模块化数据中心在固定体积的模块内容纳了完整的服务器、存储、网络和环境控制设施,而且随着技术的发展,这些模块体积还会变得越来越小。
货柜数据中心让企业在不具备修建数据中心条件,也无法从主机托管中心租用空间的时候仍能有效搭建本地计算资源——例如,在一艘油轮上。一个典型的基于集装箱的数据中心可以在单个40英尺规格的船运集装箱内容纳几十台物理服务器和数千个虚拟机。
更小的微型模块或微数据中心(MDC)设计方案让异地数据中心的部署成为可能。这些容器通常会在单个19英寸机架内安装不超过10台服务器和少于100个虚拟机。例如,由ASTModular提供的SmartBunkerMDC微数据中心系统,其设计规格就是在单个42U机架内承载85个虚拟机。新的MDC产品采用尺寸更小的23U规格,部署在单个机架外壳中。
微数据中心的功能模块和它们的全尺寸的数据中心弟兄们一样,包括内部灭火系统、防洪防潮系统、使用门锁和生物安全技术防盗和防破坏、完全冗余的冷却系统和防止干扰附近电子设备的电磁屏蔽(EM)外壳。所有这些模块都使用本地公共三相电源或单独的发电机进行供电。
经过加固的的数据中心套装适合在远程、有潜在危险或不安全因素的情况下进行短期或中期部署,例如地震、水灾灾区、战场等地区。远程监控功能可帮助IT管理人员对设备单元进行远程操控。
选择适合任务的正确工具
虽然微数据中心可以部署到现有的数据中心建筑环境,例如,在数据中心改建期间利用微数据中心维持业务运行,但它们与融合基础设施平台并不相同,解决的也不是同一类问题。
融合基础设施产品,例如思科统一计算系统,通过捆绑预先测试和优化的服务器、存储、网络和软件的组合,解决的是系统的集成问题。这些捆绑组件都还需要现场提供额外的电源、冷却、灭火和安全保障。
微数据中心能将计算能力快速运送至任意位置,并满足灵活性需求。微数据中心和融合基础设施机框都适用于不具备自建数据中心条件的小型和中型企业。然而,MDC往往更多地部署在具有潜在危险的、远离本地应用和基础设施的远程地点,所以MDC产品自身必须整合安全、冷却、灭火和其它物理特性。
微数据中心内的计算机系统和软件也不会像融合基础设施机框那样明确针对特定用途而优化。当然,MDC用户也可以利用预安装设备来创建同样的融合基础设施模型。例如,ASTSmartBunker微数据中心可以包括戴尔的硬件、Citrix虚拟化软件和自定制的Cloudtimizer监控软件。
寻求合适的微数据中心指标
一个全尺寸机架版本的微数据中心的耗电量范围通常在12千瓦至20千瓦,另外,类似EllipticalMobileSolutions的供应商也提供在单个42U机架内支持20千瓦至80千瓦的高密度产品。您的电力需求将取决于机架大小、服务器数量、工作负载动态(物理服务器空闲或关机的数目)、冷却需求、最主要的使用环境等因素。
如果你需要一个坚固的数据中心,那么你就需要评估其计算能力之外的各种环境指标。五个关键评级领域包括防火、安全、EM(电磁)抑制、环境防护和抗震能力(见表1)。
表1如何评价一个微数据中心的坚固程度
另一个值得介绍的微数据中心是来自EllipticalMobileSolutions的RASER家族产品,其最大特点是符合多种标准规定,包括《限制有害物质》的实际行动,CE(欧盟安全),美国安全检测实验室(UL),美国《健康保险携带和责任法案》和《萨班斯-奥克斯利法案》。
符合这些标准,对于部署MDC来翻新数据中心或增强分支办公室的计算能力的用户可能并不重要,但对于部署在世界上的发展中国家、灾区或战乱地区的MDC则非常关键。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。