英伟达近日发布了一套温水冷却系统,声称可大幅降低数据中心的用水量。根据英伟达一位高管在新闻稿中的表述,该系统能够消除数据中心内部"几乎所有的用水需求"。
英伟达首席可持续发展官乔希·帕克近期在接受Axios采访时表示:"数据中心的水资源消耗挑战,在很大程度上已经得到解决。"
然而,这只是用水问题的一部分。只要AI数据中心仍依赖化石燃料运行——而这正是越来越多科技公司的现实选择——节水效果就只能停留在数据中心的围墙之内。
问题的核心在于英伟达衡量数据中心用水的方式。根据其博客文章,该公司本质上是以数据中心本身为边界划定统计范围:墙内的算,墙外的不算。
平心而论,英伟达的系统确实兑现了其在设施层面的承诺——冷却液在封闭回路中循环运行,初次注入后可在设施整个生命周期内持续循环,意味着芯片冷却过程中无需额外补充用水。该公司表示,在气候条件适宜的地区,这可以实现现场用水量100%的削减。
TechCrunch已就此事向英伟达寻求澄清,如收到回复将及时更新。
问题在于,数据中心外部的用水——主要来自发电和芯片制造环节——可能会使一座设施的总用水足迹翻倍乃至增至三倍。这意味着英伟达的解决方案,实际上只覆盖了AI数据中心总用水量的四分之一到三分之一左右。
这套新系统的设计颇具巧思:冷却液以45°C(约113°F)的温度泵入机架。这一温度对人类而言偏高,但对计算机芯片来说并不算热。英伟达表示,冷却液流经服务器后温度升至55°C(约131°F),将大量热量从硬件中带走。
在这一温度下,大多数气候环境中的外部空气即可通过被动散热器将热量散出,无需蒸发式冷却装置,在某些情况下甚至不需要风扇。一座无需风扇或冷水机组的数据中心,不仅用水更少,还将更加高效、安静。
但任何数据中心都无法脱离电力供应独立运行,而许多类型的发电厂本身就是耗水大户。
据美国地质调查局数据,化石燃料发电厂是美国最大的用水主体之一,每天消耗约27亿加仑的水——其中大部分用于蒸发冷却。一项近期研究显示,天然气发电厂每生产一度电需消耗1.17升水,煤电厂则更为耗水,每度电消耗高达2.2升。国际能源署(IEA)的数据显示,化石燃料发电厂目前约提供所有数据中心电力的一半。
水力发电大坝约供应数据中心10%的电力,虽然不以同样直接的方式消耗水资源,但其水库的水面蒸发相当于每度电损失6.8升水。地热能是科技公司开始探索的新能源,其用水量因具体技术路线而差异显著——既可能高于也可能低于上述数字。部分增强型地热初创公司,如Fervo,已承诺主要使用原本无法利用的"退化水"。
相比之下,风能和太阳能发电的耗水量极为微小,每度电分别仅约消耗0.01升和0.03升——这一数字还涵盖了太阳能电池板制造与清洁所需的用水。
尽管可再生能源在新增发电容量中的占比持续增长,但IEA预测,到2030年,天然气和煤炭预计仍将提供满足数据中心需求所需新增电力的逾40%。若这一趋势不发生根本性改变,无论英伟达在数据中心内部做出何种努力,数据中心的整体用水量仍将持续处于高位。
Q&A
Q1:英伟达的温水冷却系统具体是如何工作的?
A:英伟达的温水冷却系统将冷却液以45°C的温度泵入机架,冷却液流经服务器后温度升至55°C,将热量从芯片中带走。冷却液在封闭回路中持续循环,初次注入后无需再补充用水。在气候适宜的地区,外部空气即可通过被动散热器散热,无需蒸发冷却装置或风扇,从而实现数据中心内部用水量的大幅削减乃至归零。
Q2:为什么说英伟达的节水方案只解决了部分问题?
A:英伟达的冷却系统仅针对数据中心内部的用水,但数据中心的总用水足迹还涉及两大外部环节:一是发电——化石燃料电厂每度电消耗1至2升以上的水;二是芯片制造过程中的耗水。这两部分叠加后,可能使数据中心的实际总用水量翻倍甚至增至三倍。因此,英伟达的方案实际上只覆盖了总用水量的约四分之一到三分之一。
Q3:哪种发电方式最节水,对数据中心的水足迹影响最小?
A:风能和太阳能是目前最节水的发电方式,每度电耗水量分别仅约0.01升和0.03升,远低于化石燃料(天然气1.17升/度、煤电2.2升/度)和水电(蒸发损耗约6.8升/度)。若数据中心能全面转向风能和太阳能供电,将大幅压缩其整体水足迹。但IEA预测,到2030年,化石燃料仍将满足新增数据中心电力需求的40%以上。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。