慮製冷、供電以及監控運維,實現垂直整合
未來的資料中心技術發展主流是透過系統級的創新來實現的,這意味著下一代資料中心需要打破傳統,透過軟硬協同的方式大大提高資料中心的效率
具體來說,未來資料中心的關鍵特徵有哪些?新型資料中心的評估指標有哪些呢? 《資料中心2030》報告認為,未來新型資料中心將具備多元泛在、安全智慧、零碳節能、柔性資源、對等連結、系統摩爾六大技術特性。
多樣化泛在:未來,資料中心會走向超大集群、超輕邊緣的兩極化。同時面向新場景,多種創新資料中心也將出現,如太空資料中心、海底資料中心等。
安全智慧:未來新型資料中心需要具備高安全性、高可靠度和高智慧的特性。 Al和資料使能資料中心規劃、建置、營運全生命週期,促進資料中心朝著高效率、節能、智慧的方向發展。
零碳節能:風能、太陽能等清潔能源在資料中心能源結構中所佔比例提升。同時,儲能技術透過“削峰填谷”,成為降低資料中心電力成本的重要方式;液冷技術幫助資料中心節能和降噪。
柔性資源:雲端化架構將成為未來資料中心基礎設施的“標配”之一,下一代雲端資料中心架構,將沿著“全池化”、“柔運算” 、「泛協作」的方向持續演進。
對等互聯:為了提升資料處理效率,未來運算將突破馮諾依曼架構瓶頸,運算、儲存與通訊等模組透過統一匯流排對等互聯,未來新型資料中心將具備超融合、高性能和光內生的特徵。
系統摩爾:主導半導體積體電路發展的摩爾定律正遭遇物理學和經濟學雙重限制,亟需採用新型技術推動未來資訊產業持續蓬勃發展。
新型資料中心六大技術特徵
不僅如此,為了匹配多形態資料中心,報告最後還首次在業界提出了新型資料中心「6 新」參考架構,包括新基礎設施層、新算力底座層、新資源調度層、新資料管理階層、新協同服務層、新智慧管理階層六個層級,以盡可能清楚顯示新型資料中心建置的重點與要素。
新型資料中心「6 新」參考架構
#我們可以從《資料中心2030》報告中看到一些未來資料中心的新思路,這些思路可以解決這個「多元高次方程式」。然而,要在複雜的推算過程中得出“正確答案”,不僅需要正確的解題思路,還需要具備強大實力的“解題者們”協力合作,共同推進產業的創新和進步
合作解題,引領資料中心產業升級
如今,資料中心匯聚著科技創新,也同時承擔著為國計民生保駕護航,承擔著切實實實的社會責任。因此,未來資料中心市場需要更多經驗豐富的「解題者」參與。
作為全球資料中心產業的領導者,華為已經開始做好準備,聯合產業各界一起“解題”,去應對資料中心的挑戰。在《資料中心2030》報告中不僅對新型資料中心建置提供了參考指標,還在報告中詳細介紹了未來資料中心技術創新實務方向。
華為願與全產業鏈共同努力,做新型態資料中心的解題者,引領未來資料中心產業創新發展。
以上是人工智慧「湧現」時刻:資料中心如何解題?的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

本站6月27日訊息,剪映是由位元組跳動旗下臉萌科技開發的一款影片剪輯軟體,依託於抖音平台且基本面向該平台用戶製作短影片內容,並相容於iOS、安卓、Windows 、MacOS等作業系統。剪映官方宣布會員體系升級,推出全新SVIP,包含多種AI黑科技,例如智慧翻譯、智慧劃重點、智慧包裝、數位人合成等。價格方面,剪映SVIP月費79元,年費599元(本站註:折合每月49.9元),連續包月則為59元每月,連續包年為499元每年(折合每月41.6元) 。此外,剪映官方也表示,為提升用戶體驗,向已訂閱了原版VIP

透過將檢索增強生成和語意記憶納入AI編碼助手,提升開發人員的生產力、效率和準確性。譯自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。雖然基本AI程式設計助理自然有幫助,但由於依賴對軟體語言和編寫軟體最常見模式的整體理解,因此常常無法提供最相關和正確的程式碼建議。這些編碼助手產生的代碼適合解決他們負責解決的問題,但通常不符合各個團隊的編碼標準、慣例和風格。這通常會導致需要修改或完善其建議,以便將程式碼接受到應

大型語言模型(LLM)是在龐大的文字資料庫上訓練的,在那裡它們獲得了大量的實際知識。這些知識嵌入到它們的參數中,然後可以在需要時使用。這些模型的知識在訓練結束時被「具體化」。在預訓練結束時,模型實際上停止學習。對模型進行對齊或進行指令調優,讓模型學習如何充分利用這些知識,以及如何更自然地回應使用者的問題。但是有時模型知識是不夠的,儘管模型可以透過RAG存取外部內容,但透過微調使用模型適應新的領域被認為是有益的。這種微調是使用人工標註者或其他llm創建的輸入進行的,模型會遇到額外的實際知識並將其整合

想了解更多AIGC的內容,請造訪:51CTOAI.x社群https://www.51cto.com/aigc/譯者|晶顏審校|重樓不同於網路上隨處可見的傳統問題庫,這些問題需要跳脫常規思維。大語言模型(LLM)在數據科學、生成式人工智慧(GenAI)和人工智慧領域越來越重要。這些複雜的演算法提升了人類的技能,並在許多產業中推動了效率和創新性的提升,成為企業保持競爭力的關鍵。 LLM的應用範圍非常廣泛,它可以用於自然語言處理、文字生成、語音辨識和推薦系統等領域。透過學習大量的數據,LLM能夠產生文本

本站6月18日消息,三星半導體近日在技術部落格介紹了搭載其目前最新QLC快閃記憶體(v7)的下一代資料中心級固態硬碟BM1743。 ▲三星QLC資料中心級固態硬碟BM1743根據TrendForce集邦諮詢4月的說法,在QLC資料中心級固態硬碟領域,僅有深耕多年的三星和SK海力士旗下Solidigm在當時通過了企業客戶驗證。相較上代v5QLCV-NAND(本站註:三星v6V-NAND無QLC產品),三星v7QLCV-NAND閃存在堆疊層數方面幾乎翻了一倍,儲存密度也大幅提升。同時v7QLCV-NAND的順

編輯|ScienceAI問答(QA)資料集在推動自然語言處理(NLP)研究中發揮著至關重要的作用。高品質QA資料集不僅可以用於微調模型,也可以有效評估大語言模型(LLM)的能力,尤其是針對科學知識的理解和推理能力。儘管目前已有許多科學QA數據集,涵蓋了醫學、化學、生物等領域,但這些數據集仍有一些不足之處。其一,資料形式較為單一,大多數為多項選擇題(multiple-choicequestions),它們易於進行評估,但限制了模型的答案選擇範圍,無法充分測試模型的科學問題解答能力。相比之下,開放式問答

機器學習是人工智慧的重要分支,它賦予電腦從數據中學習的能力,並能夠在無需明確編程的情況下改進自身能力。機器學習在各個領域都有廣泛的應用,從影像辨識和自然語言處理到推薦系統和詐欺偵測,它正在改變我們的生活方式。機器學習領域存在著多種不同的方法和理論,其中最具影響力的五種方法被稱為「機器學習五大派」。這五大派分別為符號派、聯結派、進化派、貝葉斯派和類推學派。 1.符號學派符號學(Symbolism),又稱符號主義,強調利用符號進行邏輯推理和表達知識。該學派認為學習是一種逆向演繹的過程,透過現有的

編輯|KX在藥物研發領域,準確有效地預測蛋白質與配體的結合親和力對於藥物篩選和優化至關重要。然而,目前的研究並沒有考慮到分子表面訊息在蛋白質-配體相互作用中的重要作用。基於此,來自廈門大學的研究人員提出了一種新穎的多模態特徵提取(MFE)框架,該框架首次結合了蛋白質表面、3D結構和序列的信息,並使用交叉注意機制進行不同模態之間的特徵對齊。實驗結果表明,該方法在預測蛋白質-配體結合親和力方面取得了最先進的性能。此外,消融研究證明了該框架內蛋白質表面資訊和多模態特徵對齊的有效性和必要性。相關研究以「S
