一份 Seagate 的 Decarbonizing Data 报告指出,超过一半的企业领导者将能源使用视为主要关注点,而更高效地利用硬盘则是数据中心的明智选择。
报告引用了高盛的预测:到 2030 年,全球数据中心的电力需求相比 2023 年可能增长多达 165%。鉴于此,报告指出,数据量激增、能效提升速度放缓以及 AI 采用率上升正使各组织在同时管理碳排放、基础设施扩展和总体拥有成本(TCO)方面承受压力。
Seagate 云营销高级副总裁 Jason Feist 在报告中表示:“数据中心正受到严格审视——不仅因为它们支持现代 AI 工作负载,而且因为它们正成为数字经济中最耗能的行业之一。这要求我们对数据基础设施的认识进行根本性转变——不再将其视为成本与可持续性之间的权衡,而是看作在两者间实现优化的机会。”
那么,Seagate 认为这种根本性转变包含哪些内容呢?是要淘汰旋转硬盘吗?绝非如此。报告中包含了一张展示三种主要存储介质(硬盘、 SSD 和磁带)体内碳排放情况的表格:
结论如下: o SSD 的整体及每 TB 的体内碳排放均最高,是三种存储介质中碳密集度最高的选择。 o 硬盘无论在总体还是每 TB 计算上呈现最低碳足迹,提供了最碳效率高的可持续存储解决方案。 o LTO 磁带的体内碳排放适中,但其年度影响超过硬盘。
报告提出构建更可持续数据未来的三大策略支柱: 1. 技术创新:借助计算能力、存储面积密度的提升以及液体/浸没式冷却和 HVAC 系统等节能技术的进步,可大幅降低能耗和碳排放,有效应对不断增长的需求。 2. 生命周期延长与循环利用承诺:通过翻新、重复使用和维护存储设备,能够延长设备使用寿命,减少废弃物。实时环境监测和透明的报告机制也有助于在数据中心内落实责任。 3. 全生态系统的共同责任:如报告中所述,要实现涵盖范畴 1、2 及 3 的显著减排,需要供应商、合作伙伴以及云服务提供商在整个价值链上的协同合作。
Seagate 举例提到其基于 HAMR 技术的 Mozaic 3+ 硬盘技术已进入量产阶段。该技术在相同体积下的容量最高可达 10 TB 硬盘的三倍以上,同时每 TB 的体内碳排放降低超过 70%,并且根据 IDC 的数据,每 TB 成本降低了 25%。
Feist 表示:“可持续性问题绝非孤立可以解决。只有在基础设施建设、生命周期管理和全行业责任落实等方面采取整体性策略,才能确保 AI 和数据中心运作的增长不会以牺牲环境为代价。”
Seagate 自行生产并销售面向数据中心的 Nytro SSD 产品。而基于闪存驱动器的厂商 Pure Storage 则持不同观点。正如预期,其采用的是系统级视角,而不是单个硬盘的计算方法。Pure 指出,就一个拥有 1 exabyte 存储部署、硬盘生命周期为五年及 DirectFlash 模块生命周期为十年的十年周期内,其分析显示硬盘系统排放碳达 107,984 公吨,而基于 Pure 系统的排放仅为 14,779 公吨。
好文章,需要你的鼓励
香港中文大学与华为诺亚方舟实验室合作开发了PreMoe框架,解决了大型混合专家模型(MoE)在内存受限设备上的部署难题。研究团队发现MoE模型中的专家表现出明显的任务专业化特征,据此提出了概率专家精简(PEP)和任务自适应专家检索(TAER)两大核心技术。实验证明,DeepSeek-R1 671B模型在精简50%专家后仍保持97.2%的MATH500准确率,内存需求降至688GB;而更激进的精简方案(减少87.5%专家)也能保持72.0%的准确率。该方法适用于多种MoE架构,为强大AI系统的广泛部署铺平了道路。
SCIENCEBOARD是一项开创性研究,旨在评估多模态自主智能体在真实科学工作流中的表现。研究团队构建了一个包含169个高质量任务的基准测试,涵盖生物化学、天文学等六个科学领域,并开发了一个真实环境让智能体通过CLI或GUI接口与科学软件交互。实验评估表明,即使是最先进的模型在这些复杂科学任务上的成功率也仅为15%,远低于人类表现,揭示了当前技术的局限性并为未来科学智能体的发展提供了宝贵见解。
帝国理工学院的研究团队开发了AlphaMed,这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型,无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响,研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩,甚至超越了更大的封闭源模型,同时展现出自发的步骤推理能力,为医疗AI发展提供了更加开放、高效的新路径。
Alita是一种新型通用AI代理系统,采用极简设计理念,以"最小预定义,最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita,只配备一个核心能力和少量通用模块,能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示,Alita在GAIA基准测试上达到87.27%的通过率,超越包括OpenAI Deep Research在内的复杂系统,证明简约设计可带来卓越性能。