Полезно знать: центры обработки данных для ИИ или классические центры обработки данных – когда цифровая инфраструктура превращается в энергоемкую фабрику ИИ

Электричество, тепло, сети: когда центр обработки данных превращается в настоящую фабрику искусственного интеллекта

Центры обработки данных для ИИ: новая тяжелая промышленность цифровой экономики

Искусственный интеллект не только совершает революцию в разработке программного обеспечения, но и ставит перед физическим миром цифровой инфраструктуры беспрецедентные задачи. В то время как традиционные центры обработки данных долгое время служили невидимой, надежной основой для облачных сервисов, электронной почты и ERP-систем, развитие генеративного ИИ требует совершенно новой промышленной базы. Центры обработки данных для ИИ больше не являются обычными серверными фермами — это высокоплотные вычислительные фабрики. С экстремальными требованиями к электропитанию, мощностью стоек, иногда превышающей 100 киловатт, инновационными системами жидкостного охлаждения и сверхбыстрыми внутренними сетями, они раздвигают границы традиционной ИТ-архитектуры. В этой статье представлен всесторонний анализ того, где проходят технические и экономические границы между классической облачной инфраструктурой и современными кластерами ИИ, почему энергия становится главным стратегическим узким местом и что компании, операторы и муниципалитеты должны учитывать при планировании цифрового будущего.

Искусственному интеллекту нужны не только программное обеспечение, но и новая промышленная инфраструктура

Долгое время центры обработки данных считались в значительной степени невидимой основой цифровизации. Они обеспечивали работу почтовых систем, баз данных, корпоративного программного обеспечения, веб-сайтов, платежных транзакций и облачного хранилища. В общественном дискурсе их часто воспринимали как технически защищенные здания с рядами серверов, аварийными источниками питания и кондиционерами. Хотя этот образ остается верным, он больше не в полной мере отражает современные тенденции.

С развитием генеративного искусственного интеллекта роль вычислительной инфраструктуры меняется. Цифровые мощности больше не означают просто надежное предоставление приложений. Они все больше становятся концентрированным промышленным ресурсом. Чипы-ускорители выполняют вычисления одновременно в большом количестве, силовые соединения достигают размеров энергоемких систем, технология охлаждения становится центральным критерием проектирования, а внутренние высокопроизводительные сети определяют, работает ли дорогостоящее оборудование продуктивно или ожидает данных.

Таким образом, центр обработки данных для ИИ — это, по сути, центр обработки данных, но он существенно отличается от традиционного корпоративного, координационного или облачного центра обработки данных из-за исключительно высокой вычислительной плотности, используемого оборудования и, как следствие, требований к энергопотреблению, охлаждению и сетевой архитектуре. Это не просто обычное место с несколькими высокопроизводительными видеокартами. Его техническая и экономическая логика адаптирована к вычислительным нагрузкам, оптимизированным для ИИ.

Для компаний, операторов, поставщиков энергии, муниципалитетов и инвесторов эта дифференциация имеет решающее значение. Она определяет сетевые подключения, разрешения, затраты на строительство и финансирование, тепловую интеграцию, потенциальные модели получения дохода и долгосрочную конкурентоспособность. Тот, кто рассматривает все центры обработки данных как однородную инфраструктуру, упускает из виду экономические последствия развития ИИ.

Центры обработки данных — это невидимая основа цифровой экономики

Центры обработки данных необходимы везде, где требуется хранить, обрабатывать, передавать или постоянно поддерживать доступ к большим объемам данных. Они составляют физическую основу облачных сервисов, веб-сайтов, искусственного интеллекта, корпоративного программного обеспечения и многих общедоступных цифровых сервисов. Даже когда пользователи говорят об «облаке», в конечном итоге они получают доступ к реальным серверам, системам хранения данных, источникам питания, сетевым технологиям и системам охлаждения в одном или нескольких центрах обработки данных.

Центр обработки данных объединяет ИТ-системы и инфраструктуру, необходимую для их функционирования. Сюда входят серверы, платформы хранения данных, сетевые компоненты, источники бесперебойного питания, системы аварийного электропитания, трансформаторы, системы охлаждения, противопожарной защиты и контроля доступа, а также высокопроизводительные оптоволоконные соединения. Его цель — обеспечить надежный, безопасный и высокопроизводительный доступ к данным и приложениям.

Термин «центр обработки данных» изначально является общим. Он описывает профессиональную форму цифровой инфраструктуры, но пока не уточняет, какие именно приложения там запускаются. В таком центре могут размещаться традиционные корпоративные ИТ-системы, системы потокового вещания, центры государственного управления, исследовательские центры, облачные сервисы, цифровые промышленные приложения или кластеры искусственного интеллекта. Только основная рабочая нагрузка и соответствующая техническая схема определяют, следует ли называть его общим центром обработки данных, облачным центром обработки данных, центром совместного размещения оборудования, высокопроизводительным центром обработки данных или центром обработки данных для ИИ.

От облачных вычислений и производства до государственного управления: где центры обработки данных незаменимы

Центры обработки данных обслуживают самые разные сектора и бизнес-процессы. Некоторые приложения в первую очередь требуют безопасного хранения данных и непрерывной доступности. Другие же нуждаются в высокой скорости транзакций, большой пропускной способности, низкой задержке или исключительной вычислительной мощности. Это разнообразие важно, поскольку оно демонстрирует, что искусственный интеллект — это растущая, но отнюдь не единственная область применения центров обработки данных.

Этот обзор иллюстрирует широкий спектр возможностей создания цифровой ценности. Система онлайн-банкинга в первую очередь требует высокодоступной, безопасной и способной обрабатывать транзакции инфраструктуры. Видеоплатформа нуждается в огромных мощностях для доставки данных по многочисленным точкам сети. Прогнозирование погоды или моделирование материалов требуют высокопроизводительных вычислений. Производственная линия требует быстрой обработки данных в тесной связи с оборудованием и датчиками. С другой стороны, большая языковая модель требует большого количества тесно связанных между собой микросхем-ускорителей и исключительно плотной архитектуры питания и охлаждения.

Именно поэтому центр обработки данных не становится центром обработки данных для ИИ, просто предлагая отдельные приложения для ИИ или эксплуатируя несколько серверов с графическими процессорами. Только когда оборудование, электропитание, охлаждение, внутренние сети и бизнес-модель в первую очередь ориентированы на нагрузки, оптимизированные для ИИ, он может считаться специализированной инфраструктурой для ИИ.

Промышленность, логистика и XR: где вычислительная мощность напрямую создает добавленную стоимость

В промышленности и логистике вычислительные мощности перестали быть просто вспомогательной функцией для администрирования. Они напрямую влияют на качество продукции, возможности доставки, уровень запасов, сроки выполнения заказов, энергопотребление и работу служб. Их экономическая значимость проявляется прежде всего там, где данные из физического мира обрабатываются в режиме реального времени и преобразуются в оперативные решения.

Машины, датчики, камеры и системы управления непрерывно генерируют данные. Эти данные можно использовать для раннего выявления рисков простоя, оптимизации интервалов технического обслуживания, визуализации отклонений в качестве или снижения энергопотребления. Типичным примером является прогнозирующее техническое обслуживание. В центре внимания находится не сам отказ, а раннее обнаружение закономерностей, указывающих на вероятный дефект. Чем лучше качество данных, вычислительная мощность и интеграция в процесс технического обслуживания, тем выше вероятность того, что технический анализ принесет экономическую выгоду.

В логистике системы ERP, управления складом и управления транспортом связывают поставщиков, склады, экспедиторов, клиентов и производственные площадки. Они обрабатывают данные об инвентаризации, заказах, сроках доставки, маршрутах, мощностях и исключениях. Когда эти данные объединяются с прогнозами, основанными на искусственном интеллекте, компании могут лучше прогнозировать тенденции спроса, более эффективно распределять ресурсы и выявлять сбои на ранних стадиях. Вычислительные мощности в этом случае не только поддерживают администрирование, но и становятся неотъемлемой частью оперативного управления.

Компьютерное зрение развивает этот принцип. Камеры обнаруживают дефекты качества, подсчитывают объекты, проверяют упаковку, считывают этикетки или контролируют зоны безопасности. Необходимый ИИ может обучаться централизованно, а оценка проводится локально или в региональном центре обработки данных. Особенно на высокоскоростных производственных линиях каждая миллисекунда на счету. Если ошибка обнаруживается только через несколько секунд, это может повлиять на всю партию продукции.

Приложения XR также приобретают все большее значение. Обучение в виртуальной и дополненной реальности, удаленная поддержка, виртуальное планирование производства и цифровые двойники требуют данных, 3D-моделей, высокой производительности графики и зачастую превосходного сетевого подключения. Они демонстрируют, что центры обработки данных не просто хранят данные, но все чаще отображают, моделируют и влияют на реальные процессы. Поэтому для международных производственных и партнерских сетей надежная и безопасно интегрированная вычислительная инфраструктура становится ключевым конкурентным фактором.

Для приложений, критически важных с точки зрения задержки, удаленного центра обработки данных часто недостаточно. Сетевое производство, беспилотные автомобили, медицинские системы, интеллектуальное управление дорожным движением и некоторые приложения для «умных городов» требуют оперативного реагирования без заметных задержек. Именно здесь граничные вычисления становятся критически важными. Вычислительная мощность перемещается ближе к месту генерации данных и принятия решений: на завод, склад, в больницу, к вышке сотовой связи или в региональный центр обработки данных.

Облако — это не место: обзор операционных моделей и типов инфраструктуры

Облачные технологии — это не абстрактное пространство. Облачные сервисы также работают в центрах обработки данных, часто в очень крупных комплексах, принадлежащих международным операторам платформ, или в центрах обработки данных, где компании арендуют собственное серверное пространство. Разница заключается не в наличии физической инфраструктуры, а в том, кто ею управляет, кому принадлежит оборудование, как предоставляются ресурсы и кто несет ответственность за эксплуатацию и безопасность.

В собственном центре обработки данных компания размещает свою ИТ-инфраструктуру на своей территории или в собственных помещениях. Эта модель может быть выгодна при наличии особых требований к безопасности, соответствию нормативным требованиям или задержке, а также в случаях, когда объект тесно интегрирован с производственными и операционными процессами. Однако она требует специализированного персонала, капитала, технического обслуживания, планирования запасных частей и надежной стратегии резервирования на случай сбоя.

Размещение оборудования в дата-центре означает, что компания владеет собственным оборудованием, но размещает его в профессионально управляемом дата-центре. Оператор обеспечивает электроснабжение, охлаждение, безопасность здания и сетевое подключение. Эта модель привлекательна, когда компании хотят сохранить контроль над своими системами, но не хотят эксплуатировать высокодоступное здание с собственными системами электропитания и охлаждения.

Частное облако предоставляет компании или корпорации выделенные или в значительной степени эксклюзивные ИТ-ресурсы. Оно может работать внутри компании, у поставщика услуг или в среде размещения оборудования. В отличие от этого, публичное облако подразумевает гибко бронируемые ИТ-ресурсы, такие как вычислительные мощности, хранилище данных, базы данных, аналитические платформы или сервисы искусственного интеллекта. В этом случае множество клиентов совместно используют крупную инфраструктуру, а логическое разделение достигается за счет программного обеспечения, прав доступа и механизмов безопасности.

Периферийные центры обработки данных и периферийные системы дополняют эти модели. Они меньше по размеру, географически расположены ближе и ориентированы на быструю обработку данных. Их преимущество заключается не в максимальной масштабируемости, а в низкой задержке, более коротких путях передачи данных и лучшей интеграции с физическими процессами. Поэтому многие современные архитектуры используют гибридные комбинации: стандартные сервисы, работающие в публичном облаке, конфиденциальные данные или основные системы в частных средах, высокоплотные нагрузки для обучения ИИ в специализированных кластерах GPU и быстрые оперативные решения на периферии.

Компания, занимающаяся машиностроением, использует не центр обработки данных, а целый портфель инфраструктурных проектов

Современному производителю оборудования редко требуется только один тип вычислительных мощностей. Веб-сайты, генерация лидов B2B, автоматизация маркетинга, порталы запасных частей и инструменты для совместной работы могут экономично функционировать в облачной среде. С другой стороны, ERP-системы, данные CAD/PLM, проектная документация и данные о продажах часто требуют более высоких стандартов доступности, прав доступа, интеграции и безопасности. Эти системы могут работать в частном облаке, в центрах обработки данных или в собственном центре обработки данных компании.

Производство предъявляет дополнительные требования. Контроль качества с помощью камер, мониторинг оборудования, координация роботов и быстрый анализ процессов могут потребовать локальной обработки на заводе. Модель ИИ для обнаружения дефектов поверхности может обучаться централизованно в облаке с графическими процессорами. Однако в повседневной работе вывод осуществляется непосредственно на линии или в локальной периферийной системе, поскольку решение будет принято слишком поздно, если изображения сначала будут переданы в удаленный центр обработки данных.

Этот пример иллюстрирует фундаментальное изменение: компании больше не просто выбирают между собственной ИТ-инфраструктурой и облаком. Они формируют портфель инфраструктуры. Правильное распределение основано на таких критериях, как задержка, конфиденциальность данных, масштабируемость, стоимость, доступность, трудозатраты на интеграцию и нормативные требования. Для компаний с международными представительствами также решающее значение имеют надежность соединений передачи данных, применимое законодательство, возможность обработки данных за рубежом и способность систем продолжать функционировать во время сбоев в сети.

Традиционные центры обработки данных проектируются для различных цифровых нагрузок

Традиционные центры обработки данных, как правило, проектируются для надежной работы множества различных цифровых сервисов: электронной почты, баз данных, ERP-систем, веб-сайтов, виртуальных серверов, резервного копирования и бизнес-приложений. Крайне важно сбалансированное сочетание доступности, объема хранения, производительности сети, безопасности и экономической эффективности.

Они следуют логике разнообразия. Зачастую на них запускается множество отдельных приложений с различными техническими характеристиками. Некоторые требуют большого объема памяти, например, системы резервного копирования, архивы или видеоданные. Другим системам необходимы быстрые базы данных для обработки транзакций. Третьи приложения требуют стабильного сетевого соединения, высокой производительности процессора и высокой доступности. Кроме того, существуют виртуальные серверы, почтовые среды, веб-приложения, платформы безопасности, среды разработки и коммуникационные сервисы.

Типичная базовая технология включает в себя серверы с процессорами, платформы хранения данных, сетевые компоненты, межсетевые экраны и программное обеспечение для виртуализации. Ключевой особенностью является возможность гибкого распределения ресурсов. Операторы стремятся одновременно обслуживать различных клиентов, отделы и приложения, изолировать нагрузки друг от друга и расширять мощности по мере необходимости. С экономической точки зрения, крайне важно найти баланс между использованием пространства, энергоэффективностью, качеством обслуживания, резервированием и стоимостью на одну виртуальную машину, базу данных, транзакцию или терабайт хранилища.

Потребление электроэнергии на одну стойку во многих традиционных средах часто составляет от 5 до 15 киловатт. Однако крупные облачные или центры обработки данных, предоставляющие услуги колокации, по-прежнему могут потреблять значительное общее количество электроэнергии. Разница заключается в том, что эта мощность часто распределяется между множеством стоек и различными системами. Поэтому воздушное охлаждение, горячие и холодные коридоры, а также классические концепции охлаждения помещений остаются практичными во многих случаях.

При планировании в значительной степени учитывается доступность. Электропитание, сетевые соединения и системы охлаждения проектируются с резервированием, чтобы отказ отдельных компонентов не приводил автоматически к перебоям в работе. Контроль доступа, противопожарная защита, качество электропитания и оптоволоконная связь являются ключевыми характеристиками качества. Таким образом, типичный центр обработки данных похож на многофункциональное промышленное здание: он должен быть способен надежно обеспечивать работу множества различных процессов, не будучи полностью адаптированным к какой-либо одной процедуре.

Центры обработки данных для ИИ сжимают электроэнергию, вычислительную мощность и тепло в очень небольшом пространстве

В отличие от них, центры обработки данных для ИИ оптимизированы для массовых параллельных вычислений. Они выполняют обучение больших языковых моделей, обработку изображений и видео с помощью ИИ, моделирование, научные вычисления и вывод результатов в больших масштабах. Для этого им требуется большое количество тесно связанных между собой ускорительных чипов, как правило, графических процессоров (GPU), а иногда и специализированных чипов для ИИ.

Один сервер с графическим процессором не является центром обработки данных для ИИ. Коммерчески значимая производительность достигается при объединении множества ускорителей в тесно связанный кластер. Для обучения модели они должны постоянно обмениваться данными и промежуточными результатами. Если внутреннее соединение слишком медленное, графические процессоры ждут друг друга. Это снижает эффективность использования и делает дорогостоящее оборудование неэффективным. В кластерах ИИ сеть, таким образом, становится частью вычислительной машины. Пропускная способность, задержка, топология сети и соответствующее программное обеспечение для параллельных вычислений напрямую определяют коммерчески значимую производительность.

Плотность мощности также значительно различается. В то время как традиционные центры обработки данных часто работают с мощностью от 5 до 15 киловатт на стойку, современные стойки для ИИ часто имеют мощность от 50 до 100 киловатт и более. Особенно мощные современные системные конфигурации могут достигать примерно 120–140 киловатт на стойку. Эти значения не типичны для каждого проекта в области ИИ, но они показывают, что техническая инфраструктура коренным образом изменилась по сравнению с традиционными ИТ-нагрузками.

Каждый потреблённый киловатт-час в конечном итоге почти полностью преобразуется в тепло. Стойка для высокоплотных систем искусственного интеллекта действует с точки зрения теплообмена как большой источник тепла на очень небольшой площади. В этом случае чисто воздушного охлаждения часто недостаточно или оно возможно только при несоразмерно высоких затратах. Поэтому всё большее значение приобретают жидкостное охлаждение непосредственно на чип, охлаждающие пластины, водоохлаждаемые стойки, теплообменники на задних дверях и, в особых случаях, иммерсионное охлаждение. Охлаждение больше не рассматривается как второстепенная технология здания, а как неотъемлемая часть ИТ-инфраструктуры и проектирования помещений.

Новое измерение цифровой трансформации с помощью «управляемого ИИ» (искусственного интеллекта) – платформа и B2B-решение | Xpert Consulting - Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрить индивидуальные решения на основе искусственного интеллекта.

Управляемая платформа искусственного интеллекта — это комплексное и беззаботное решение для вашего бизнеса в сфере искусственного интеллекта. Вместо того чтобы возиться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — зачастую всего за несколько дней.

Основные преимущества с первого взгляда:

⚡ Быстрая реализация: от идеи до готового к использованию приложения за считанные дни, а не месяцы. Мы предлагаем практические решения, которые создают немедленную добавленную стоимость.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются с вами. Мы гарантируем безопасную и соответствующую законодательству обработку данных без их передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Полностью исключаются высокие первоначальные инвестиции в оборудование, программное обеспечение или персонал.

🎯 Сосредоточьтесь на своем основном бизнесе: сконцентрируйтесь на том, что у вас получается лучше всего. Мы берем на себя всю техническую реализацию, эксплуатацию и обслуживание вашего решения на основе ИИ.

📈 Перспективность и масштабируемость: ваш ИИ растет вместе с вами. Мы обеспечиваем непрерывную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Более подробная информация здесь:

• Управляемые решения в области ИИ — Промышленные услуги ИИ: ключ к конкурентоспособности в секторах услуг, промышленности и машиностроения

Прямое сравнение традиционных центров обработки данных и центров обработки данных для ИИ

Различия становятся наиболее очевидными при непосредственном сравнении типичных задач, оборудования, плотности производительности и управления бизнес-процессами. В таблице описаны идеальные типичные конфигурации. На практике существует множество гибридных форм, особенно среди крупных облачных и колокационных провайдеров.

Сравнение наглядно показывает: ключевое различие заключается не только в типе установленных серверов, но и в возросших требованиях. Традиционный центр обработки данных должен надежно интегрировать самые разнообразные ИТ-нагрузки. Центр обработки данных для ИИ должен управлять как можно большим количеством ускорителей при постоянной высокой нагрузке, поддерживая их одновременную производительность. Это одновременно увеличивает требования к энергопотреблению, теплоотводу, внутренним сетям, закупкам, эксплуатации и финансированию.

Почему кластеры ИИ требуют так много энергии, охлаждения и трафика данных?

Традиционный сервер обрабатывает множество запросов, изменяющихся в зависимости от ситуации: запрос к базе данных, электронное письмо, посещение веб-сайта, бронирование или доступ к файлу. Хотя эти задачи критически важны для бизнеса, они часто не подвергают оборудование постоянной максимальной вычислительной нагрузке. Инфраструктура оптимизирована для обеспечения надежности, универсальности и эффективного распределения ресурсов.

В отличие от этого, для обучения большой модели ИИ требуется одновременная работа тысяч графических процессоров под высокой нагрузкой в ​​течение длительного времени. Каждый графический процессор выполняет большое количество математических операций, особенно матричных вычислений. Затем результаты необходимо синхронизировать между ускорителями. Поэтому обучение модели — это не просто вопрос вычислительной мощности отдельных чипов. Это скоординированная работа, охватывающая аппаратное обеспечение, сеть, память, программное обеспечение и электропитание.

Это создает три ключевых узких места. Первое — это электропитание. Серверы для ИИ и стойки высокой плотности потребляют значительно больше электроэнергии, чем стандартные серверы. Эта энергия должна не только быть доступна, но и распределяться бесперебойно, резервно, стабильно и пространственно сконцентрирована непосредственно в стойках. Сетевое соединение, достаточное для традиционных ИТ-систем, очень быстро может стать ограничивающим фактором для большого кластера графических процессоров.

Второе узкое место — это тепло. Практически каждый потребленный киловатт-час преобразуется в тепло. В высокоплотных стойках для ИИ воздушное охлаждение больше не может экономично и надежно рассеивать это тепло. Таким образом, жидкостное охлаждение становится не дополнительной функцией повышения эффективности, а техническим фактором, обеспечивающим высокую плотность вычислительных мощностей. Оно меняет трубопроводы, насосные технологии, теплообменники, концепции резервирования и всю технологию здания.

Третье узкое место — это передача данных. Если графические процессоры не обмениваются данными достаточно быстро, они вынуждены ждать друг друга. Это приводит к неэффективному использованию дорогостоящего оборудования, даже несмотря на его физическое присутствие и потребление энергии. Поэтому для крупных кластеров ИИ крайне важны чрезвычайно быстрые соединения с низкой задержкой между серверами. С экономической точки зрения это не только увеличивает инвестиционные затраты, но и подчеркивает важность профессионального управления операциями.

Предыдущие рекомендации по планированию центров обработки данных с поддержкой графических процессоров уже предусматривали значительно более высокие требования к производительности и охлаждению, чем в типичных серверных средах. Даже при мощности от 15 до 32 киловатт на стойку, передовые концепции охлаждения и электропитания были актуальны; при проектировании с мощностью от 30 до 50 киловатт планирование все больше смещалось в сторону высокоплотной инфраструктуры. Современные кластеры для ИИ иногда значительно превосходят эти требования. Таким образом, тенденция очевидна: вычислительная мощность растет не только географически, но и все чаще в концентрированных энергетических зонах.

Когда центр обработки данных объективно рассматривается как центр обработки данных для ИИ

Не существует общепринятого, юридически обязательного порога, который автоматически определял бы местоположение как центр обработки данных для ИИ. Ни наличие отдельных графических процессоров, ни конкретное количество серверов, ни заданное энергопотребление, ни маркетинг продукта для ИИ сами по себе не являются достаточными. На практике используются различные термины: центр обработки данных для ИИ, центр обработки данных для графических процессоров, облако графических процессоров, центр обработки данных для ускоренных вычислений, центр высокопроизводительных вычислений/ИИ или фабрика ИИ.

Эти термины не представляют собой единые категории защищенных зданий. Они описывают различные области применения. Центр высокопроизводительных вычислений (HPC) может проводить научные симуляции, моделирование погоды и исследования материалов, и одновременно подходить для искусственного интеллекта (ИИ). Облако с графическими процессорами (GPU) в основном занимается продажей мощностей ускорителей. Фабрика ИИ более точно описывает логику создания промышленной ценности, где электроэнергия, данные, оборудование и программное обеспечение преобразуются в обученные модели или производительность вывода. Традиционный облачный центр обработки данных, в свою очередь, может содержать зоны с графическими процессорами, не считаясь при этом центром обработки данных для ИИ в целом.

Таким образом, наиболее объективная классификация носит функциональный характер. Центр обработки данных следует относить к центрам обработки данных для ИИ, если его доминирующая архитектура, инвестиционное планирование и экономическое использование определяются задачами, связанными с ИИ или тесно с ним связанными высокопроизводительными вычислениями. Важна не маркетинговая метка, а направленность местоположения.

Для определения этого можно использовать пять критериев. Во-первых, аппаратное обеспечение ускорителей, такое как графические процессоры (GPU) или другие чипы для ИИ, должно составлять значительную часть вычислительной мощности и объема инвестиций. Во-вторых, архитектура должна быть разработана для кластерной работы и чрезвычайно быстрой связи между множеством ускорителей. В-третьих, электрическая схема должна поддерживать высокую и локально сконцентрированную плотность мощности. В-четвертых, стандартная концепция жидкостного охлаждения или аналогичная специализированная система рассеивания тепла четко указывает на ориентацию на ИИ или высокопроизводительные вычисления (HPC). В-пятых, бизнес-модель должна быть в первую очередь ориентирована на часы работы GPU, производительность обучения, производительность вывода, работу моделей или услуги платформы ИИ.

Если эти критерии выполняются только в отдельных областях, скорее всего, это универсальный центр обработки данных с возможностями искусственного интеллекта. Если же они относятся ко всей территории, уместно обозначение «центр обработки данных с использованием ИИ». Это также относится к случаю, когда часть помещения продолжает использоваться для размещения традиционного ИТ-оборудования. Решающим фактором является рабочая нагрузка, определяющая расширение, энергетическую архитектуру, систему охлаждения и экономическую целесообразность.

Не для каждого приложения ИИ требуется выделенная инфраструктура для его применения

Это различие особенно важно для малых и средних предприятий (МСП). Компании не нужен собственный центр обработки данных для ИИ только потому, что она использует чат-бот, классификацию документов, прогнозирование продаж, анализ изображений или системы генеративной помощи. Многие приложения можно экономично реализовать с помощью облачного ИИ, внешних графических процессоров или отдельных специализированных серверов.

Владение собственным оборудованием для ИИ становится более привлекательным, когда конфиденциальные данные должны оставаться внутри организации, когда наблюдается высокая и стабильная загрузка, когда требуется очень низкая задержка или когда необходимо обучить и запустить обширные внутренние модели. На решение также могут влиять нормативные требования, существующая ИТ-инфраструктура, опыт эксплуатации и долгосрочные затраты. Универсального решения не существует.

Таким образом, промышленное предприятие может использовать гибридную архитектуру. Обучение комплексной модели происходит централизованно в облаке с графическими процессорами или в специализированном центре обработки данных для ИИ. С другой стороны, быстрая проверка качества, управление роботами или машинный анализ выполняются локально на предприятии с помощью периферийных систем. Корпоративное программное обеспечение, хранение данных и средства совместной работы могут затем функционировать в традиционных облачных средах или центрах обработки данных.

Таким образом, правильный подход к ведению бизнеса заключается не в выборе между собственной и внешней инфраструктурой ИИ. Правильный вопрос звучит так: какую вычислительную задачу необходимо обрабатывать в каком месте, чтобы обеспечить оптимальный баланс между задержкой, защитой данных, масштабируемостью, затратами, доступностью и сложностью эксплуатации?

Электроэнергия превращается из ресурса, необходимого для функционирования энергосистемы, в стратегическое узкое место

Наиболее существенное экономическое различие между традиционными и специализированными центрами обработки данных для ИИ заключается в потреблении электроэнергии. Энергия является основным фактором затрат в любом центре обработки данных. Однако в центрах обработки данных для ИИ она может стать решающим ограничивающим фактором масштабируемости. Спрос не только постоянно растет, но и резко увеличивается сразу после установки новых кластеров с графическими процессорами.

Оператору прежде всего необходима достаточная пропускная способность сети. Она должна надежно поступать на объект по высоковольтным линиям, подстанциям, трансформаторам, распределительным устройствам и внутренним распределительным системам. Кроме того, необходимо спланировать резервирование, аварийное электроснабжение, профили нагрузки и варианты расширения. Поэтому для крупных проектов в области искусственного интеллекта вопрос о наличии электроэнергии в настоящее время — не единственный важный фактор. Решающим фактором является то, когда можно будет надежно обеспечить дополнительную мощность и при каких долгосрочных, предсказуемых условиях.

Это существенно меняет логику выбора места. Хорошего доступа к автомагистралям, наличия коммерческих площадей и оптоволоконных соединений уже недостаточно. Более важными факторами являются доступная пропускная способность сети, близость к высокопроизводительным подстанциям, реалистичные сроки подключения, подходящие варианты охлаждения, возможность получения разрешений и надежная стратегия ценообразования на электроэнергию. Земельный участок, готовый к застройке, но не имеющий достаточного электроснабжения, может оказаться практически бесполезным для кампуса искусственного интеллекта.

Регионы сталкиваются как с возможностями, так и с противоречивыми целями. Высокопроизводительные сети и промышленная энергетическая инфраструктура могут привлекать новые инвестиции, экспертные знания и создавать цифровую ценность. В то же время крупные проекты занимают значительную часть сетевых мощностей. Поэтому муниципалитеты, операторы сетей и политики должны учитывать, как центры обработки данных взаимодействуют с промышленным развитием, жилищным строительством, электромобильностью, тепловыми насосами и другими проектами электрификации. Вопрос не в том, важна ли цифровая инфраструктура. Вопрос в том, по каким критериям распределяются и расширяются дефицитные сетевые мощности.

Охлаждение и использование отработанного тепла определяют приемлемость и экономическую целесообразность

Для центров обработки данных, использующих искусственный интеллект, охлаждение — это не просто техническая деталь. Оно влияет на проектирование здания, инвестиционные затраты, энергоэффективность, стратегию водоснабжения, эксплуатационную надежность и потенциальную интеграцию в локальные сети отопления. Чем выше удельная мощность ИТ-оборудования, тем большее значение приобретает теплоотвод.

Жидкостное охлаждение может рассеивать тепло более эффективно, чем одно лишь воздушное охлаждение, при высокой плотности размещения оборудования в стойках. Однако оно требует комплексного планирования, начиная от микросхем и заканчивая серверами и стойками, насосами, теплообменниками и внешними системами охлаждения. Модернизация существующих зданий возможна, но может быть ограничена или дорогостояща из-за проблем с электроснабжением, планировкой помещений, несущей способностью, трубопроводами и существующими технологиями охлаждения. Новые здания, ориентированные на ИИ, напротив, могут быть изначально спроектированы для высокой плотности размещения оборудования и интегрированных систем жидкостного охлаждения.

Отработанное тепло может стать экономически и социально значимым. Его можно использовать, например, для централизованных тепловых сетей, промышленных парков, бассейнов или других близлежащих потребителей. Однако это не происходит автоматически. Тепло должно генерироваться локально, доводиться до подходящей температуры с помощью соответствующих технологий, синхронизироваться с удовлетворением спроса и надежно продаваться по трубопроводам и контрактам. Без потребителей, инфраструктуры и жизнеспособной бизнес-модели отработанное тепло остается в основном техническим побочным продуктом.

Тщательно спланированное использование тепла может улучшить энергетический баланс и общие показатели эффективности объекта. Оно может принести дополнительный доход, укрепить общественное признание и упростить получение разрешений. Однако одних лишь общих обещаний недостаточно. К решающим факторам относятся конкретные источники тепла, температура, потребители, инвестиции, ответственность и долгосрочные контракты.

Инфраструктура ИИ имеет иную структуру инвестиций и рисков

Центры обработки данных по своей природе являются капиталоемкими инфраструктурными проектами. Земля, здания, электроснабжение, резервирование, безопасность, оптоволокно и охлаждение — все это требует значительных первоначальных инвестиций. Центры обработки данных для искусственного интеллекта увеличивают эту капиталоемкость, поскольку оборудование для ускорения вычислений дорогое и может устаревать гораздо быстрее, чем здания или сетевые соединения.

Инвестиции состоят из двух совершенно разных частей. Долговечная инфраструктура включает в себя здания, подстанции, системы распределения электроэнергии, оптоволоконные кабели и системы охлаждения. Эти активы используются в течение длительного времени. В отличие от них, графические процессоры, сетевые компоненты, системы хранения данных и серверы, а также необходимые программные стеки проходят более короткие технологические циклы. Новые ускорители могут обеспечить значительно лучшую производительность, больший объем хранения данных или улучшенную энергоэффективность. Хотя старые системы остаются работоспособными, они могут потерять конкурентоспособность, поскольку клиенты переносят свои рабочие нагрузки на более новое оборудование.

Это различие имеет решающее значение для финансирования. Рассмотрение долговечной инфраструктуры зданий и быстро устаревающего ИТ-оборудования в рамках единого расчета окупаемости инвестиций может привести к неправильной оценке рисков. Поэтому проекту в области ИИ необходима четкая стратегия модернизации: какое оборудование будет заменено и когда? Каковы реалистичные остаточные стоимости? Насколько гибко можно адаптировать здание для будущих поколений? Как предотвратить чрезмерную негибкость системы, адаптированной к конкретной серверной архитектуре, при изменении технологий?

Использование — ещё один ключевой фактор. Кластер с графическими процессорами приносит привлекательный доход только в том случае, если он используется непрерывно. Время простоя обходится дорого, поскольку продолжаются амортизация, финансирование, электроснабжение, техническое обслуживание и эксплуатационные расходы. Высокие цены могут быть достигнуты в периоды ограниченной доступности графических процессоров. Однако с увеличением предложения или смещением спроса от обучения к более эффективному инференцированию ценовое давление может значительно возрасти. Поэтому в долгосрочной перспективе побеждают не обязательно крупнейшие проекты, а скорее операторы с хорошим доступом к оборудованию, конкурентоспособными ценами на электроэнергию, лояльностью клиентов, подходящей программной платформой и гибким маркетингом.

Для обучения, вывода результатов и периферийных вычислений требуются разные местоположения

Термин «центр обработки данных для ИИ» заслоняет тот факт, что сами задачи ИИ сильно различаются. Обучение больших моделей особенно ресурсоемко с точки зрения вычислительных ресурсов. Для этого требуются огромные, тесно связанные кластеры графических процессоров, которые можно сконцентрировать в нескольких высокопроизводительных точках. Для таких задач доступность электроэнергии, внутренние сети, доступ к оборудованию и охлаждение важнее, чем непосредственная близость к конечному пользователю.

Вывод информации, то есть использование обученной модели для ответа на запросы или распознавания закономерностей, имеет другой профиль. Он также может осуществляться централизованно в крупных центрах обработки данных. Однако для приложений, критически важных по времени, близость к пользователю или источнику данных имеет решающее значение. Голосовой помощник, поисковый запрос или персонализированные рекомендации допускают лишь незначительные задержки. Еще более критичными являются промышленный контроль изображений, управление роботами, системы медицинской помощи и некоторые приложения для управления дорожным движением.

Таким образом, граничные вычисления дополняют центральные центры обработки данных для ИИ, а не заменяют их. Модель может быть обучена в большом кластере ИИ, а затем развернута в сжатом виде на заводах, в логистических центрах, больницах или региональных центрах обработки данных. Там она обрабатывает данные как можно ближе к точке их происхождения. Это снижает задержку, экономит пропускную способность и может обеспечить защиту данных и отказоустойчивость.

Это ставит перед компаниями очевидную задачу проектирования. Не каждое приложение ИИ оправдывает наличие собственной высокопроизводительной инфраструктуры. Часто целесообразно использовать гибридную архитектуру: обучение и крупномасштабные эксперименты проводятся с помощью внешних облачных сред с графическими процессорами или специализированных центров обработки данных для ИИ. Стандартные ИТ-решения и хранилища данных работают в существующих облачных средах или центрах обработки данных. Критически важные по времени, производственные или особенно чувствительные к данным процессы обрабатываются локально или регионально на периферии сети.

Цифровой суверенитет — это нечто большее, чем просто местоположение в Германии

Центры обработки данных для ИИ часто ассоциируются с цифровым суверенитетом. Физическое расположение в Германии или Европейском Союзе является важным компонентом этого. Оно может предложить преимущества с точки зрения защиты данных, обеспечения соблюдения законодательства, задержки и безопасности поставок. Однако это не является полным доказательством суверенитета.

Суверенитет также включает в себя право собственности, контроль со стороны оператора, права доступа, юридическую юрисдикцию, цепочки поставок, зависимости от программного обеспечения, квалифицированный персонал и доступность критически важных компонентов. Кластер может располагаться в Европе и при этом сильно зависеть от неевропейских поставщиков оборудования, облачных платформ и программных экосистем. И наоборот, международный оператор может предоставить локальные мощности, которые имеют операционную и юридическую ценность для европейских клиентов.

Таким образом, экономически жизнеспособная стратегия не должна стремиться к полной самодостаточности. Она должна создавать надежные операционные возможности: доступ к вычислительным мощностям, множество вариантов закупок, прозрачные потоки данных, надежные контракты, переносимые данные и модели, устойчивые цепочки поставок и достаточный внутренний опыт в операционной деятельности. Для малых и средних предприятий и промышленности это означает сравнение не только цены и качества моделей при выборе услуг ИИ. Местоположение данных, возможность экспорта, договорные права, варианты переключения, режимы отказов и возможности интеграции в существующие процессы имеют одинаково важное значение.

Рынок по-прежнему остается гибридным, но характер дефицитных ресурсов меняется

Сравнивать традиционные и центры обработки данных для ИИ необходимо, но это не должно создавать впечатление, что формируются два совершенно разных рынка. Большинство профессиональных операторов будут планировать свои площадки как гибридные. Им по-прежнему потребуется место для традиционных облачных сервисов, хранилищ, баз данных, коммуникационных платформ и клиентского оборудования. В то же время будут созданы зоны высокой плотности для кластеров графических процессоров, жидкостного охлаждения и особенно мощных внутренних сетей.

Для новых зданий это означает большую гибкость в базовом планировании. Резервные зоны, масштабируемое распределение электроэнергии, предварительно установленные контуры охлаждения, более высокая несущая способность перекрытий и модульные залы могут впоследствии определить экономическую целесообразность. Существующие площадки можно в некоторой степени модернизировать, но они достигают своих пределов с точки зрения сетевых подключений, планировки, высоты потолков, технологий охлаждения и несущей способности. Не каждый традиционный центр обработки данных будет экономически целесообразен в качестве площадки для размещения объектов искусственного интеллекта.

Стратегически дефицитным ресурсом будущего станет не просто какой-либо сервер или хранилище данных. В дефиците окажутся эффективно используемые ресурсы для ускорения обработки данных, высокопроизводительные источники питания, подходящая инфраструктура охлаждения и сверхбыстрые сети. Такое сочетание невозможно быстро внедрить в каждом месте. Для этого необходимы долгосрочное планирование, капитал, техническая экспертиза и прочные партнерские отношения между операторами, поставщиками энергии, поставщиками оборудования, муниципалитетами и потребителями.

Вывод очевиден: традиционные центры обработки данных остаются незаменимой основой всей цифровой экономики. Центры обработки данных для ИИ строятся на этой основе, но представляют собой специализированное, особенно энерго- и капиталоемкое расширение. Место становится центром обработки данных для ИИ не просто потому, что там используется искусственный интеллект. Оно становится таковым, когда оптимизированные для ИИ кластеры ускорителей, высокая плотность мощности, специализированная система охлаждения, высокопроизводительные сети и бизнес-цель, ориентированная на вычислительную мощность ИИ, определяют его архитектуру и логику инвестиций.

Это превращает цифровую инфраструктуру в новую область промышленной политики. Ключевой вопрос не в том, будут ли все центры обработки данных способны к использованию ИИ в будущем. Ключевой вопрос в том, где будут генерироваться дефицитные ресурсы для высокопроизводительной инфраструктуры ИИ, кто будет ими управлять, как они будут интегрированы с точки зрения энергоэффективности и какую реальную экономическую выгоду это принесет компаниям и регионам.

От прозрачности к доверию: ваш масштабируемый путь с Xpert.Digital - Изображение: Xpert.Digital

В промышленном B2B-секторе устойчивые деловые отношения редко возникают за одну ночь. Они развиваются шаг за шагом – благодаря видимости, профессиональной значимости, регулярным контактам и растущему доверию. Четырехэтапная модель Xpert.Digital решает именно эту задачу: она предлагает структурированный путь, начинающийся с управляемой отправной точки и, при необходимости, перерастающий в более глубокое сотрудничество в развитии бизнеса.

Вместо громких маркетинговых обещаний, эта модель ставит во главу угла взаимоотношения. Компании начинают с четко определенных, легко поддающихся расчету показателей, а затем, основываясь на собственном опыте, решают, насколько они хотят расширить сотрудничество. Ключевым фактором этого беспрепятственного процесса построения доверия является то, что платформа полностью избегает навязчивой рекламы, поэтому редакционный фокус остается исключительно на экспертизе компаний.

Более подробная информация здесь:

• От прозрачности к доверию: ваш масштабируемый путь с Xpert.Digital

☑️ Язык ведения нашего бизнеса — английский или немецкий

☑️ НОВИНКА: Переписка на вашем родном языке!

Konrad Wolfenstein

Я и моя команда будем рады быть вашими личными консультантами.

Вы можете связаться со мной, заполнив контактную форму здесь [email protected]:или просто позвонив по номеру +49 7348 4088 965. Мой адрес электронной почты

Я с нетерпением жду начала нашего совместного проекта.

☑️ Поддержка малых и средних предприятий в области стратегии, консалтинга, планирования и реализации проектов

☑️ Разработка или корректировка цифровой стратегии и цифровизации

☑️ Расширение и оптимизация международных процессов продаж

☑️ Глобальные и цифровые торговые платформы B2B

☑️ Развитие бизнеса / Маркетинг / PR / Выставки от компании Pioneer