到2035年,数据中心的电力需求预计将翻一番以上,可能达到440太瓦时。这相当于在美国电网中增加整个加利福尼亚州的电力需求。
这种增长很大程度上可归因于AI的广泛应用。预计到2030年,AI工作负载将占数据中心需求的50%到70%。随着AI工作负载的增加,数据中心运营商面临着一个挑战:在电力基础设施容量限制内,同时优化冷却和IT设备的能源分配。
多年来,我一直帮助HVAC制造商为关键任务数据中心设计高效的风扇和泵。在电网容量受限的情况下满足AI革命的需求,需要重新思考最大的隐性能源消耗者之一:电机。
电机在数据中心中发挥着重要作用,为服务器和冷却设备提供动力。本文将重点关注为冷却设备提供动力的电机。先进的冷却电机技术有潜力在减少数据中心能耗的同时,为新的AI工作负载释放更多IT容量,从而积极影响盈利能力。
传统电机的问题
在大型设施中,数十万台电机驱动关键的空气处理和冷却系统。对这些电机的需求正在增加,但大多数传统电机都浪费能源。
机械系统(如冷却)通常消耗数据中心约三分之一的能源预算。目前冷却设备中使用的大多数电机都是标准尺寸,其功率和电流消耗规格超过了应用的实际需求。为冷却分配超过必要的功率容量会减少可用于创收工作负载的容量。
此外,数据中心冷却系统很少在满负荷下运行,而是在30%-50%的容量之间运行。传统的交流感应电机和许多传统的EC(电子整流)电机在部分负荷和较低速度下会出现效率急剧下降。
这些因素提高了数据中心的运营成本,影响了冷却系统的性能和可靠性,并导致不必要的电力基础设施成本。如果没有足够的电力来承担新的AI工作负载,它们也可能阻碍增长。
考虑到电机在数据中心冷却设备中的重要作用,电机效率正成为一个紧迫的优先事项。在为功率优化设计数据中心和选择高效电机时,有几个重要的考虑因素。
寻找平坦的效率曲线
所有电机都有一个效率曲线,描述它们在各种负载和速度下的性能。在较低速度和负载点保持高效率的先进电机对于优化能源使用至关重要。能够在广泛的工作点范围内保持高效率的电机被认为具有平坦的效率曲线。
具有平坦效率曲线的电机在整个工作范围内保持一致的性能,提高泵系统的线到水效率和风扇系统的线到空气效率。这种能力使数据中心能够在各种工作负载和速度下优化冷却效率。
冷却系统的合理尺寸电机
数据中心受益于使用合理尺寸电机的冷却系统。合理尺寸的电机完全符合应用的要求,需要较少的安培数进行操作,这些容量可以重新分配给IT服务器端业务。
在设计阶段,数据中心运营商可以使用为精确的功率、转速、电压和其他运行需求而构建的合理尺寸电机来定制他们的冷却系统。他们还可以比较不同尺寸的电机,以确定冷却系统的节能效果。
由于合理尺寸减少了电机的输入电流(安培数),它还转化为改善的PUE并减少了电力基础设施需求,如布线、断路器和变压器。这可以在安装阶段带来显著的节省,但更重要的是,它为创收应用释放了电力容量。
重新分配IT容量的功率
分配给冷却负载的功率取决于冷却服务器房间所需的流量和压力,以及电机和驱动器的连接功率。连接功率由每个风扇、泵和VFD铭牌上列出的功率定义。
由于合理尺寸的电机需要较少的连接功率要求,它们允许运营商避免向冷却过度分配功率,并将更多的输入功率引导到驱动AI工作负载的创收服务器。
使用合理尺寸的电机,盐湖城的一个大型数据中心能够将冷却系统的功率分配减少近4兆瓦,据估计这允许为额外的13,500台AI服务器重新分配功率,每年可产生额外的900万美元收入。
使用合理尺寸电机设计数据中心需要远见,但它可以释放显著的长期收入潜力。
随着AI革命的兴起,数据中心运营商有机会重新思考每瓦特的使用方式。利用高效、合理尺寸电机的冷却设备的数据中心将有良好的定位来削减功率浪费,释放电力容量,并扩展IT基础设施以承载更多AI工作负载,最终实现更好的盈利能力。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。