RAVEL 计划开展面向分布式 AI 的电力感知调度研究

RAVEL 于 2026 年 11 月 12 日宣布，将与桑迪亚国家实验室合作开展“QuickSilver 项目”。这项多阶段研究旨在探讨如何对分布在不同地理位置的计算环境中的 AI 工作负载进行电力感知调度。第一阶段将覆盖桑迪亚的三个地点，并比较风冷系统与浸没式冷却系统。

这项研究将考察能否依据电力供应情况、运行条件和工作负载需求来指导调度与部署决策，以应对能源、容量和成本方面的限制。研究旨在为数据中心的设计与运营提供参考，探讨如何提高电力和计算能力的利用效率，而非假定增加容量就必然能带来更多有用的基础设施。这份公告介绍的是计划开展的测量工作，并非已经完成的研究结果，也未证明能够节省成本。

RAVEL 首席执行官兼联合创始人 Denise Muyco 表示，该项目将研究如何通过编排提高 AI 基础设施投资的效益，同时促进更负责任地使用能源。

三地实验设计

第一阶段将在通过广域网互联的桑迪亚三个地点，对两种冷却环境进行评估。风冷环境将采用 Box–Behnken 实验设计，浸没式冷却环境则采用 Plackett–Burman 实验设计。除其他实验因素外，网络带宽和速度也将有所变化。

能效分析将比较不同冷却环境下的相同工作负载，并将计算、IT 基础设施和数据中心运营纳入考量。测量内容包括能耗、TUE 和经 PUE 调整的效率，以及潜在的余热再利用效益。这一分析范围将工作负载部署与设施及冷却开销联系起来，而不是孤立地测量计算设备。

另一项总拥有成本分析将评估调度和部署如何影响分布式环境中的计算成本。分析涵盖与基础设施、电力、冷却、网络和运营相关的资本支出与运营支出。第三项研究将测量 AI 工作负载的完成时间，把执行时间与能耗和成本一并纳入考量，以便研究人员分析这些目标之间的权衡。

跨地点的联邦式编排

RAVEL 将 Orchestrate AI 描述为一个联邦式编排层，用于跨异构、地理分布的资源管理 AI 工作负载。该模型旨在将多个地点协调为一个系统，而不是分别优化各个环境。其电力感知调度和策略驱动管理会考虑可用电力、成本、性能要求、基础设施状况、工作负载需求和运营优先事项。

桑迪亚基础设施计算服务部的工程项目负责人 Dave Martinez 介绍了此次合作的范围：“根据与 RAVEL 签订的合作研发协议，我们将探索动态工作负载部署能否更充分地利用可用电力和计算资源，同时兼顾性能与成本。”

这种实验设计很重要，因为迁移或重新调度工作负载所带来的变化可能不止影响能耗。测试设计还会跟踪网络和运营成本、冷却环境以及执行时间，使研究人员能够在多项基础设施约束下评估部署决策。

扩大实验室合作并参加 SC26

桑迪亚是首个研究牵头机构。合作方计划将 QuickSilver 项目扩展至美国能源部的其他国家实验室，并探索更多环境和性能优化应用场景。

RAVEL 和桑迪亚计划于 2026 年 11 月 17 日在 SC26 期间，于美国能源部展位介绍实验方法、计划中的测试阶段以及预期研究成果。

QuickSilver 项目的核心问题是：将彼此独立的 数据中心 作为一个协调系统来管理，能否在不损害工作负载性能的前提下，改善能源利用和计算经济性？其测量计划将此视为一个综合性的基础设施问题：调度决策会影响电力消耗，但冷却、网络、资本成本和完成时间也会决定这些决策能否提高分布式计算的生产力。