绿色数据中心建设看似高投入,看不到比较快的回报率,事实并非如此。
探讨之前提到的分布式不间断电源系统,分布式采用锂电方案,在经济效益上具有双重提升:一方面在建设阶段带来经济效益,另一方面在运维管理上同样实现成本优化。
大家发现,当前数据中心空置率,反映出目前在数据中心领域,它的业务发展、运营以及建设方面存在不均衡现象。
这就意味着数据中心并非能够迅速达到最佳运营点,通常需要经历一个业务增长的过程,我们称之为“业务爬坡期”,甚至有可能某些数据中心的资源上架率最终也不会很高。
尤其是在算电协同背景下,协同意味着“算”和“电”的建设应当是伴随式发展。所需的算力支撑应与电力供给相匹配,即根据实际需要的算力水平来购买相应的电力支持。
而相较于传统的集中式方案,这种伴随式建设就会遇到很大的瓶颈。
传统的UPS+铅酸方案,确实一定程度上通过规模效应实现了成本效益,单个设备容量可达到600kVA,甚至更高,均摊到每个机柜的成本确实较低。
然而,实际面临的问题是:当我们按照整个楼层的容量来建设UPS + 铅酸系统后,业务增长是否能够迅速跟上?
在大多数情况下,业务增长很难立即匹配这样的规模,通常需要一两年,甚至三四年时间来逐步增长,有的最终可能都无法达到预期的上架率。
相比之下,采用分布式方式进行建设,用多少机柜,就上多少机柜的电力建设,这显得尤为宝贵。
从投资的角度,我们进行过投资曲线的测算。集中式方案通常是分阶段、大阶梯式进行建设,每个建设阶段以几百个机柜为增量单位。
与集中式方案不同,分布式电源的建设模式是以单个机柜为单元,呈现斜线式线性增长。
在集中式方案中,起步就是一个较大的投资台阶,而到了下一个周期阶段,又是一次大的投资跃升,如上图所示。
运维方面,众所周知,铅酸电池作为传统的电池类型,其循环寿命非常有限。通常情况下,在UPS主机寿命到达之前,铅酸电池大约每四至五年就需要更换一次。
这不仅给数据中心的整体运营带来了较大的压力,而且铅酸电池的维护本身也较为耗费人力和电力,这是导致运营成本增加的一个重要因素。
相比之下,采用分布式锂电方案可以显著提升经济效益。
同时,业界也在探讨将新兴的储能技术应用于数据中心。
从备电的角度来看,锂电池的电量及其性能完全能够满足削峰填谷的应用需求,这样的话,很大程度,尤其在峰谷电价比较大的区域,采用分布式锂电方案能够给数据中心带来很好的电费节省。
这种技术转型,无疑将为数据中心带来更为高效和经济的运维体验。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。