預(yù)計(jì)到2030年，數(shù)據(jù)中心使用的全球電力消耗份額可能會(huì)從目前的2%飆升至20%以上。數(shù)據(jù)中心使用大量電力來(lái)運(yùn)行和冷卻服務(wù)器。報(bào)告指出，到2026年，全球數(shù)據(jù)中心的電力消耗將增加一倍以上，消耗的電量與日本相當(dāng)。

　　據(jù)報(bào)告稱(chēng)，增加數(shù)據(jù)中心能源需求的因素包括訓(xùn)練大型語(yǔ)言模型的密集工作量。為支持大型語(yǔ)言模型的訓(xùn)練，對(duì)計(jì)算能力的需求呈指數(shù)級(jí)增長(zhǎng)，這將對(duì)數(shù)據(jù)中心產(chǎn)生深遠(yuǎn)的影響，并可能是能源轉(zhuǎn)型中最容易被忽視的方面之一。

　　需求激增

　　在電力基礎(chǔ)設(shè)施擴(kuò)張方面落后的發(fā)達(dá)國(guó)家，對(duì)數(shù)據(jù)中心運(yùn)營(yíng)的需求正在增長(zhǎng)。例如，到2026年，愛(ài)爾蘭數(shù)據(jù)中心的電力需求將翻一番，占該國(guó)電力需求的三分之一。

　　數(shù)據(jù)中心運(yùn)營(yíng)商正在以不同的方式應(yīng)對(duì)這一挑戰(zhàn)。一些運(yùn)營(yíng)商正在積極與零碳能源供應(yīng)商合作，將專(zhuān)用電源納入其數(shù)據(jù)中心綜合體。

　　數(shù)據(jù)中心正在采用的零碳戰(zhàn)略包括與施耐德電氣等可再生能源供應(yīng)商合作。一些網(wǎng)站正在尋求氫能，其中包括微軟，它開(kāi)發(fā)了氫燃料電池來(lái)取代柴油發(fā)電機(jī)。

　　對(duì)于其他供應(yīng)商來(lái)說(shuō)，核能是一種選擇。例如，AWS收購(gòu)了位于賓夕法尼亞州塞勒姆Susquehanna核電站附近的TalenEnergy擁有的數(shù)據(jù)中心，利用附近的場(chǎng)地提供電力。

　　小型模塊化核反應(yīng)堆，例如由薩姆·奧特曼支持的初創(chuàng)企業(yè)Oklo開(kāi)發(fā)的核反應(yīng)堆，也可以安裝在數(shù)據(jù)中心內(nèi)或附近并提供可持續(xù)電力。

　　報(bào)告指出，數(shù)據(jù)中心運(yùn)營(yíng)商不僅必須考慮如何擴(kuò)展其業(yè)務(wù)模式，以適應(yīng)日益增加的計(jì)算強(qiáng)度和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的需求，還必須考慮在何處建立新設(shè)施以及如何獲取豐富而廉價(jià)的電力。

　　小型模塊化核反應(yīng)堆，例如由薩姆·奧特曼支持的初創(chuàng)企業(yè)Oklo開(kāi)發(fā)的核反應(yīng)堆，也可以安裝在數(shù)據(jù)中心內(nèi)或附近并提供可持續(xù)電力。

　　報(bào)告指出，數(shù)據(jù)中心運(yùn)營(yíng)商不僅必須考慮如何擴(kuò)展其業(yè)務(wù)模式，以適應(yīng)日益增加的計(jì)算強(qiáng)度和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的需求，還必須考慮在何處建立新設(shè)施以及如何獲取豐富而廉價(jià)的電力。

　　人工智能工作負(fù)載通常包括以下幾類(lèi)：

　　數(shù)據(jù)處理和預(yù)處理：

　　數(shù)據(jù)收集：從各種來(lái)源收集數(shù)據(jù)，包括傳感器、數(shù)據(jù)庫(kù)、互聯(lián)網(wǎng)等。

　　數(shù)據(jù)清洗：處理缺失值、異常值、重復(fù)數(shù)據(jù)等。

　　數(shù)據(jù)轉(zhuǎn)換：將數(shù)據(jù)轉(zhuǎn)換為適合模型訓(xùn)練的格式，如歸一化、標(biāo)準(zhǔn)化等。

　　模型訓(xùn)練：

　　算法選擇：選擇適當(dāng)?shù)臋C(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法。

　　超參數(shù)調(diào)優(yōu)：調(diào)整模型的超參數(shù)以優(yōu)化性能。

　　訓(xùn)練過(guò)程：利用大量數(shù)據(jù)進(jìn)行模型訓(xùn)練，這通常需要強(qiáng)大的計(jì)算能力和大量時(shí)間，特別是對(duì)于深度學(xué)習(xí)模型。

　　模型評(píng)估：

　　性能指標(biāo)：評(píng)估模型的性能指標(biāo)，如準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)等。

　　驗(yàn)證和測(cè)試：在驗(yàn)證集和測(cè)試集上評(píng)估模型，以確保模型的泛化能力。

　　推理和部署：

　　實(shí)時(shí)推理：在生產(chǎn)環(huán)境中使用訓(xùn)練好的模型進(jìn)行實(shí)時(shí)數(shù)據(jù)處理和預(yù)測(cè)。

　　批處理推理：對(duì)一批數(shù)據(jù)進(jìn)行離線處理和預(yù)測(cè)。

　　模型優(yōu)化：優(yōu)化模型以提高推理效率和降低資源消耗。

　　持續(xù)學(xué)習(xí)和維護(hù)：

　　模型更新：隨著新數(shù)據(jù)的出現(xiàn)，定期更新和重新訓(xùn)練模型。

　　監(jiān)控和維護(hù)：監(jiān)控模型在生產(chǎn)環(huán)境中的表現(xiàn)，及時(shí)發(fā)現(xiàn)和解決問(wèn)題。

　　主要挑戰(zhàn)

　　計(jì)算資源需求：人工智能工作負(fù)載通常需要大量計(jì)算資源，特別是對(duì)于深度學(xué)習(xí)模型，這可能需要GPU或TPU等專(zhuān)用硬件。

　　數(shù)據(jù)管理：處理和管理大量的數(shù)據(jù)是一個(gè)巨大的挑戰(zhàn)，包括數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)隱私和數(shù)據(jù)安全等方面的問(wèn)題。

　　模型復(fù)雜性：復(fù)雜的模型需要精細(xì)的調(diào)優(yōu)和優(yōu)化，這需要專(zhuān)業(yè)知識(shí)和經(jīng)驗(yàn)。

　　應(yīng)用場(chǎng)景

　　人工智能工作負(fù)載在各個(gè)行業(yè)有廣泛的應(yīng)用，包括但不限于：

　　自動(dòng)駕駛：需要處理和分析來(lái)自車(chē)輛傳感器的大量數(shù)據(jù)，以實(shí)現(xiàn)實(shí)時(shí)決策。

　　醫(yī)療診斷：利用AI模型對(duì)醫(yī)療影像和患者數(shù)據(jù)進(jìn)行分析，輔助診斷疾病。

　　自然語(yǔ)言處理：處理和理解自然語(yǔ)言數(shù)據(jù)，如聊天機(jī)器人、語(yǔ)音識(shí)別、機(jī)器翻譯等。

　　金融服務(wù)：用于風(fēng)險(xiǎn)評(píng)估、欺詐檢測(cè)和投資策略優(yōu)化等。

　　通過(guò)高效地管理和優(yōu)化AI工作負(fù)載，企業(yè)和研究機(jī)構(gòu)可以更好地發(fā)揮AI技術(shù)的潛力，解決實(shí)際問(wèn)題，推動(dòng)技術(shù)進(jìn)步。

　　原標(biāo)題：到2026年，人工智能工作負(fù)載將使數(shù)據(jù)中心電力需求翻倍|報(bào)告