Centra danych AI potrzebują więcej niż tylko chłodzenia: potrzebują szybszej inżynierii

Sztuczna inteligencja zmienia pracę cyfrową, ale jej wpływ staje się coraz bardziej fizyczny. AI w wielkiej skali wymaga znacznie więcej mocy niż kiedykolwiek wcześniej. A centra danych, które mieszczą te serwery AI, mają trudności z nadążaniem za popytem. W rzeczywistości raport z Deloitte szacuje, że do 2035 roku popyt na energię z centrów danych AI w Stanach Zjednoczonych może wzrosnąć o ponad trzydzieści razy.

Jednak problem nie dotyczy tylko zużycia energii. Centra danych, które mieszczą te serwery AI, muszą uwzględnić ogromną ilość ciepła, jakie ta technologia wytwarza. Nowoczesne klastry GPU mogą osiągać 50 kW na szafę i więcej. To jest zdumiewający dziesięciokrotny wzrost w porównaniu z standardowymi serwerami obliczeniowymi zaledwie z ostatniej dekady.

Systemy chłodzenia, które przez długi czas były stosowane w centrach danych, aby odpowiednio zarządzać obciążeniami IT, są wypierane przez nowe wyjścia cieplne. Infrastruktura po prostu nie może nadążyć, pozostawiając inżynierów odpowiedzialnych za projektowanie systemów chłodzenia centrów danych nowym wyzwaniem. Inżynierowie odpowiedzialni za projektowanie infrastruktury gotowej do AI coraz częściej stwierdzają, że tradycyjne przepływy pracy inżynierskiej nie mogą nadążyć za skalą i szybkością wdrożenia AI.

Być może paradoksalnie, AI zwiększa popyt na pojemność centrów danych i zmienia proces inżynierski stosowany do budowy tej pojemności. Te same postępy w AI, które napędzają bezprecedensowe wymagania dotyczące infrastruktury, zaczynają również przyspieszać, w jaki sposób inżynierowie modelują, walidują i optymalizują systemy fizyczne, które obsługują te obciążenia.

W efekcie AI staje się częścią procesu stosowanego do projektowania infrastruktury, która uruchamia AI.

W związku z tym wiele zespołów inżynierskich przyjmuje chmurowe, przyspieszone przez AI przepływy pracy symulacji, które pozwalają im ocenić wydajność termiczną, strategie chłodzenia i wymiany infrastruktury przed rozpoczęciem budowy.

Gdy chodzi o dzisiejszą infrastrukturę centrów danych, stawka jest taka, że każdy błąd może być katastrofalny. Udowodnienie wydajności przed budową stało się imperatywem dla długoterminowego sukcesu, a nie poleganie na założeniach, regułach lub późnej walidacji.

Tradycyjna infrastruktura chłodzenia pod presją

Niestety dla zespołów inżynierskich, obciążenia AI są fundamentalnie różne od tradycyjnych obciążeń chmurowych. Nie ma tu żadnych wahnięć z AI, wymagania sieciowe, wyjście cieplne i wymagania mocy są stałe.

To zmiany, w części, ujawniają kluczową słabość wielu centrów danych. Wiele z nich zostało zbudowanych przy założeniu, że taki stały popyt nie będzie potrzebny. A ponieważ te systemy chłodzenia są często bardzo energochłonne, staje się to szybko niewykonalne, aby „przechłodzić” i założyć, że to pokryje potrzeby centrum danych. Podjęcie tego podejścia i priorytetowe traktowanie czasu pracy spowoduje, że koszty i zużycie energii szybko wzrosną.

Na koniec dnia skrzyżowanie, na którym znajdują się wiele centrów danych, nie jest kwestią „większego ciepła”. Definiujący ryzyko, jakie przynosi wzrost AI, to znacznie mniejsza marża błędu.

Dla deweloperów centrów danych każde opóźnienie w procesie walidacji może wpłynąć na zobowiązania klientów, planowanie pojemności lub koszty energii.

Historycznie zespoły inżynierskie mogły kompensować niepewność przez nadprojektowanie, konserwatywne założenia dotyczące projektu i późną walidację. Infrastruktura AI zmienia tę równanie. Tempo wdrożenia, wymagany nakład kapitałowy i rosnąca gęstość szaf pozostawiają znacznie mniej miejsca na inżynierię prób i błędów. Decyzje, które można było zwalidować później, teraz muszą być udowodnione znacznie wcześniej w procesie projektowania.

Nowa rzeczywistość: udowodnienie wydajności termicznej przed rozpoczęciem budowy

Z malejącą marżą błędu zespoły inżynierskie przenoszą analizę termiczną na wcześniejszy etap procesu projektowania, podczas gdy zmiany są jeszcze tanie i projekt jest jeszcze elastyczny. Zamiast czekać, aż do momentu uruchomienia, aby odkryć, czy wzory przepływu powietrza, układ szaf, strategie zawierania czy umiejscowienie sprzętu chłodzącego są wystarczające, mogą modelować przepływ powietrza i transfer ciepła przed rozpoczęciem budowy.

To pozwala inżynierom zidentyfikować gorące punkty, przetestować strategie chłodzenia i porównać opcje projektowe w realistycznych warunkach eksploatacyjnych. Zespół może ocenić, czy zimne powietrze dociera do gęstych szaf, czy gorące wydechowe powietrze krąży z powrotem do wejść do urządzeń, oraz czy pojemność chłodząca jest wykorzystywana wydajnie.

To jest miejsce, w którym architektura platformy ma znaczenie. Dla zespołów pracujących pod intensywną presją symulacja nie może pozostać ograniczona do małej grupy specjalistów z dostępem do dedykowanych zasobów HPC. Używanie chmurowej platformy symulacji sprawia, że analiza o wysokiej wierności jest dostępna dla całych zespołów inżynierskich, a nie tylko dla małej grupy osób. Pozwala to tym zespołom na uruchamianie badań, porównywanie opcji projektowych i współpracę bez budowania lub utrzymywania własnej infrastruktury obliczeniowej.

Z warstwą AI w tym przepływie pracy rola samej symulacji zaczyna się zmieniać. Historycznie symulacja była ograniczona przez ekspertyzę, czas i zasoby obliczeniowe. Uruchamianie badań o wysokiej wierności często wymagało specjalistycznej wiedzy, dedykowanego sprzętu i długich cykli iteracji.

Inżynieria AI, wykorzystująca prawie autonomiczne agenty, które automatyzują i przyspieszają przepływy pracy inżynierskie, symulacji i analiz, pomaga obniżyć te bariery, przyspieszając konfigurację modelu, ujawniając istotne spostrzeżenia i umożliwiając zespołom ocenę większej liczby opcji projektowych w krótszym czasie. Zamiast zarezerwowania symulacji dla końcowego kroku walidacji, zespoły inżynierskie mogą używać przyspieszonych przez AI przepływów pracy, aby ciągle eksplorować alternatywy w trakcie procesu projektowania.

Rezultatem jest nie tylko szybsza symulacja. To jest szybsza innowacja.

Więc, jak to wszystko wygląda w rzeczywistości dla zespołów inżynierskich? Rozważmy firmę, która produkuje systemy chłodzenia i wentylacji dla dużych obiektów, potrzebowała szybszego sposobu testowania nowych projektów urządzeń. Zwykle takie firmy muszą budować fizyczne prototypy, sprowadzać specjalistów z zewnątrz i spędzać kilka tygodni, sprawdzając, czy powietrze porusza się i miesza się właściwie w systemie.

Ale gdy ta firma decyduje się na użycie oprogramowania symulacyjnego, aby utworzyć wirtualną wersję ustawienia testowego, równanie się zmienia. Podejście to pozwala inżynierom testować wydajność przepływu powietrza i temperatury na komputerze przed budową produktu.

A wyniki często przynoszą realny wpływ. Faza przedtestowa może być skrócona do zaledwie 2-3 dni, a czas inżynierski może spaść do 40 godzin zamiast 85 w tradycyjnych przepływach pracy.

A wartość tutaj jest znacznie większa niż tylko oszczędność czasu. Prawdziwa wartość leży w możliwości zespołu inżynierskiego zadawania więcej pytań i eksplorowania możliwości wcześniej. Co się stanie, jeśli gęstość szaf wzrośnie? Co się stanie, jeśli ścieżki przepływu powietrza się zmienią? Co się stanie, jeśli założenia o redundancji zawiodą?

Umożliwienie takiego poziomu eksploracji jest tym, co podnosi symulację z narzędzia analitycznego do kluczowego składnika strategii projektowania infrastruktury.

Infrastruktura AI wymaga inżynierii przyspieszonej przez AI

Następna faza infrastruktury AI nie zostanie zdefiniowana tylko przez rozmiar obiektu, gęstość szaf lub pojemność chłodzącą. Będzie również zdefiniowana przez to, jak szybko zespoły inżynierskie mogą udowodnić, że te systemy będą działać przed ich budową.

To jest miejsce, w którym następna przewaga konkurencyjna branży się pojawi. Deweloperzy centrów danych, którzy wprowadzają symulację na wcześniejszy etap procesu projektowania, udostępniają ją zespołom inżynierskim i łączą ją z przyspieszonymi przez AI przepływami pracy, będą lepiej przygotowani do podejmowania decyzji z pewnością przed zaangażowaniem kapitału i rozpoczęciem budowy.

Podczas gdy AI nadal zmienia fizyczne wymagania stawiane centrów danych, również zmieni sposób, w jaki te obiekty są projektowane. Organizacje, które poprowadzą tę następną erę, nie będą po prostu reagować na wyższe obciążenia cieplne lub bardziej ścisłe ograniczenia energetyczne. Będą budować procesy projektowania, które będą w stanie przewidzieć je.