InfraPartners und Emerald AI stellen “Flex-Ready-Rechenzentren” vor, um den Stromengpass von KI zu bewältigen

Die schnelle Expansion von künstlicher Intelligenz bringt die Strominfrastruktur an ihre Grenzen. Das Training und Betreiben großer KI-Modelle erfordert massive Rechencluster, die enorme Mengen an Strom verbrauchen, oft schneller, als lokale Stromnetze ausgebaut werden können. Als Reaktion darauf haben InfraPartners und Emerald AI eine Partnerschaft angekündigt, die darauf abzielt, die Art und Weise, wie KI-Rechenzentren mit dem Stromnetz interagieren, grundlegend neu zu überdenken, Details sind im Weißbuch zu finden.

Die Unternehmen stellen eine neue Architektur vor, die als Flex-Ready-Rechenzentren bezeichnet wird, die InfraPartners’ modulare Infrastruktur-Design mit Emerald AI’s Orchestrierungs-Software kombiniert. Das Ziel ist es, Rechenzentren von statischen Stromverbrauchern in dynamische Netzteilnehmer umzuwandeln, die ihre Stromnachfrage in Echtzeit anpassen können.

Anstatt den Energieverbrauch als fest zu betrachten, ermöglicht dieser Ansatz es den Einrichtungen, die Rechenlasten mit den Netzbedingungen, der Verfügbarkeit erneuerbarer Energie und den Strompreisen abzustimmen – was zusätzliche Kapazitäten freischaltet und die Gesamtnetzstabilität verbessert.

Warum KI-Infrastruktur eine Stromkrise verursacht

KI-Arbeitslasten sind unter den am schnellsten wachsenden Quellen des Strombedarfs weltweit. Das Weißbuch, das zusammen mit der Partnerschaft veröffentlicht wurde, hebt hervor, wie Rechenzentren zu einer der am stärksten konzentrierten und am schnellsten wachsenden Lasten auf modernen Stromsystemen geworden sind.

Zugleich ist der Netzausbau im Rückstand. Die Errichtung von Übertragungsleitungen, Arbeitskräftemangel und Lieferengpässe bedeuten, dass neue Einrichtungen auf multi-jährige Wartezeiten für die Sicherung von Netzanbindungen warten müssen. Währenddessen führt der zunehmende Anteil erneuerbarer Energie – insbesondere Wind- und Solarenergie – zu Schwankungen in der Versorgung, was die Echtzeit-Ausgleichung von Erzeugung und Nachfrage komplexer macht.

Diese Dynamik schafft eine strukturelle Fehlanpassung: KI-Infrastruktur benötigt mehr Strom, aber das Netz kann nicht schnell genug ausgebaut werden, um ihn zu liefern.

Das Weißbuch argumentiert, dass die Lösung möglicherweise nicht einfach darin besteht, mehr Netzkapazität zu bauen. Stattdessen schlägt es vor, dass Rechenzentren selbst zu flexiblen Ressourcen werden können, die Stromsysteme stabilisieren, überschüssige erneuerbare Energie aufnehmen oder den Bedarf während Spitzenlasten im Netz reduzieren.

Der Flex-Ready-Rechenzentren-Blauausdruck

Die Zusammenarbeit integriert zwei Kerntechnologien:

• InfraPartners’ Upgradeable Data Center™-Architektur, die dafür ausgelegt ist, aufeinanderfolgende Generationen von KI-Hardware ohne größere Neuentwürfe zu unterstützen.
• Emerald AI’s Emerald Conductor-Plattform, eine Software-Schicht, die Rechenlasten, Einrichtungssysteme und Netzsignale orchestriert.

Zusammen bilden sie, was die Unternehmen als Flex-Ready-Rechenzentren bezeichnen, die von Anfang an dafür ausgelegt sind, an Energiemärkten und Netzmanagement teilzunehmen.

Laut dem Weißbuch ermöglicht diese Integration es Rechenzentren, das Wachstum von KI zu unterstützen, während gleichzeitig die Netzzuverlässigkeit verbessert, Emissionen reduziert und neuer wirtschaftlicher Wert durch Netzprogramme geschaffen wird.

Anstatt Flexibilität später nachzurüsten, integriert die Architektur Energiebewusstsein direkt in die Einrichtungsoperationen von Anfang an.

Die drei Dimensionen der Rechenzentrumsflexibilität

Zentral für das Design ist ein Rahmenwerk, das die Rechenzentrumsflexibilität in drei interagierende Schichten unterteilt: zeitliche, räumliche und Ressourcenflexibilität.

Zeitliche Flexibilität

Zeitliche Flexibilität konzentriert sich auf die Verschiebung des Strombedarfs über die Zeit. Anstatt Rechenlasten kontinuierlich mit voller Intensität zu betreiben, können Rechenaufgaben basierend auf Stromverfügbarkeit, -preisen oder Netzbelastungsgraden geplant werden.

Techniken umfassen:

• das Aufschieben nicht dringender KI-Trainingslasten
• die dynamische Drosselung des IT-Stromverbrauchs
• die Anpassung der Kühlsystemoperation
• die Koordinierung mit vor Ort gespeicherten Energiespeichern

Dieser Ansatz ermöglicht es Rechenzentren, die Last während Spitzenlasten im Netz zu reduzieren, während der Verbrauch erhöht wird, wenn erneuerbare Energieerzeugung reichlich vorhanden ist.

Räumliche Flexibilität

Räumliche Flexibilität erweitert das Konzept über ein einzelnes Rechenzentrum hinaus.

Große KI-Betreiber betreiben oft mehrere Rechenzentren in verschiedenen Regionen. Durch die intelligente Verlagerung von Rechenlasten zwischen Standorten können Betreiber Rechenaufgaben an Orten ausführen, an denen Strom billiger, sauberer oder leichter verfügbar ist.

In der Praxis bedeutet dies, dass KI-Lasten erneuerbare Energieerzeugung folgen oder Regionen meiden können, die von Netzüberlastung betroffen sind.

Ressourcenflexibilität

Die dritte Schicht beinhaltet die Koordinierung aller steuerbaren Infrastrukturen innerhalb eines Rechenzentrums-Campus.

Dies umfasst:

• GPUs und IT-Systeme
• Kühlinfrastruktur
• ununterbrochene Stromversorgung (USV)
• Batteriespeichersysteme
• vor Ort erzeugte Stromerzeugung

Wenn diese Vermögenswerte gemeinsam orchestriert werden, ermöglichen sie es einer Einrichtung, den Stromverbrauch anzupassen, während die Zuverlässigkeit und die Service-Level-Vereinbarungen aufrechterhalten werden.

Emerald Conductor: Orchestrierung von Rechnung, Einrichtungen und Netz

Die Orchestrierungsschicht, die diese Fähigkeiten ermöglicht, ist Emerald AI’s Emerald Conductor-Plattform.

Das System fungiert als hierarchische Steuerplattform, die drei operative Schichten umfasst:

1. IT-Schicht

Auf der Rechenebene integriert Emerald Conductor mit Workload-Planern und System-Telemetrie, um die Rechenintensität anzupassen. Prädiktive Modelle identifizieren Rechenlasten, die ohne Verletzung von Service-Level-Vereinbarungen aufgeschoben oder umgestaltet werden können.

KI-Training, Batch-Verarbeitung und andere nicht-latenzkritische Rechenlasten werden zu Kandidaten für flexible Planung.

2. Einrichtungsschicht

Die Plattform verbindet sich auch mit dem Gebäudemanagementsystem (BMS) des Rechenzentrums, indem sie Telemetriedaten von Kühlinfrastruktur, Stromverteilungsgeräten, USV-Systemen und Batterien aufnimmt.

Dies ermöglicht es der Software, Betriebsparameter dynamisch anzupassen, gespeicherte Energie zu entsenden oder Kühlsysteme zu koordinieren, während Sicherheitsmargen und Redundanzanforderungen respektiert werden.

DC Flex Ready Executive White P…

3. Netz-Schnittstellen-Schicht

Auf der externen Ebene verbindet Emerald Conductor Rechenzentren mit Netzsignalen, einschließlich Nachfrageantwort-Veranstaltungen, Großhandelsstrompreisen und Zuverlässigkeitswarnungen.

Diese Signale werden in koordinierte Aktionen über IT- und Einrichtungsinfrastruktur übersetzt, was die automatisierte Teilnahme an Strommarktprogrammen und Netzstabilisierungsdiensten ermöglicht.

InfraPartners’ Upgradeable Data Center-Architektur

Während Emerald AI die Orchestrierungsschicht bereitstellt, konzentriert sich InfraPartners auf die Art und Weise, wie die physische Infrastruktur entworfen und gebaut wird.

Ihre Upgradeable Data Center™-Architektur soll ein anderes, aber damit verbundenes Problem lösen: die schnelle Evolution von KI-Hardware.

Moderner GPUs und Beschleuniger erfordern oft neue Stromdichten, Kühntechnologien und Infrastrukturlayouts alle paar Jahre. Traditionelle Rechenzentren haben Schwierigkeiten, sich anzupassen, was zu teuren Nachrüstungen oder stillgelegten Kapazitäten führt.

InfraPartners’ Design führt fungible Strom- und Kühlinfrastruktur ein, die in der Lage ist, mehrere Generationen von Hardware ohne größere Neuentwürfe zu unterstützen.

Das Unternehmen setzt auch stark auf fabrikbasierte Konstruktion, wobei etwa 80 % der Einrichtung im Voraus in der Fabrik montiert und getestet werden, bevor sie bereitgestellt wird. Dieses Herstellungsmodell reduziert die Bauzeiten, während es gleichzeitig die Qualitätssicherung und Wiederholbarkeit verbessert.

Einrichtungen können schrittweise skaliert werden, von 5-Megawatt-Einsätzen bis hin zu Gigawatt-Maß-Rechenzentren, was es Betreibern ermöglicht, die Kapazität zu erweitern, während das KI-Bedarf wächst.

Integration von Flexibilität auf der Infrastrukturebene

Die Partnerschaft integriert die beiden Systeme durch tiefe Telemetrie- und Steuerungsintegration.

InfraPartners’ Gebäudemanagementsysteme liefern Echtzeit-Operationsdaten – einschließlich Strom-, Kühlsystem- und Energiesystemmetriken – in Emerald Conductors Optimierungs-Engine ein.

Die Orchestrierungsplattform bestimmt dann, wie Rechenlasten, Infrastruktursysteme und Energievermögenswerte auf Netzbedingungen reagieren sollten.

Da die Infrastruktur mit Flexibilität im Voraus konzipiert ist, kann das System den Betrieb sicher anpassen, ohne die Zuverlässigkeit oder die Betriebszeit zu beeinträchtigen.

Diese Integration ermöglicht es Rechenzentren auch, an Netzprogrammen wie teilzunehmen:

• Nachfrageantwort
• Stromgroßmärkte
• Netz Zuverlässigkeitsdienste

Diese Programme schaffen neue Einnahmequellen, während sie gleichzeitig den Stromversorgungsunternehmen helfen, den Strombedarf zu verwalten.

Ein neues Modell für KI-Infrastruktur

Da KI weiterhin in verschiedenen Branchen expandiert, wird die Verfügbarkeit von Energie zu einem der bestimmenden Faktoren für das Wachstum der Technologie.

Das Flex-Ready-Rechenzentren-Modell legt einen anderen Ansatz für die Skalierung von Recheninfrastruktur nahe. Anstatt Rechenzentren als passive Lasten auf dem Netz zu betrachten, positioniert das Design sie als aktive Teilnehmer im Energie-System, die in der Lage sind, den Rechenbedarf mit der Stromverfügbarkeit zu koordinieren.

Wenn dieses Architekturmodell weit verbreitet wird, könnte es dazu beitragen, die KI-Bereitstellung zu beschleunigen, während es gleichzeitig den Druck auf die elektrische Infrastruktur verringert – eine zunehmend kritische Herausforderung, da KI-Modelle größer und energieintensiver werden.