木制数据中心代表了可持续科技基础设施的新兴趋势,挑战了传统的建设方法。通过用木材替代钢材和混凝土,木制数据中心设计为减少碳足迹提供了一条可能更简单的路径,同时保持功能性,尽管需要考虑一些重要的权衡。
关于数据中心可持续性的讨论很大程度上集中在引人注目的——通常也是昂贵的——技术创新上,比如地热能源和浸没式液体冷却。
但这些以这类解决方案为导向的可持续性策略可能是只见树木不见森林。减少数据中心碳足迹的一个更简单、更便宜的方法可能是重新思考数据中心建设的基本原理,选择用木材建造设施。
事实上,一些大型数据中心提供商已经在试验木制数据中心。这种技术有明显的缺点,但很可能最终成为增强数据中心可持续性的一个重要步骤。
什么是木制数据中心?
木制数据中心,顾名思义,就是主要使用木材建造的数据中心。
这种设施之所以引人注目,是因为大多数数据中心都不是用木材建造的。它们通常主要使用钢材和混凝土建造。
相比之下,木制数据中心使用木材而不是钢材作为墙体和地板结构。木板也可以用于服务器机架楼层,取代混凝土。木制外墙板也可以提供结构的外部护板,而不是数据中心传统使用的预制碳基或混凝土面板作为外墙材料。
木制数据中心不仅仅是理论上的。Vertiv在2023年推出了模块化木制数据中心,微软在2024年底开始宣传部分使用木材建造数据中心的努力。瑞典的EcoDataCenter也一直在使用木材作为其数据中心的建筑材料。
木制数据中心的优势
木制数据中心提供两个主要优势。首先是减少碳足迹。与钢材和混凝土相比,木材在采伐、加工、运输和安装过程中需要更少的能源。木材也会自然分解,因此在退役期间分解和处置木制数据中心需要更少的能源。这些因素使木材在"绿色"数据中心建筑材料清单中排名靠前。
木材在数据中心建设中的另一个主要优势是相对便宜。尽管要达到钢材和混凝土能够提供的相同结构完整性水平需要更多的木材,但在建造数据中心时采购大量木材通常仍然更便宜。
综合这些因素,木材对于寻求在不必投资更昂贵技术(如替代能源或专业冷却技术)的情况下改善可持续性的数据中心运营商来说是一个有吸引力的解决方案。
数据中心木结构建设的缺点
另一方面,木材作为数据中心建筑材料有一些明显的缺点:
耐久性较低:木材比钢材和混凝土更容易受到火灾损害和结构故障的影响。木材也可能因湿气渗透或害虫造成的腐烂而随时间受损。
容量限制:由于木材不如钢材和混凝土坚固,木制数据中心可能无法在每平方英尺内容纳那么多服务器。
特殊设计要求:要用木材建造像数据中心这样的大型结构,通常需要专门的设计。你不能简单地像建房子那样使用2x4立柱来框架数据中心。这可能使木制数据中心的设计更加昂贵和复杂。
专业材料:出于类似原因,木制数据中心通常需要特殊类型的木材——比如比标准木材更坚固或更防火的工程木材。这是另一个可能增加木制数据中心成本的因素。
木制数据中心设计的未来
虽然木制数据中心相对于其成本提供了明显的可持续性优势,但木制数据中心的耐久性和容量限制使得很难想象数据中心设计师会在可预见的未来大规模转向基于木材的结构。
然而,该行业很可能会在两个关键情境中看到木制数据中心的更多使用:
用于建造小规模或模块化数据中心。对于较小的设施,容量限制通常不是那么大的挑战。此外,对于较小的数据中心,提供极高的可靠性通常不如位置灵活性和可负担性那么重要——这些因素木材可以很好地支持。
作为混合建设数据中心的建筑材料。完全用木材建造大型数据中心具有挑战性,但木材可以与钢材和混凝土一起使用,作为平衡可持续性与耐久性的混合方法的一部分。例如,在钢梁上建造的木制地板比由木搁栅支撑的地板提供更高的承重能力,但没有混凝土地板带来的碳足迹。
可以肯定的是,木材只是数据中心行业可用来帮助改善可持续性的众多工具之一。能源利用效率、水效率、清洁能源采购等方面的创新仍然是可持续性战略的其他关键要素。但展望未来,预计会听到越来越多关于木材作为数据中心建设基础的讨论。
好文章,需要你的鼓励
阿里团队开发的FantasyPortrait系统突破了传统人像动画的局限,通过隐式表情表示和掩码交叉注意力机制,实现了高质量的单人和多人肖像动画生成,特别在跨身份表情迁移方面表现出色,为视频制作和虚拟交流等领域带来新的技术可能性。
复旦大学研究团队开发的AnyI2V系统实现了从任意条件图像到视频的生成突破。该系统无需训练即可处理多种输入模态(包括3D网格、点云等),支持用户自定义运动轨迹控制,并通过创新的特征注入和语义掩模技术实现了高质量视频生成,为视频创作领域带来了革命性的便利工具。
Akamai坚持“简而未减、网络先行、拥抱开源”的独特定位。凭借“鱼与熊掌兼得”的特色,过去几年,Akamai在电商、流媒体、广告科技、SaaS、金融科技等行业客户中获得了广泛认可。
斯坦福大学研究团队开发了KL-tracing方法,能让视频生成AI模型在无需专门训练的情况下进行精确物体追踪。该方法通过在视频帧中添加微小追踪标记,利用模型的物理理解能力预测物体运动轨迹。在真实场景测试中,相比传统方法性能提升16.6%,展现了大型生成模型在计算机视觉任务中的潜力。