AI 驱动的数据中心变革与前景

文章主要探讨了AI计算时代数据中心的转型，涉及计算技术的多样性、规格尺寸和加速器的发展、大型语言模型（LLM）的发展、功耗和冷却趋势、基准测试的重要性以及数据中心的发展等方面。为大家提供深入了解AI基础设施发展的视角。

 计算技术的多样性与应用场景

1. CPU：作为数据中心的传统“主力军”，在推理任务中表现出色，特别是配备充足内存的CPU在处理繁重图像处理任务时具有优势，但在快速计算能力方面不及GPU。

2. GPU：最初设计用于图形处理，随着张量核心的引入，在各种AI应用中广泛使用。

3. FPGA：以流水线指令闻名，适合诸如语音转文本转换等任务。

4. DSA：专注于高效执行矩阵乘法，针对特定工作负载进行高度优化，但难以轻易应用于其他IT任务。

由此可见：

• 在处理能力和可编程性方面，CPU具有显著灵活性；
• GPU通过CUDA技术发展提供高性能和可编程性；
• FPGA高度定制化；
• DSA针对特定工作负载优化，需要软件调整以实现最佳性能。

 规格尺寸和加速器 

• 多种规格尺寸的发展：

从M.2和PCI CEM到定制芯片设计，包括Cerebras开创的大型单片晶圆级解决方案，以及Nvidia的Grace Hopper这样的高速缓存一致性CPU/GPU正在崛起，每种设计都针对特定工作负载进行优化。

• 推理和训练的应用趋势：

在推理任务中，主要看到M.2嵌入式规格尺寸和PCI CEM的广泛应用；在训练方面，逐渐转向使用越来越定制化的GPU。

 大型语言模型（LLM） 

• 模型规模与算力需求：

随着LLM模型规模的扩大，对算力的需求显著增加，计算需求呈现出大约10倍的增长轨迹，训练作业的最大关键绩效指标取决于训练时间，因此引入不同类型的加速器成为关键。

• 数据集的组合：

随着视觉元素的加入，文本、视觉和视频等不同数据集的组合在LLM中变得普遍。

 功耗和冷却 

• 功耗增长趋势：

当前最高功率的GPU大约为700瓦，PCI CEM约为400瓦，未来几代的功耗预计将显著增长，这将对冷却设施产生重大影响。

• 冷却设施的发展：

冷却基础设施变得至关重要，液体冷却与空气冷却的结合成为主要趋势，液体冷却不会完全取代空气冷却平台，许多数据中心仍然偏好并部署空气冷却基础设施。

 基准测试的重要性

• MLCommons的发展：

MLCommons起源于基于MLPerf的基准测试，并演进扩展了其范围，涵盖存储、高性能计算以及跨这些领域的多样化基准测试开发。

• 基准测试与模型的关系：

基准测试往往滞后于LLM快速增长的行业步伐，但像MLCommons和MLPF这样的基准测试覆盖了训练、推理和存储等多个方面，为评估特定加速器提供了一个框架，有助于从芯片的角度评估其性能以及与期望的关键绩效指标（KPI）的对齐情况。

• 推理和训练领域的基准测试：

在推理方面，关注从数据中心延伸到边缘环境，通过评估不同的模型类别来确定最佳的持续时间和KPI；在训练领域，为模型和基准测试实践在训练和推理领域的一致分类提供了支持。

 数据中心的发展

• 机架功率趋势：

随着LLM的增长，数据中心的机架功率从历史上的每机架10至20千瓦线性增长至每机架75至100千瓦甚至更高，这可能导致新的绿色数据中心的增加，改造现有的旧数据中心以满足这些需求将是一项挑战。

• 数据中心层面的视角转变：

从节点级别开始，各种功率、基准测试、规格尺寸和精度的加速器正在涌现，使得数据中心需要从节点级别上升到机架级别，再到数据中心级别进行考虑，冷却变得具有挑战性，液体冷却迅速得到采用，未来液体冷却可能在AI计算场景中占据主导地位。

 AI基础设施的发展 

• 从节点级别到集群级别的部署：

AI基础设施的发展趋势已不再局限于部署仅配备2到8个GPU的节点来完成任务，将更多地转向集群级别的部署。

• 2.关键因素：

-网络设计和连接方式：为了使GPU、FPGA或专用加速器等计算单元高效运行，必须认真考虑网络设计，包括如何连接存储、数据的位置以及如何迅速地将数据传输到计算单元中并解决问题。

-机架和数据中心级别的电力预算：到2025年，应该考虑或部署每个机架功率在70到100千瓦的数据中心，需要从机架级别和数据中心级别的电力预算出发，深入思考未来几年内这一特定领域的所有增长趋势。

-与数据中心人员的沟通：所有生成式AI应用程序的部署规模已远超过之前的预测，需要与数据中心人员进行深入的沟通，了解他们的需求，并基于这些需求进行构建，而不是简单地将GPU组装成一个节点。

 行业应用

• 科技巨头的数据中心转型：

以谷歌、亚马逊、微软等科技利用AI技术优化数据中心的运营和管理，提高能效和计算效率。

• 金融行业的数据中心应用：

金融机构借助AI驱动的数据中心进行风险评估、欺诈检测和交易处理等业务，以及面临的挑战和解决方案。

• 医疗行业的数据中心创新：

医疗领域数据中心应用于医学影像分析、疾病预测和个性化医疗等，以及利用AI技术推动医疗行业的发展。

 技术创新

• 量子计算在数据中心的潜力：

量子计算与传统计算技术相结合，为数据中心带来更高的计算能力和解决复杂问题的能力。

• 边缘计算与数据中心的协同发展：

边缘计算在数据中心架构中起着重要的作用，边缘计算与数据中心协同工作以提高数据处理的实时性和效率。

• AI芯片的发展：

当前人工智能芯片市场的竞争强烈，未来芯片技术会向更高的算力、更低的能耗和更好的兼容性而发展。

 展望未来

• AI 与数据中心的深度融合：

随着AI技术的不断发展，数据中心将更加智能化，能够自动优化资源配置、预测故障并进行自我修复，提高运营效率和可靠性。

• 新型计算架构的出现：

未来可能会出现一些新型的计算架构，如类脑计算等，这些架构将为数据中心带来更高的性能和更低的能耗。

• 数据中心的绿色可持续发展：

在全球对环境保护日益重视的背景下，数据中心将朝着绿色可持续的方向发展，采用更多的可再生能源、优化冷却技术以提高能源利用率。

• 边缘数据中心的崛起：

随着物联网、5G等技术的普及，边缘数据中心将发挥越来越重要的作用，能够更快地处理和分析数据，减少延迟，满足实时性要求较高的应用场景。

• 数据中心的全球化布局：

为了满足不同地区用户的需求，数据中心将进一步全球化布局，同时也需要应对不同地区的政策、法规和文化差异。

数据中心的未来发展充满着机遇与挑战。技术的不断创新、计算需求的持续增长、对能源效率和可持续性的重视，以及政策法规的影响等因素，都将塑造数据中心的未来格局。

#数据中心#绿色节能#AI#人工智能#高性能计算#HPC#液冷#水冷#AI基础设施#LLM#大语言模型