Pusat Data AI Membutuhkan Lebih dari Pendinginan: Mereka Membutuhkan Teknik Sipil yang Lebih Cepat

Kecerdasan buatan sedang mengubah pekerjaan digital, tetapi dampaknya semakin nyata. AI skala besar membutuhkan daya yang jauh lebih besar daripada sebelumnya. Dan pusat data yang menampung server AI tersebut berjuang untuk memenuhi permintaan. Faktanya, laporan dari Deloitte memperkirakan bahwa pada tahun 2035, permintaan daya dari pusat data AI di Amerika Serikat saja bisa tumbuh lebih dari tiga puluh kali lipat.

Namun, masalahnya bukan hanya soal penggunaan daya. Pusat data yang menampung server AI tersebut perlu mempertimbangkan tingkat panas yang dihasilkan oleh teknologi tersebut. Klaster GPU modern dapat mencapai 50 kW per rak dan lebih. Itu merupakan peningkatan sepuluh kali lipat dari server komputasi standar hanya satu dekade yang lalu.

Sistem pendinginan yang telah lama digunakan untuk pusat data untuk mengelola beban kerja IT dengan cukup tidak dapat mengimbangi output panas baru ini. Infrastruktur tersebut tidak dapat mengikuti, meninggalkan mereka yang bertanggung jawab untuk merancang sistem pendinginan pusat data dengan tantangan baru. Insinyur yang bertanggung jawab untuk merancang infrastruktur yang siap AI semakin menemukan bahwa alur kerja teknik tradisional tidak dapat mengikuti skala dan kecepatan penerapan AI.

Mungkin paradoks, AI meningkatkan permintaan kapasitas pusat data dan mengubah proses teknik yang digunakan untuk membangun kapasitas tersebut. Kemajuan AI yang sama yang mengarah pada persyaratan infrastruktur yang belum pernah terjadi sebelumnya juga mulai mempercepat cara insinyur memodelkan, memvalidasi, dan mengoptimalkan sistem fisik yang mendukung beban kerja tersebut.

Pada dasarnya, AI menjadi bagian dari proses yang digunakan untuk merancang infrastruktur yang menjalankan AI.

Dalam hal ini, banyak tim teknik mengadopsi alur kerja simulasi yang dipercepat AI dan asli cloud yang memungkinkan mereka untuk mengevaluasi kinerja termal, strategi pendinginan, dan pertukaran infrastruktur sebelum konstruksi dimulai.

Ketika datang ke infrastruktur pusat data hari ini, taruhan berarti bahwa setiap kesalahan dapat berakibat fatal. Membuktikan kinerja sebelum konstruksi telah menjadi keharusan untuk kesuksesan jangka panjang, bukan mengandalkan asumsi, aturan praktis, atau validasi tahap akhir.

Infrastruktur Pendinginan Tradisional Mengalami Keterbatasan

Sayangnya bagi tim teknik, beban kerja AI secara fundamental berbeda dari komputasi awan tradisional. Tidak ada pasang surut dengan AI, permintaan jaringan, output panas, dan persyaratan daya konstan.

Perubahan itu, sebagian, mengungkap kelemahan utama banyak pusat data. Banyak yang dibangun dengan asumsi bahwa permintaan yang berkelanjutan tidak diperlukan. Dan karena sistem pendinginan ini sering sangat intensif energi, itu dengan cepat menjadi tidak dapat diterima untuk ‘mendinginkan’ dan menganggap bahwa itu akan menutupi kebutuhan pusat data. Mengambil pendekatan ini dan memprioritaskan waktu aktif akan menyebabkan biaya dan penggunaan daya meningkat dengan cepat.

Pada akhirnya, persimpangan yang banyak pusat data temui bukanlah soal ‘lebih panas’. Risiko yang ditentukan oleh pertumbuhan AI adalah margin kesalahan yang jauh lebih ketat.

Bagi pengembang pusat data, setiap keterlambatan dalam proses validasi dapat mempengaruhi komitmen pelanggan, perencanaan kapasitas, atau biaya energi.

Sejarah, tim teknik dapat mengkompensasi ketidakpastian melalui overprovisioning, asumsi desain konservatif, dan validasi tahap akhir. Infrastruktur AI mengubah persamaan itu. Kecepatan penerapan, investasi modal yang diperlukan, dan kepadatan rak yang meningkat meninggalkan sedikit ruang untuk teknik trial-and-error. Keputusan yang dapat divalidasi kemudian sekarang perlu dibuktikan jauh lebih awal dalam proses desain.

Keniscayaan Baru: Membuktikan Kinerja Termal Sebelum Memulai Konstruksi

Dengan margin kesalahan yang menyusut, tim teknik memindahkan analisis termal lebih awal dalam proses desain, saat perubahan masih murah dan desain masih fleksibel. Daripada menunggu sampai komisi untuk menemukan apakah pola aliran udara, tata letak rak, strategi konten, atau penempatan peralatan pendinginan cukup, mereka dapat memodelkan aliran udara dan transfer panas sebelum konstruksi dimulai.

Itu memungkinkan insinyur untuk mengidentifikasi titik panas, menguji strategi pendinginan, dan membandingkan opsi desain di bawah kondisi operasional yang realistis. Tim dapat mengevaluasi apakah udara dingin mencapai rak dengan kepadatan tinggi, apakah udara panas keluar kembali ke inlet peralatan, dan apakah kapasitas pendinginan digunakan secara efisien.

Ini adalah tempat arsitektur platform masuk. Bagi tim yang bekerja di bawah tekanan yang kuat, simulasi tidak dapat terbatas pada sekelompok kecil spesialis dengan akses ke sumber daya HPC khusus. Menggunakan platform simulasi asli cloud membuat analisis berkesan tinggi dapat diakses oleh seluruh tim teknik, bukan hanya sekelompok kecil individu. Ini memungkinkan tim untuk menjalankan studi, membandingkan opsi desain, dan berkolaborasi tanpa membangun atau memelihara infrastruktur komputasi mereka sendiri.

Dengan Teknik AI yang disematkan dalam alur kerja tersebut, peran simulasi itu sendiri mulai berubah. Sejarah, simulasi dibatasi oleh keahlian, waktu, dan sumber daya komputasi. Menjalankan studi berkesan tinggi sering memerlukan pengetahuan spesialis, perangkat keras khusus, dan siklus iterasi yang panjang.

Teknik AI, menggunakan agen hampir otonom yang mengotomatisasi dan mempercepat alur kerja desain, simulasi, dan analisis teknik, membantu menurunkan hambatan tersebut dengan mempercepat pengaturan model, mengungkapkan wawasan yang relevan, dan memungkinkan tim untuk mengevaluasi lebih banyak opsi desain dalam waktu yang lebih singkat. Daripada menyimpan simulasi untuk langkah validasi akhir, tim teknik dapat menggunakan alur kerja yang dipercepat AI untuk menjelajahi alternatif secara terus-menerus sepanjang proses desain.

Hasilnya bukan hanya simulasi yang lebih cepat. Ini adalah inovasi yang lebih cepat.

Jadi, apa yang terlihat seperti kenyataan bagi tim teknik? Pertimbangkan sebuah perusahaan yang membuat sistem pendingin dan ventilasi untuk fasilitas besar yang membutuhkan cara yang lebih cepat untuk menguji desain peralatan baru. Biasanya, perusahaan tersebut harus membangun prototip fisik, membawa spesialis dari luar, dan menghabiskan beberapa minggu untuk memeriksa apakah udara bergerak dan bercampur dengan benar di dalam sistem.

Tapi ketika perusahaan tersebut memutuskan untuk menggunakan perangkat lunak simulasi untuk membuat versi virtual dari pengaturan tes, persamaan berubah. Mengambil pendekatan ini memungkinkan insinyur untuk menguji kinerja aliran udara dan suhu pada komputer sebelum membangun produk nyata.

Dan hasilnya sering memberikan dampak nyata. Fase pengujian sebelumnya dapat dipotong menjadi singkat 2-3 dan waktu teknik dapat turun menjadi 40 jam bukan 85 dalam alur kerja yang lebih tradisional.

Tapi nilai sebenarnya jauh lebih besar daripada hanya menghemat waktu. Nilai sebenarnya terletak pada kemampuan tim teknik untuk mengajukan lebih banyak pertanyaan dan menjelajahi kemungkinan lebih awal. Apa yang terjadi jika kepadatan rak meningkat? Apa yang terjadi jika jalur aliran udara berubah? Apa yang terjadi jika asumsi redundansi gagal?

Mengaktifkan tingkat eksplorasi yang ditingkatkan seperti ini adalah apa yang meningkatkan simulasi dari alat analitis menjadi komponen kritis dari strategi desain infrastruktur.

Infrastruktur AI Membutuhkan Teknik Sipil yang Dipercepat AI

Fase berikutnya dari infrastruktur AI tidak akan ditentukan oleh ukuran fasilitas, kepadatan rak, atau kapasitas pendinginan saja. Ini juga akan ditentukan oleh seberapa cepat tim teknik dapat membuktikan bahwa sistem tersebut akan bekerja sebelum mereka dibangun.

Itu adalah tempat keunggulan kompetitif industri berikutnya akan muncul. Pengembang pusat data yang membawa simulasi lebih awal dalam proses desain, membuatnya dapat diakses oleh tim teknik, dan menggabungkannya dengan alur kerja yang dipercepat AI akan lebih baik memposisikan diri untuk membuat keputusan yang percaya diri sebelum komitmen modal dan konstruksi dimulai.

Ketika AI terus mengubah tuntutan fisik yang diberikan pada pusat data, itu juga akan mengubah cara fasilitas tersebut direkayasa. Organisasi yang memimpin era berikutnya tidak akan hanya bereaksi terhadap beban panas yang lebih tinggi atau kendala energi yang lebih ketat. Mereka akan membangun proses desain yang mampu mengantisipasi mereka.