多个整齐排列、全线运行的服务器机架构成的数据中心画面。现代电信、云计算、人工智能、数据库、超级计算技术概念。画面以暗色调为背景,并辅以霓虹蓝和粉色灯光。
实现资本支出和运营支出节约的可持续路径 似乎全世界都在依赖 AI 来提升未来的效率,但从可持续性的角度来看,这对地球会产生怎样的影响呢?
高盛研究估计,到 2027 年,全球数据中心对电力的需求将比 2023 年增长 50%,部分原因是 AI 驱动应用和工作负载的增加、大语言模型(LLMs)的使用以及支撑这些应用所需的大规模计算集群。
这极有可能给以绿色 IT 和碳减排为核心的企业可持续发展举措带来巨大压力。数据中心的根本任务是在使用更少电力的前提下存储、传输和处理更多数据,或者至少要保证在处理当前大数据量时消耗的电力不比过去处理较少数据时更多。
这绝非易事,而且可能需要经历多年的漫长探索。Infinidat 认为可以从安全托管所有这些信息的存储系统入手。您可以观看这段视频,了解 Infinidat 首席市场官 Eric Herzog 与 The Register 的 Tim Philips 讨论公司如何计划解决服务提供商和大型企业在存储可持续性方面所面临的难题。
但实现这一目标不仅仅是满足董事会对可持续性的期望和展示绿色资质。数据中心运营商仍需在收支平衡上做文章。这意味着必须确保绿色 IT 具有双重优势:既能帮助降低数据托管设施在供电、制冷、回收及其他相关资源和流程上的成本,同时还能尽可能减少给客户和利益相关方带来的停机时间。简而言之,您需要构建既环保又经济的合适存储基础设施。
Infinidat 相信他们已经找到了答案。您可以下载 IDC 白皮书了解更多信息,其中详细说明了公司如何计算其存储系统在五年内实现高达 162% 的投资回报率 (ROI) 以及整体运营支出最多减少 48% 的数据。
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。