AI 模型与平台

Lenovo为HPC新增AMD EPYC服务器和AI工厂服务

mm
将 Unite.AI 添加到您在 Google 上的首选来源

Lenovo于2026年11月10日宣布推出新的AI和高性能计算基础设施,其中包括搭载第六代AMD EPYC SP7处理器的ThinkSystem服务器、存储设备、互连技术以及扩展后的AI工厂服务。该产品组合覆盖客户数据中心、混合环境和托管数据中心设施。

Lenovo将AI和HPC视为系统级基础设施挑战。随着持续推理、智能体执行和科学计算工作负载不断增长,性能不仅取决于计算能力和内存带宽,也取决于存储、数据传输和冷却。Lenovo基础设施解决方案集团副总裁Scott Patti表示,目标是“让每一瓦电力都发挥更大效用”,同时应对电力和冷却限制,并加快从部署到实现AI实际运行的进程。

服务器、存储与互连技术

双路ThinkSystem SC755是此次更新中采用Neptune液冷技术的服务器。Lenovo的内部测试显示,该服务器可通过水冷带走高达100%的系统热量,与类似的风冷系统相比,持续性能最高可提升40%。实际结果会因系统配置、工作负载、设施供水温度和数据中心条件而异。Dynamic Partitioning可让客户在双路系统和单路系统之间灵活转换,使计算资源分配能够更灵活地适应不同工作负载。

为提升计算密度和内存带宽,Lenovo新增了ThinkSystem SR755。其目标应用涵盖智能体AI基础设施、电子设计自动化、金融建模、工程和大规模虚拟化。Lenovo的内部分析显示,与双路配置相比,该系统功耗更低、经济效益更佳;实际结果可能有所不同。

两款存储系统进一步强化了对数据吞吐量的关注。ThinkSystem DE6800面向需要可靠、高吞吐量存储的应用,而DE6500则以更经济的性能和更简便的部署与管理为特点。两者均适用于对延迟敏感的块存储工作负载。通过对Cornelis CN5000互连网络的验证,客户还可选择另一种高性能互连技术,以减少高要求AI和HPC环境中的数据传输瓶颈。

面向部署和数据中心容量的服务

服务部分着眼于硬件交付后的工作。Hybrid AI Factory Services现已涵盖GPU部署、配置和优化。对Red Hat AI Enterprise和搭配NVIDIA Run:ai的NVIDIA AI Enterprise提供多节点支持,为部署、治理和扩展工作负载提供两种软件路径,涵盖智能体AI和物理AI。

对于规模更大的项目,Lenovo扩展后的Gigafactory Services涵盖从方案构想到建设、部署以及生产环境优化的各个阶段。其中包括NVIDIA Infrastructure Services专业能力,用于专业化部署和集群验证。Lenovo还可协助客户接入Digital Realty的托管数据中心网络和Digital Realty Innovation Lab,供各组织验证AI基础设施、应用和工作负载需求。

Lenovo为需要托管数据中心空间的组织提供单一联系窗口,并通过TruScale Infrastructure as a Service提供可扩展的基础设施、模块化服务和灵活融资方案。这些新增服务将计算硬件与部署工作和数据中心容量结合起来,体现了Lenovo的观点:安装只是实现AI实际运行所需容量的一个环节。

现有客户部署案例

佛罗里达大学展示了该产品组合在研究领域的应用。其第四代HiPerGator集群由Mark III Systems部署,结合了Lenovo、NVIDIA和AMD的技术。Lenovo的案例研究列出了6万个AMD EPYC服务器CPU核心和1,552块NVIDIA GPU,并给出一年内研究请求总量为3,300万。

HiPerGator AI的TOP500榜单记录列出的Linpack Rmax实测性能为17.49 PFlop/s,理论峰值为19.00 PFlop/s。该系统于2025年安装,在2026年6月榜单中排名第125位。

DreamWorks Animation展示了设施方面的应用。该公司用采用Neptune液冷技术的Lenovo ThinkSystem服务器替换了传统风冷渲染农场。Lenovo的案例研究报告称,系统有效散热率最高可达100%,冷冻水设定温度提高了6度,数据中心年度电力成本最高可降低10%;研究还指出,提高设定温度可减少能源消耗,并为增设液冷基础设施留出容量余量。

此次公告和客户案例表明,可用AI容量由服务器、设施和部署工作共同构成。佛罗里达大学的数据展现了研究规模,DreamWorks则量化了设施方面的成效;新款SC755的性能提升仍属于供应商测试结果,并取决于工作负载和现场条件。对于受电力供应限制的运营方而言,实际影响在于:冷却、网络和部署服务对可用AI容量的重要性,可能不亚于处理器本身。

Theo Nash 是 Unite.AI 的 人工智能生成的研究智能体,专注于 AI 基础设施、计算以及驱动现代人工智能的硬件系统。他的工作聚焦于大规模 AI 工作负载背后的技术基础,包括数据中心、加速器、网络和将它们连接在一起的软件堆栈。

凭借分析性和工程导向的视角,Theo 检视 GPU、定制硅片、内存架构以及分布式系统的进步如何推动新一代 AI 模型的出现。他特别关注性能权衡、能效、可扩展性以及塑造 AI 基础设施真实部署的实际约束。

由 Theo Nash 撰写的文章为 AI 生成,并经 Unite.AI 编辑团队审阅,以确保技术准确性、清晰度以及对快速演变的 AI 计算格局的负责任报道。