Skutečná úzká místa umělé inteligence: Energie, chlazení a fyzika měřítka

Umělá inteligence pokročila v posledních deseti letech nevídaným tempem. Rychlejší GPU, větší klastry a revoluční architektury odemkly průlomy, které dříve seemed nemožné. Ale zatímco průmysl tlačí směrem k modelům s triliony parametrů a hyperscale AI továrnám, další bariéra nemá nic společného s algoritmy. Skutečnou úzkou místem dneška je fyzika: energie, chlazení a infrastruktura potřebná k udržení výpočtu na planetární úrovni.

Otázka již není, kolik čipů můžete vyrábět, ale zda můžete dodat gigawatty, vodu a přenosové linky potřebné k jejich provozu. Infrastruktura, ne křemík, je to, co bude určovat tempo umělé inteligence v příštích letech.

Gigawatty nad gigaflopy

Projekt OpenAI “Stargate”, který je budován s Oracle (ORCL ) a SoftBank, cílí na téměř 7 gigawattů kapacity napříč americkými kampusy — což je srovnatelné s více jadernými reaktory. Při této úrovni není hlavní výzvou výroba GPU, ale zajištění elektráren a transformačních stanic pro jejich provoz.

Poptávka Microsoftu je stejně ohromující. Jeho AI pracovní zátěže se očekávají, že vyžadují tolik elektřiny jako celý region Nové Anglie do roku 2030. To vysvětluje, proč společnost investovala desítky miliard do obnovitelných projektů a také prosazuje experimentální možnosti, jako je jaderná fúze a pokročilé jaderné reaktory.

Dynamika se promítá do energetické politiky. V PJM Interconnection, regionální organizaci, která spravuje síť pro více než 65 milionů lidí ve 13 státech a Washingtonu, D.C., se utilities zabývají mechanismy pro omezení datových center během špičkového provozu. Velké technologické firmy lobují proti takovým omezením, ale skutečnost, že regulátoři je zvažují, ukazuje, jak centrální je umělá inteligence pro plánování sítě.

Výzva chlazení

Dodání elektřiny je pouze polovina problému. Jakmile se elektřina dostane k regálům, další výzvou je teplo. Každý vysokovýkonný GPU spotřebuje kolem 700 wattů a s regály hostujícími stovky GPU dosahují hustoty 100 až 600 kilowattů na regál. Vzduchové chlazení, které je průmyslovým standardem po desetiletí, se stává nepracovitelným za hranicí zhruba 40 kilowattů na regál kvůli neefektivitě proudění vzduchu a recirkulaci.

Kapalné chlazení se proto stalo mainstreamem. Nejnovější kapalně chlazené platformy Blackwell od NVIDIA (NVDA ) jsou navrženy pro hyperscale AI klastry a poskytují 25× lepší energetickou efektivitu a 300× lepší vodní efektivitu než vzduchově chlazené regály. Společnost také spolupracuje s Vertiv na referenční architektuře, která může zpracovat více než 130 kilowattů na regál, což umožňuje husté nasazení GPU.

Startupy také inovují. Corintis, švýcarská společnost, která vkládá mikrokanály přímo do substrátů čipů, nedávno získala 24 milionů dolarů na financování a již má mezi svými zákazníky Microsoft (MSFT ). Výzkumný tým Microsoftu také prokázal mikrofluidní kanály vyřezávané do obalu čipů, což snižuje maximální teploty GPU o až 65 procent a zvyšuje efektivitu oproti tradičním chladicím deskám až trojnásobně. Tyto technologie umožňují udržovat GPU v chodu na plný výkon bez roztavení datového centra.

Voda jako strategická proměnná

Kapalné chlazení zavedlo další proměnnou: spotřebu vody. Odpařovací a chlazené vodní systémy mohou vyžadovat enormní objemy, když se měří na kampusy stovek megawattů. V Phoenixu mohou klastry datových center vyžadovat stovky milionů galonů vody denně, což vyvolává obavy v suchých regionech.

To vedlo k vývoji systémů chlazení bez vody a uzavřených smyček. IEEE Spectrum dokumentoval strategie, jako jsou uzavřené dielektrické lázně, suché chladiče a chladiče bez vody, které snižují spotřebu pitné vody téměř na nulu. Mezitím někteří operátoři experimentují s opětovným využíváním odpadního tepla. Projekty, jako je Aquasar a iDataCool, ukázaly, jak horkovodní chladicí smyčky mohou napájet systémy vytápění budov nebo absorpční chladiče, recykluje se tak většina energie, která by jinak byla ztracena.

Kompromis je často mezi vodou a elektřinou: uzavřené nebo suché systémy spotřebují více energie, zatímco odpařovací návrhy šetří energii, ale silně závisí na vodě. V regionech s nedostatkem vody se politika stále více zaměřuje na ochranu vody, i když to znamená vyšší spotřebu energie.

Infrastruktura a síť

I když jsou k dispozici řešení pro energii a chlazení, konečnou úzkou místem je infrastruktura. Rozhodnutí o umístění nyní určují vítěze a poražené v AI závodě.

Microsoftova 80miliardová kampus Fairwater ve Wisconsinu ilustruje, jak se strategické umístění stalo. Areál zahrnuje 315 akrů, je domovem stovek tisíc GPU a byl vybrán pro přístup k transformačním stanicím, optickým linkám a podzemní vodě. Design také zdůrazňuje uzavřené chlazení, aby se minimalizoval dopad na vodu.

Aby podpořila rostoucí poptávku, Microsoft podepsal smlouvu s Brookfieldem na přidání 10,5 gigawattů obnovitelné kapacity do roku 2030. Současně podpořil experimentální projekty, jako je jaderná fúze od Helion Energy, která má být dokončena do roku 2028, a 20letou dohodu o restartu jaderné elektrárny Three Mile Island v Pensylvánii.

Amazon (AMZN ) a Google (GOOGL ) činí podobné kroky, zajišťují místa vedle jaderných elektráren a vyvíjejí své vlastní portfolio čisté energie. V Irsku, kde datová centra již spotřebují více energie než všechny domácnosti dohromady, regulátoři zmrazili nové schválení až do roku 2028, což ukazuje, jak politika a schvalování mohou zhatit i ty nejlepším financovaným projektům.

Chytrější provoz: AI řídí AI

Zajímavě, umělá inteligence sama je používána k řízení infrastrukturní zátěže. Učení s posílením bylo nasazeno v produkčních datových centrech pro optimalizaci chladicích systémů, což vedlo k 14 až 21 procentům úspor energie bez ohrožení bezpečnosti. Digitální dvojčata a prediktivní modelování jsou také používána k předvídání horkých míst, předchlazení zařízení a přesunu pracovních zátěží do chladnějších hodin nebo období přebytku obnovitelné energie.

Google již prokázal, jak strojové učení může snížit potřeby chlazení datových center o 40 procent, a další operátoři přijímají podobné systémy. Jak se zvyšují náklady na energii a chlazení, tyto provozní úspory se stávají nezbytnou konkurenční výhodou.

Strategická perspektiva

Trajektoria je jasná. Poptávka po AI se očekává, že zdvojnásobí celosvětovou spotřebu elektřiny v datových centrech do roku 2030, přičemž pracovní zátěže AI budou představovat podíl několika procent z celkové globální spotřeby energie do roku 2050. Zatímco NVIDIA a další výrobci čipů pokračují v posouvání hranic výkonu křemíku, praktická hranice AI bude určena tím, jak rychle mohou utility postavit novou generaci, přenos a chladicí infrastrukturu.

Pro společnosti, které staví AI produkty, to znamená, že jejich plány jsou stále více vázané na existující kapacitu. Pro investory mohou být nejvýnosnější hrají utility, vývojáři přenosové infrastruktury a startupy chlazení, spíše než pouze dodavatelé GPU. A pro politiky se debata o AI posouvá od otázek etiky a správy dat k otázkám megawattů, vody a modernizace sítě.

Budoucnost AI nebude určena pouze ve výzkumných laboratořích a továrnách na čipy, ale na transformačních stanicích, chladicích smyčkách a elektrárnách. Fyzika měřítka — ne pouze matematika algoritmů — je to, co bude určovat rychlost a rozsah umělé inteligence v příštích deseti letech.