Tekoälykeskukset tarvitsevat enemmän kuin vain lisää jäähdytystä: niiden tarvitsee nopeampi insinööritieteellinen suunnittelu

Teckoäly muuttaa digitaalista työtä, mutta sen vaikutus on yhä enemmän fyysinen. Massiivinen tekoäly vaatii paljon enemmän tehokkuutta kuin koskaan aiemmin. Ja datakeskukset, jotka sisältävät nämä tekoälypalvelimet, kamppailevat pysymään käynnissä vaatimusten kanssa. Tosiasiallisesti, Deloitten raportin mukaan vuoteen 2035 mennessä Yhdysvalloissa tekoälydatakeskusten tehokkuusvaatimus voi kasvaa yli 30-kertaisesti.

Kuitenkin ongelma ei ole vain tehokkuuden käytön asia. Datakeskuksissa, jotka sisältävät nämä tekoälypalvelimet, on otettava huomioon tekniikan aiheuttama lämpö. Nykyaikaiset GPU-klusterit voivat saavuttaa jopa 50 kW/hyllyyksikköä, mikä on kymmenkertainen kasvu verrattuna viime vuosikymmenen lopun tietokoneservereihin.

Jäähdytysjärjestelmät, jotka ovat pitkään olleet käytössä datakeskuksissa, eivät pysty enää hallitsemaan uusia lämpöarvoja. Infrastruktuuri ei pysty seuraamaan, jättäen datakeskuksien jäähdytysjärjestelmien suunnittelijoille uuden haasteen. Tekoälyvalmiiden infrastruktuurien suunnittelijoita haastavat perinteiset insinööritieteelliset työnkulut, jotka eivät pysty seuraamaan tekoälyn käyttöönottovauhtia.

Ehkä paradoksaalisesti, tekoäly lisää datakeskuksien kapasiteetin vaatimusta ja muuttaa myös insinööritieteellistä prosessia, jota käytetään kapasiteetin rakentamiseen. Samat tekoälyn edistysaskeleet, jotka ajavat ennennäkemättömiä infrastruktuurivaatimuksia, ovat myös kiihdyttämässä fysikaalisten järjestelmien suunnittelua, joita käytetään työkuormien tukemiseen.

Teckoälystä tulee osa prosessia, jota käytetään infrastruktuurin suunnittelussa, joka ajaa tekoälyä.

Tästä syystä monet insinööritiimit omaksuvat pilvipohjaisia, tekoälykiihdytettyjä simulaatiotyönkuluja, jotka mahdollistavat lämpösuorituskyvyn, jäähdytysstrategioiden ja infrastruktuurin vaihtoehtojen arvioinnin ennen rakennustöiden aloittamista.

Nykyisten datakeskuksien infrastruktuurin osalta panokset ovat korkeat, ja mikä tahansa virhe voi olla tuhoisa. Suorituskyvyn osoittaminen ennen rakentamista on muodostunut pitkän aikavälin menestyksen takeeksi, ei vain oletusten, sääntöjen tai myöhäisen validoinnin varaan.

Perinteinen jäähdytysinfrastruktuuri jännityksessä

Valitettavasti insinööritiimille tekoälytyökuormat ovat perinteisistä pilvipohjaisista laskentatyökuormista poikkeavia. Tekoälyssä ei ole matalaa ja korkeaa vuorokaudenaikaa, verkkovaatimukset, lämpöarvot ja tehokkuusvaatimukset ovat jatkuvia.

Tämä muutos paljastaa monien datakeskuksien avainongelman. Monet datakeskukset on rakennettu oletuksella, että tällaista jatkuvaista kysyntää ei tarvitsisi. Ja koska nämä jäähdytysjärjestelmät ovat usein erittäin energiankuluttavia itsessään, on nopeasti muodostumassa mahdottomaksi “ylijäähdyttää” ja olettaa, että se kattaa datakeskuksen tarpeet. Tämän lähestymistavan ja käytön priorisoinnin seurauksena kustannukset ja energiankäyttö kasvavat nopeasti häiriintyneiksi.

Päivän lopussa datakeskuksien risteyksessä ei ole kyse “enemmän lämpöä”. Tekoälyn kasvun mukana tuleva määräysvirheen riski on paljon tiukempi.

Datakeskuksien kehittäjille jokainen viive validointiprosessissa voi vaikuttaa asiakas sitoumuksiin, kapasiteetin suunnitteluun tai energiankustannuksiin.

Historiallisesti insinööritiimit voivat kompensoida epävarmuutta ylijärjestelyllä, konservatiivisilla suunnitteluoletuksilla ja myöhäisellä validoinnilla. Tekoälyinfrastruktuuri muuttaa tämän yhtälön. Rakennusvaiheen vauhti, vaadittu pääomainvestointi ja kasvava hyllytiheys jättävät vähemmän tilaa koekäytölle perustuvalle insinööritieteelle. Päätökset, jotka voitiin validoida myöhemmin, on nyt osoitettava paljon aikaisemmin suunnitteluprosessissa.

Uusi todellisuus: Lämpösuorituskyvyn osoittaminen ennen maanrakennusta

Virhemarginaalin pienetessä insinööritiimit siirtävät lämpöanalyysiä aikaisemmaksi suunnitteluprosessiin, kun muutokset ovat edelleen halpoja ja suunnittelu on edelleen joustava. Sen sijaan, että odottaisivat komissiota, jotta voivat havaita, ovatko ilmanvirtaustavat, hyllyjärjestelyt, eristysstrategiat tai jäähdytyslaitteiden sijoittelu riittäviä, he voivat mallintaa ilmanvirtausta ja lämmön siirtymistä ennen rakennustöiden aloittamista.

Tämä mahdollistaa insinööreille kuumien pisteiden tunnistamisen, jäähdytysstrategioiden testaamisen ja suunnitteluvaihtoehtojen vertailemisen realistisissa toimintatiloissa. Tiimi voi arvioida, saavuttaako kylmä ilma korkeatiheyshyllyjä, onko kuuman päästön kierrätys laitteiden sisääntuloihin, ja onko jäähdytyskapasiteetin käyttö tehokasta.

Tässä vaiheessa alustan arkkitehtuuri on tärkeää. Insinööritiimille, jotka työskentelevät voimakkaan paineen alla, simulaatio ei voi enää olla vain pienen erikoistuneiden asiantuntijoiden ryhmän käytössä, joilla on pääsy omiin HPC-resursseihin. Pilvipohjaisen simulaatioalustan käyttäminen tekee korkealaatuisen analyysin koko insinööritiimille saatavaksi, ei vain pienelle joukolle yksilöitä. Tämä mahdollistaa tiimille suorittaa tutkimuksia, vertailla suunnitteluvaihtoehtoja ja tehdä yhteistyötä ilman omien laskentainfrastruktuurien rakentamista tai ylläpitämistä.

Insinööritieteellisen tekoälyn integroiminen työnkulkuun muuttaa simulaation roolia. Historiallisesti simulaatio on ollut rajoitettu asiantuntemuksen, ajan ja laskentaresurssien osalta. Korkealaatuisia tutkimuksia suorittaminen vaati usein erikoisosaamista, omia laitteita ja pitkiä iterointijaksoja.

Insinööritieteellinen tekoäly, joka hyödyntää lähes autonomisia agenteja, joilla automatisoidaan ja kiihdytetään insinööritieteellisiä suunnittelua, simulaatiota ja analyysityönkuluja, auttaa madaltamaan näitä esteitä nopeamman mallin asettamisen, relevanttien näkymien esiin tuomisen ja tiimien mahdollistamisen arvioida enemmän suunnitteluvaihtoehtoja vähemmässä ajassa. Sen sijaan, että simulaatio olisi vain lopullinen validointivaihe, insinööritiimit voivat käyttää tekoälykiihdytettyjä työnkuluja jatkuvasti tutkimaan vaihtoehtoja koko suunnitteluprosessin ajan.

Tuloksena ei ole vain nopeampi simulaatio, vaan nopeampi innovaatio.

Miten tämä näyttää käytännössä insinööritiimille? Oletetaan, että yritys, joka valmistaa jäähdytys- ja ilmanvaihtojärjestelmiä suurille laitoksille, tarvitsee nopeamman tavan testata uusia laitteiden suunnittelua. Yleensä nämä yritykset joutuvat rakentamaan fyysisiä prototyyppejä, tuomaan ulkopuolisia asiantuntijoita ja viettämään useita viikkoja tarkastamassa, onko ilma liikkuva ja sekoittuva oikein järjestelmässä.

Mutta kun tämä yritys päättää käyttää simulaatiota luomaan virtuaalinen testiasetelma, yhtälö muuttuu. Tämä lähestymistapa mahdollistaa insinööreille testata ilmanvirtausta ja lämpösuorituskykyä tietokoneella ennen kuin he rakentavat oikean tuotteen.

Ja tulokset usein toimivat todella. Esitesti-vaihe voidaan lyhentää jopa 2-3 viikkoon ja insinöörien työaika voidaan laskea 40 tuntiin 85 tunnista perinteisissä työnkuluissa.

Mutta arvo tässä on myös paljon suurempi kuin vain ajan säästö. Todellinen arvo piilee insinööritiimin kyvyssä kysyä enemmän kysymyksiä ja tutkia mahdollisuuksia aikaisemmin. Mitä tapahtuu, jos hyllytiheys kasvaa? Mitä tapahtuu, jos ilmanvirtausreitit muuttuvat? Mitä tapahtuu, jos redundanssi-oletukset epäonnistuvat?

Tämänkaltaisen tutkimuksen mahdollistaminen on se, mikä korottaa simulaatiota analyysityökalusta tärkeäksi osaksi infrastruktuurin suunnittelustrategiaa.

Teckoälyinfrastruktuuri vaatii tekoälykiihdytettyä insinööritieteellistä suunnittelua

Teckoälyinfrastruktuurin seuraava vaihe ei määritty välttämättä ainoastaan laitoksen koosta, hyllytiheydestä tai jäähdytyskapasiteetista. Se määrittyy myös siitä, kuinka nopeasti insinööritiimit voivat osoittaa, että nämä järjestelmät toimivat ennen kuin ne rakennetaan.

Siinä on se, missä alan seuraava kilpailuetu syntyy. Datakeskuksien kehittäjät, jotka tuovat simulaation aikaisemmaksi suunnitteluprosessiin, tekevät sen koko insinööritiimille saatavaksi ja yhdistävät sen tekoälykiihdytettyihin työnkulujiin, ovat paremmin asemissa tekemään luottavaisia päätöksiä ennen kuin pääoma sitoutuu ja rakennustyöt aloitetaan.

Kun tekoäly jatkaa fyysisten vaatimusten muuttamista datakeskuksissa, se muuttaa myös tapaa, jolla nämä laitokset suunnitellaan. Organisaatiot, jotka johtavat tätä seuraavaa aikakautta, eivät pelkästään reagoi suurempiin lämpökuormiin tai tiukempiin energiarajoituksiin. He rakentavat suunnitteluprosesseja, jotka voivat ennakoida niitä.