Τα Κέντρα Δεδομένων AI Χρειάζονται Περισσότερο Από Απλή Ψύξη: Χρειάζονται Ταχύτερη Μηχανική

Η τεχνητή νοημοσύνη μεταμορφώνει την ψηφιακή εργασία, αλλά η επίδρασή της γίνεται ολοένα και πιο φυσική. Η τεχνητή νοημοσύνη σε μεγάλη κλίμακα απαιτεί πολύ περισσότερη ενέργεια από ποτέ πριν. Και τα κέντρα δεδομένων που στεγάζουν τους διακομιστές AI αγωνίζονται να跟ere την ζήτηση. Στην πραγματικότητα, μια έκθεση από το Deloitte εκτιμά ότι μέχρι το 2035, η ζήτηση ενέργειας από τα κέντρα δεδομένων AI στις Ηνωμένες Πολιτείες μόνο θα αυξηθεί περισσότερο από τριάντα φορές.

Ωστόσο, το ζήτημα δεν είναι απλώς ένα ζήτημα κατανάλωσης ενέργειας. Τα κέντρα δεδομένων που στεγάζουν τους διακομιστές AI πρέπει να λάβουν υπόψη το επίπεδο θερμότητας που δημιουργεί η τεχνολογία. Οι σύγχρονοι кластерες GPU μπορούν να φτάσουν 50 kW ανά ράφι και πέρα. Αυτό είναι một αύξηση δέκα φορές μεγαλύτερη από τους τυπικούς διακομιστές υπολογιστών της τελευταίας δεκαετίας.

Τα συστήματα ψύξης που έχουν εγκατασταθεί για τα κέντρα δεδομένων για να διαχειριστούν επαρκώς τις εργασίες IT είναι σε πτώση από τις νέες εξόδους θερμότητας. Η υποδομή απλά δεν μπορεί να跟ere, αφήνοντας τους μηχανικούς που είναι υπεύθυνοι για το σχεδιασμό των συστημάτων ψύξης των κέντρων δεδομένων με μια νέα πρόκληση. Οι μηχανικοί που είναι υπεύθυνοι για το σχεδιασμό της υποδομής AI βρίσκονται ολοένα και περισσότερο ότι οι παραδοσιακές ροές εργασίας μηχανικής δεν possono跟ere το μέγεθος και την ταχύτητα της εγκατάστασης AI.

Πιθανότατα παραδόξως, η τεχνητή νοημοσύνη αυξάνει την ζήτηση για χωρητικότητα κέντρων δεδομένων και μεταμορφώνει τη διαδικασία μηχανικής που χρησιμοποιείται για την κατασκευή αυτής της χωρητικότητας. Οι ίδιες προόδους στην τεχνητή νοημοσύνη που οδηγούν σε απαράδεκτες απαιτήσεις υποδομής είναι επίσης αρχίζουν να επιταχύνουν τον τρόπο με τον οποίο οι μηχανικοί μοντελοποιούν, επικυρώνουν και βελτιώνουν τα φυσικά συστήματα που υποστηρίζουν αυτές τις εργασίες.

Στην πραγματικότητα, η τεχνητή νοημοσύνη γίνεται μέρος της διαδικασίας που χρησιμοποιείται για το σχεδιασμό της υποδομής που τρέχει την τεχνητή νοημοσύνη.

Σε αυτό το φως, πολλές ομάδες μηχανικής υιοθετούν cloud-γενικές, AI-ταχυποιημένες ροές εργασίας που επιτρέπουν να αξιολογήσουν την θερμική απόδοση, τις στρατηγικές ψύξης και τις εναλλακτικές λύσεις υποδομής πριν από την κατασκευή.

Όταν πρόκειται για την υποδομή των κέντρων δεδομένων σήμερα, τα στοιχήματα σημαίνουν ότι οποιοδήποτε λάθος μπορεί να είναι καταστροφικό. Η απόδειξη της απόδοσης πριν από την κατασκευή έχει γίνει η προτεραιότητα για την μακροπρόθεσμη επιτυχία, όχι η εξάρτηση από υποθέσεις, κανόνες, ή την επικύρωση σε μεταγενέστερο στάδιο.

Παραδοσιακή Υποδομή Ψύξης Υπό Τάση

Δυστυχώς για τις ομάδες μηχανικής, οι εργασίες AI είναι θεμελιωδώς διαφορετικές από τις παραδοσιακές cloud-βασισμένες υπολογιστικές εργασίες. Δεν υπάρχει εναλλαγή με την τεχνητή νοημοσύνη, οι απαιτήσεις δικτύου, η έξοδος θερμότητας και οι απαιτήσεις ενέργειας είναι σταθερές.

Αυτή η αλλαγή, εν μέρει, εκθέτει μια βασική ανεπάρκεια πολλών κέντρων δεδομένων. Πολλά χτίστηκαν με την υπόθεση ότι μια τέτοια διαρκής ζήτηση δεν θα χρειαζόταν. Και επειδή αυτά τα συστήματα ψύξης είναι συχνά πολύ ενεργοβόρα, γίνεται γρήγορα αδιανόητο να «υπερψύξουν» και να υποθέσουν ότι θα καλύψουν τις ανάγκες του κέντρου δεδομένων. Αυτή η προσέγγιση και η προτεραιότητα της διαθεσιμότητας θα οδηγήσουν τα κόστη και την κατανάλωση ενέργειας να αυξηθούν γρήγορα εκτός ελέγχου.

Στο τέλος της ημέρας, το σταυροδρόμι στο οποίο βρίσκονται πολλά κέντρα δεδομένων δεν είναι ένα ζήτημα «περισσότερης θερμότητας». Ο καθοριστικός κίνδυνος που φέρνει η αύξηση της τεχνητής νοημοσύνης είναι ένα πολύ στενότερο περιθώριο για λάθος.

Για τους dévelopτερς κέντρων δεδομένων, κάθε καθυστέρηση στη διαδικασία επικύρωσης μπορεί να επηρεάσει τις δεσμεύσεις πελατών, την προγραμματισμένη χωρητικότητα ή τα έξοδα ενέργειας.

Ιστορικά, οι ομάδες μηχανικής μπορούσαν να компενσάρουν την αβεβαιότητα μέσω της υπερπροσφοράς, των συντηρητικών υποθέσεων σχεδιασμού και της επικύρωσης σε μεταγενέστερο στάδιο. Η υποδομή AI αλλάζει αυτή την εξίσωση. Ο ρυθμός της εγκατάστασης, η απαιτούμενη επένδυση κεφαλαίου και η αυξανόμενη πυκνότητα ραφιών αφήνουν πολύ λιγότερο χώρο για την μηχανική δοκιμής και λάθους. Οι αποφάσεις που θα μπορούσαν να επικυρωθούν αργότερα τώρα πρέπει να αποδειχθούν πολύ νωρίτερα στη διαδικασία σχεδιασμού.

Η Νέα Πραγματικότητα: Απόδειξη Θερμικής Απόδοσης Πριν Από Την Έναρξη Κατασκευής

Με το περιθώριο λάθους να στενεύει, οι ομάδες μηχανικής μεταφέρουν την ανάλυση θερμότητας νωρίτερα στη διαδικασία σχεδιασμού, ενώ οι αλλαγές είναι ακόμη φθηνές και το σχέδιο είναι ακόμη ευέλικτο. Αντί να περιμένουν μέχρι την επικύρωση για να ανακαλύψουν εάν τα μοτίβα ροής αέρα, οι διατάξεις ραφιών, οι στρατηγικές περιέγχυσης ή η τοποθέτηση του εξοπλισμού ψύξης είναι επαρκείς, μπορούν να μοντελοποιήσουν τη ροή αέρα και τη μεταφορά θερμότητας πριν από την έναρξη της κατασκευής.

Αυτό τους επιτρέπει να ανακαλύψουν τα ζεστά σημεία, να δοκιμάσουν στρατηγικές ψύξης και να συγκρίνουν τις επιλογές σχεδιασμού υπό πραγματικές συνθήκες λειτουργίας. Μια ομάδα μπορεί να αξιολογήσει εάν ο ψυχρός αέρας φτάνει στα πυκνά ράφια, εάν ο ζεστός εξαερισμός ανακυκλώνεται στις εισόδους του εξοπλισμού και εάν η χωρητικότητα ψύξης χρησιμοποιείται αποτελεσματικά.

Αυτή είναι η στιγμή που η αρχιτεκτονική της πλατφόρμας έχει σημασία. Για τις ομάδες που εργάζονται υπό έντονη πίεση, η模拟 δεν μπορεί να παραμείνει περιορισμένη σε μια μικρή ομάδα ειδικών με πρόσβαση σε αφιερωμένες πόρους HPC. Η χρήση μιας cloud-γενικής πλατφόρμας模拟 καθιστά την υψηλής πιστότητας ανάλυση προσιτή σε ολόκληρες ομάδες μηχανικής, όχι μόνο σε μια μικρή ομάδα ατόμων. Αυτό τους επιτρέπει να τρέχουν μελέτες, να συγκρίνουν επιλογές σχεδιασμού και να συνεργάζονται χωρίς να χτίζουν ή να διατηρούν τη δική τους υποδομή υπολογιστών.

Με την τεχνητή νοημοσύνη να ενσωματώνεται σε αυτή τη ροή εργασίας, ο ρόλος της模拟 αρχίζει να αλλάζει. Ιστορικά, η模拟 έχει περιοριστεί από την εμπειρία, τον χρόνο και τους υπολογιστικούς πόρους. Η εκτέλεση μελετών υψηλής πιστότητας συχνά απαιτούσε ειδική γνώση, αφιερωμένα υλικά και μακρές κυκλικές διαδικασίες.

Η τεχνητή νοημοσύνη, χρησιμοποιώντας近自治-agents που αυτοματοποιούν και επιταχύνουν τις ροές εργασίας μηχανικής, μοντελοποίησης, και ανάλυσης, βοηθά να μειώσει αυτά τα εμπόδια επιταχύνοντας τη ρύθμιση του μοντέλου, επιφανειακή σχετικές εντυπώσεις, και ενεργοποιώντας τις ομάδες να αξιολογήσουν περισσότερες επιλογές σχεδιασμού σε λιγότερο χρόνο. Αντί να κρατούν την模拟 για ένα τελικό βήμα επικύρωσης, οι ομάδες μηχανικής μπορούν να χρησιμοποιήσουν τις ταχυποιημένες ροές εργασίας για να εξερευνήσουν εναλλακτικές λύσεις συνεχώς καθ’ όλη τη διάρκεια της διαδικασίας σχεδιασμού.

Το αποτέλεσμα δεν είναι απλώς ταχύτερη模拟. Είναι ταχύτερη καινοτομία.

Έτσι, τι σημαίνει αυτό στην πραγματικότητα για τις ομάδες μηχανικής; Συμβουλευτείτε μια εταιρεία που κατασκευάζει συστήματα ψύξης και αερισμού για μεγάλες εγκαταστάσεις που χρειάζονταν ένα ταχύτερο τρόπο για να δοκιμάσουν νέες σχεδιασμούς εξοπλισμού. Συνήθως, αυτές οι εταιρείες πρέπει να χτίσουν φυσικά προτότυπα, να φέρουν εξωτερικούς ειδικούς και να ξοδεύουν αρκετές εβδομάδες για να ελέγξουν εάν ο αέρας κινούταν και αναμιγνυόταν σωστά στο σύστημα.

Αλλά όταν αυτή η εταιρεία αποφασίσει να χρησιμοποιήσει λογισμικό模拟 για να δημιουργήσει μια εικονική εκδοχή του συνόλου δοκιμής, η εξίσωση αλλάζει. Αυτή η προσέγγιση επιτρέπει στους μηχανικούς να δοκιμάσουν την απόδοση αέρα και θερμοκρασίας σε υπολογιστή πριν από την κατασκευή του πραγματικού προϊόντος.

Και τα αποτελέσματα συχνά φέρνουν πραγματική επίδραση. Η φάση προ-δοκιμής μπορεί να μειωθεί σε τόσο σύντομο χρόνο όσο 2-3 εβδομάδες και ο χρόνος μηχανικής μπορεί να μειωθεί σε 40 ώρες αντί 85 σε πιο παραδοσιακές ροές εργασίας.

Αλλά η αξία εδώ είναι πολύ μεγαλύτερη από το να σώζει χρόνο. Η πραγματική αξία βρίσκεται στην ικανότητα της ομάδας μηχανικής να κάνει περισσότερες ερωτήσεις και να εξερευνήσει τις δυνατότητες νωρίτερα. Τι συμβαίνει εάν η πυκνότητα ραφιών αυξηθεί; Τι συμβαίνει εάν οι διαδρομές αέρα αλλάξουν; Τι συμβαίνει εάν οι υποθέσεις αναduplikότητας αποτύχουν;

Η ενεργοποίηση ενός υψηλότερου επιπέδου εξερεύνησης όπως αυτό είναι αυτό που ανεβάζει την模拟 από ένα αναλυτικό εργαλείο σε einen κρίσιμο компонента της στρατηγικής σχεδιασμού υποδομής.

Η Υποδομή AI Απαιτεί Ταχυποιημένη Μηχανική

Η επόμενη φάση της υποδομής AI δεν θα οριστεί μόνο από το μέγεθος εγκαταστάσεων, την πυκνότητα ραφιών ή την χωρητικότητα ψύξης. Θα οριστεί επίσης από το πόσο γρήγορα οι ομάδες μηχανικής μπορούν να αποδείξουν ότι αυτά τα συστήματα θα δουλέψουν πριν από την κατασκευή τους.

Αυτή είναι η στιγμή που η επόμενη ανταγωνιστική πλεονεκτική θέση της βιομηχανίας θα出现. Οι dévelopτερς κέντρων δεδομένων που φέρνουν την模拟 νωρίτερα στη διαδικασία σχεδιασμού, την κάνουν προσιτή σε ολόκληρες ομάδες μηχανικής και την ζευγαρώνουν με ταχυποιημένες ροές εργασίας θα είναι καλύτερα τοποθετημένοι για να λάβουν σίγουρες αποφάσεις πριν από την επένδυση κεφαλαίου και την έναρξη κατασκευής.

Όσο η τεχνητή νοημοσύνη συνεχίζει να μεταμορφώνει τις φυσικές απαιτήσεις που τοποθετούνται στα κέντρα δεδομένων, θα μεταμορφώνει επίσης τον τρόπο με τον οποίο αυτά τα κέντρα σχεδιάζονται. Οι οργανισμοί που θα οδηγήσουν αυτή την επόμενη εποχή δεν θα αντιδράσουν απλώς σε υψηλότερες θερμικές φορτίσεις ή στενότερες ενεργειακές περιορισμούς. Θα χτίσουν διαδικασίες σχεδιασμού που θα μπορέσουν να προβλέψουν.