数据中心行业在 2025 年可能面临动荡,因为 AI 的增长威胁到可持续发展承诺,同时新项目可能会面临越来越多的公众反对。
此外,对服务器机房供电和配电方式的全面改革似乎越来越有必要。
这些发现来自 Uptime Institute 的最新报告,该报告基于其对塑造行业的最新发展和挑战的研究,对未来一年进行了预测。
所有五个预测都与支持预期的 AI 和相关云服务蓬勃发展所需的数据中心需求巨大增长有关。
Uptime 的第一个预测是,由于服务器机房的资源使用和温室气体 (GHG) 排放导致对新建项目的本地反对声音越来越大,而政府更关注获取经济效益,数据中心将变得更具争议性。
The Reg 已经广泛报道了 AI 导致的数据中心能源消耗的严重警告,分析机构 Gartner 最近表示,这可能在未来两年内增长 160%。数据中心对水资源和土地的使用是另一个争议点,再加上它们依赖税收优惠且创造的本地就业机会有限,这将使其面临当地居民和环保组织越来越多的反对。
Uptime 强调,许多政府已经设定了在特定日期实现温室气体净零排放的目标,但警告说,由于 AI 热潮可能会考验电力供应,这些承诺几乎肯定无法实现。
该报告指出,许多政府似乎相信 AI 带来的经济效益超过其他顾虑。英国就是一个典型的例子,本周发布了 AI 机遇行动计划,并承诺放宽规划规则以优先考虑数据中心建设。
Uptime 还预测,由于数据中心运营商的需求庞大且不断增长,他们将不得不积极参与能源电网管理。它预见到,如果不与公用事业公司密切合作,运营商在购买或发电方面将面临困难,并怀疑服务器机房可能需要提供或储存电力,并在需要时愿意减少负载。
例如,Microsoft 在其都柏林园区部署了"具有电网交互功能的 UPS 技术",允许安装用于备用电源的能源储存系统在需要时将能源反馈给电网。这旨在帮助平滑由于可再生能源的可变性而导致的电力供应变化。
这家云计算和软件公司还在同一园区建造私人燃气发电厂,以便其基础设施能够在用电高峰期继续运行。Uptime 表示,随着运营商试图通过向本地电网输送过剩电力来抵消部分投资,这一趋势可能会得到更广泛的采用。
报告的下一个预测是:由于 AI 基础设施的能源需求不断增长,数据中心内部将需要彻底改造。AI 训练已经将机架密度推向通常在超级计算设施中看到的水平,报告称围绕 Nvidia H 系列 GPU 构建的设备每机架达到 40 kW。
该报告警告说,提高机架功率带来了几个挑战,包括配电基础设施(如配电盘、UPS 系统、配电板和电池)占用的空间。如果不改变电力架构,许多数据中心可能会变成围绕相对较小的 IT 机房建造的发电厂。
解决这个问题需要进行一些改变,如对 IT 空间进行中压(超过 1 kV)配电和采用新型配电拓扑。然而,这种改造需要时间来展开,2025 年可能是实现这一目标的关键投资年。
另一个预测是,AI 模型将在云端进行训练,企业将使用公共云资源,而不是采购和部署自己的专用 GPU 服务器集群。
该报告的最后一个预测是,数据中心运营商将开始更多考虑替代 Nvidia 耗能巨大的 GPU 进行 AI 处理。Uptime 称,有迹象表明 AI 硬件市场将在 2025 年变得更加多样化。
Uptime 总结说,2025 年将考验数据中心运营商在应对 AI 带来的机遇和不确定性方面的能力。他们需要在此基础上保持现有的服务水平协议,实现可持续发展目标,并满足财务目标。
好文章,需要你的鼓励
高带宽闪存技术承诺提供超大容量,但面临极其复杂的工程挑战。该技术将多层NAND芯片堆叠,每层由数百个3D NAND单元层组成,可创造前所未有的存储容量。相比昂贵的HBM内存,HBF使用更便宜但速度较慢的闪存为GPU提供更多存储空间。技术复杂性体现在互连布线的困难,12层HBF堆叠将包含2866个存储层。由于需要英伟达等GPU厂商深度参与和行业标准制定,预计HBF距离商用还需两年以上时间。
阿里巴巴达摩院联合浙江大学、香港科技大学发布Inferix,这是专为世界模拟打造的下一代推理引擎。它采用块扩散技术,像搭积木般分段生成视频,既保证高质量又支持任意长度,克服了传统方法的局限。配套LV-Bench评测基准包含1000个长视频样本,建立了分钟级视频生成的评估标准,为游戏、教育、娱乐等领域的内容创作带来革命性突破。
戴尔第三季度营收270亿美元,同比增长11%,创历史新高,主要受AI服务器需求爆发式增长推动。AI服务器订单达123亿美元,全年订单总额300亿美元。基础设施解决方案集团营收141亿美元,增长24%,其中服务器和网络业务表现强劲。存储业务营收39.8亿美元,同比下降1%,但全闪存阵列产品实现双位数增长。公司预计第四季度营收315亿美元,全年AI服务器出货量约250亿美元。
Luma AI推出的终端速度匹配(TVM)是一种革命性的图像生成技术,能够在单次计算中生成高质量图像,突破了传统方法需要数十步采样的限制。该技术通过关注生成路径的"终点"而非"起点",实现了从噪声到图像的直接跳跃,在保证数学理论基础的同时大幅提升了生成效率,为实时AI应用开辟了新路径。