برنامه ریزی برای پروژه های ساختمانی مرکز داده در سال 2025 و فراتر از آن به نظر می رسد متفاوت از یک دهه قبل است. با این حال ، برنامه ریزی و استراتژی های ساختمانی که با موفقیت از صنعت در طی دوره ای از رشد چشمگیر پشتیبانی کرده اند ، هنوز هم می تواند مسیری را به پیش ببرد.
ظهور Chatgpt در اواخر سال 2022 باعث ایجاد یک مسابقه بی سابقه در بین شرکت های فناوری برای تدوین راه حل های هوش مصنوعی ، تغییر شکل اساسی زیرساخت های مرکز داده و بازارهای انرژی شد. در هسته این تحول ، بارهای کار هوش مصنوعی ، که از دو عمل اصلی تشکیل شده است: آموزش و استنباط. این عملیات به شدت به واحدهای پردازش گرافیکی (GPU) متکی است ، که به مراتب مؤثرتر از واحدهای پردازش مرکزی سنتی (CPU) برای رسیدگی به محاسبات موازی ضروری برای پردازش AI هستند.
عملیات آموزش AI با استفاده از آرایه های GPU هماهنگ برای پردازش مجموعه داده های گسترده ، نیاز به قدرت محاسباتی عظیم دارد. این سیستم های آموزشی تقاضای زیرساخت های قابل توجهی را به ویژه از نظر مصرف برق تحمیل می کنند ، که به طور معمول از 90 تا 130 کیلو وات در هر قفسه متغیر است. چنین استفاده از انرژی فشرده برای حفظ شرایط عملیاتی بهینه نیاز به سیستم های خنک کننده قوی دارد. در مقایسه ، عملیات استنباط ، جایی که مدل های آموزش دیده وظایف خاص را انجام می دهند ، به طور قابل توجهی قدرت کمتری مصرف می کنند – به طور معمول بین 15 تا 40 کیلو وات در هر قفسه. برای چشم انداز این ، در حالی که یک جستجوی استاندارد Google از حدود 0.28 وات ساعت انرژی استفاده می کند ، یک پرس و جو چتپ تقریباً چهار برابر این مقدار را مصرف می کند.
مقیاس زیرساخت های مرکز داده برای پاسخگویی به این خواسته ها به طرز چشمگیری تکامل یافته است. در حال حاضر امکانات مدرن به ساختمانهای انفرادی که 100 مگاوات انرژی مصرف می کنند ، نیاز دارد و کل دانشگاه ها به 1 گیگاوات مصرف برق نزدیک می شوند – تضاد واضح با امکانات قبلی که 100 مگاوات را در چندین ساختمان توزیع می کند. افزایش چگالی قدرت GPU همچنین نیاز به تغییر از خنک کننده سنتی مبتنی بر هوا به محلول های خنک کننده مایع دارد ، که گرما را مستقیماً از واحدهای GPU از بین می برد.
با توجه به این وضعیت بازی ، توسعه مرکز داده های آینده باید چندین عامل مهم را در نظر بگیرد. دانستن اینکه آیا یک تسهیلات در درجه اول از آموزش یا عملیات استنباط برخوردار خواهد بود ، برای طراحی مناسب بسیار مهم است. زیرساخت های برق باید نیازهای اولیه بسیار بالایی را بیش از 100 مگاوات در هر ساختمان داشته باشند و این امکان را داشته باشد که حداکثر 1 گیگاوات در هر دانشگاه را مقیاس کند. سیستم های ولتاژ بالاتر برای مدیریت افزایش تقاضای برق ضمن پرداختن به محدودیت های حرارتی در کابل های برق ، ضروری می شوند.
سیستم خنک کننده باید برای رسیدگی به خواسته های بیشتر در بین ساختمانها و سالن های داده تکامل یابد ، در حالی که محیط های آن با ترکیب GPU ، CPU ، ذخیره سازی و اجزای شبکه پیچیده تر می شوند. این پیچیدگی نیاز به یک رویکرد ترکیبی برای خنک کننده دارد و سیستم های سنتی مبتنی بر هوا را برای قطعات خاص با خنک کننده مایع برای سخت افزار GPU ترکیب می کند. علاوه بر این ، الزامات فیبر به طور قابل توجهی در حال افزایش است و بر فضای تسهیلات و ملاحظات وزن تأثیر می گذارد.
خود سالن های داده در حال تحول هستند و برای قرار دادن لایه های زیرساختی اضافی در بالای قفسه ها ، به فضای عمودی بیشتری نیاز دارند. این لایه ها شامل اتوبوس ها ، سینی های کابل ، راه های فیبر ، سیستم های محافظت از آتش و سیستم های خنک کننده اولیه است که شامل لوله کشی آب و زیرساخت های فنی آب است.
سرعت یکی از ویژگی های مسابقه فعلی است و به همین ترتیب ، چرخه طراحی و ساخت و ساز نیاز به کاهش بیشتر دارد و از پیشبرد استفاده نه تنها برای لایه های برقی و مکانیکی بلکه برای ساختمان به طور کلی نیز استفاده می شود. این مهم برای کاهش پیشروهای بیشتر برای برنامه ریزی ساخت و ساز ، فعالیت ها و ایمنی نیروی کار است.
مراکز داده موجود با چالش هایی با الزامات جدید هوش مصنوعی ، به ویژه برای بار کاری استنباط روبرو هستند. این سازگاری اغلب شامل اصلاحات سیستم الکتریکی و مقاوم سازی برای قابلیت خنک کننده مایع ، یادآور تکامل مرکز داده در اوایل و اواسط دهه 2000 است. با این حال ، امکانات آموزشی به طور معمول به سایت های جدید نیاز دارند تا نیازهای گسترده انرژی و مشخصات دقیق شبکه را برطرف کنند.
در حالی که تکرارهای جدید GPU NVIDIA پیشرفت های چشمگیر در هزینه و عملکرد را برای هر دو عملیات آموزش و استنباط نشان داده است ، به دنبال پارادوکس Jevons ، مصرف برق کلی به طور متناسب با استفاده افزایش می یابد. این روند نیاز به توسعه مداوم در فن آوری های قدرت و خنک کننده و رویکردهای طراحی دارد.
تکامل صنعت هوش مصنوعی موازی قانون مور است ، با تأکید بر قفسه های محکم شبکه ای برای به حداقل رساندن زباله های انرژی و بهینه سازی سرعت پردازش داده ها. این تحول به طور موثری مراکز داده AI را به خود واحدهای GPU در مقیاس بزرگ تبدیل می کند.
رشد سریع هوش مصنوعی یک تغییر چشمگیر در پویایی بازار انرژی ایجاد کرده است و از افزایش سالانه پایدار به افزایش شدید نمایی حرکت می کند. این افزایش منجر به سازگاری متعددی در صنعت شده است ، از جمله:
گسترش زیرساخت های مرکز داده به دلیل محدودیت در صنعت ساخت و ساز با چالش های دیگری روبرو است. این موارد شامل محدودیت هایی در ظرفیت تولید ، کمبود سازندگان و پیمانکاران ویژه و کمبود کارگران ماهر قادر به برآورده کردن خواسته های فنی مراکز داده مدرن است.
با وجود این چالش های مهم ، صنعت چشم انداز خوش بینانه را حفظ می کند ، پتانسیل تحول آمیز هوش مصنوعی را به رسمیت می شناسد و فرصتی برای نوآوری و سازگاری با این خواسته های جدید را در بر می گیرد.
تکامل زیرساخت های مرکز داده یک عامل مهم در توسعه گسترده تر هوش مصنوعی است که نیاز به همکاری مداوم بین شرکت های فناوری ، ارائه دهندگان ابزار و متخصصان ساخت و ساز برای برآورده کردن خواسته های رو به رشد این بخش در حال گسترش دارد.