Tehnološki trendovi pokreću sadašnje i buduće inovacije, od napajanja umjetne inteligencije preko digitalnih blizanaca do prilagodljivog tekućinskog hlađenja
Inovacije u podatkovnim centrima i dalje su oblikovane makro čimbenicima i tehnološkim trendovima povezanima s umjetnom inteligencijom, prema izvješću tvrtke Vertiv. Izvješće Vertiv Frontiers se oslanja na stručnost iz cijele organizacije.
Izvješće Vertiv Frontiers nadograđuje i proširuje prethodna godišnja predviđanja tvrtke Vertiv o trendovima u industriji podatkovnih centara.
Izvješće identificira makro čimbenike koji pokreću inovacije podatkovnih centara: ekstremno povećanje gustoće – potaknuto radnim opterećenjima umjetne inteligencije (AI) i računarstva visokih performansi (HPC), brzo skaliranje na razini gigavata, podatkovni centri danas se implementiraju brzo i u dosad neviđenom opsegu; podatkovni centar kao jedinstvena računalna jedinica, AI era zahtijeva da se objekti grade i upravljaju njima kao jedinstvenim sustavom te diversifikacija silicija – infrastruktura podatkovnih centara mora se prilagoditi sve većem rasponu čipova i računalnih platformi.
Izvješće detaljno opisuje kako su ti makro čimbenici zauzvrat oblikovali pet ključnih trendova koji utječu na specifična područja ekosustava podatkovnih centara.
Napajanje prilagođeno umjetnoj inteligenciji (AI)
Većina današnjih podatkovnih centara i dalje se oslanja na hibridnu AC/DC distribuciju napajanja od elektroenergetske mreže do serverskih ormara (rackova), što uključuje tri do četiri stupnja pretvorbe i određene neučinkovitosti. Taj postojeći pristup sve je više opterećen kako se gustoće snage povećavaju, ponajviše zbog AI radnih opterećenja.
Prijelaz na DC arhitekture višeg napona omogućuje značajno smanjenje struje, dimenzija vodiča i broja stupnjeva pretvorbe, uz istodobnu centralizaciju pretvorbe energije na razini prostorije. Hibridni AC i DC sustavi danas su široko rasprostranjeni, no kako standardi i oprema za potpuno DC napajanje budu sazrijevali DC višeg napona vjerojatno će postati sve prisutniji s porastom gustoća u rackovima. Proizvodnja energije na lokaciji i mikro mreže također će potaknuti usvajanje DC napajanja višeg napona.
Distribuirana umjetna inteligencija
Milijarde dolara uložene u AI podatkovne centre za podršku velikim jezičnim modelima (LLM) do danas su bile usmjerene na poticanje širokog usvajanja AI alata među potrošačima i poslovnim korisnicima.
Vertiv smatra da umjetna inteligencija ostaje sve kritičnija za poslovanje, no način i mjesto isporuke inferencijskih usluga ovisit će o specifičnim zahtjevima i okolnostima organizacije. Iako će to utjecati na organizaciju ovih profila, visoko regulirane industrije poput financija, obrane i zdravstva možda će morati održavati privatna ili hibridna AI okruženja putem lokalnih (on-premise) podatkovnih centara, zbog zahtjeva za rezidentnošću podataka, sigurnošću ili latencijom.
Fleksibilni i skalabilni sustavi napajanja visoke gustoće i tekućinskog hlađenja mogli bi omogućiti povećanje kapaciteta kroz izgradnju novih ili modernizaciju postojećih objekata.
Ubrzavanje energetske autonomije
Kratkoročni kapacitet proizvodnje energije na lokaciji desetljećima je bio ključan za većinu samostalnih podatkovnih centara radi osiguravanja otpornosti sustava. Međutim, široko rasprostranjeni izazovi u dostupnosti električne energije stvaraju uvjete za usvajanje produljene energetske autonomije, osobito za AI podatkovne centre.
Ulaganja u proizvodnju energije na lokaciji putem plinskih turbina na prirodni plin i drugih tehnologija, imaju nekoliko inherentnih prednosti, no primarno su potaknuta izazovima dostupnosti električne energije. Tehnološke strategije poput pristupa „Bring Your Own Power (and Cooling)“ vjerojatno će biti dio kontinuiranih planova energetske autonomije.
Dizajn i rad temeljen na digitalnim blizancima
Uz sve gušća AI radna opterećenja i snažnije GPU-ove raste i potreba za brzom implementacijom ovih složenih AI tvornica. Korištenjem alata temeljenih na umjetnoj inteligenciji podatkovni centri mogu se virtualno mapirati i specificirati putem digitalnih blizanaca, a IT sustavi i kritična digitalna infrastruktura mogu se integrirati, često u obliku prefabriciranih modularnih rješenja te implementirati kao računalne cjeline, čime se vrijeme do generiranja prvog tokena (time-to-token) može smanjiti i do 50 %.
Ovaj pristup bit će važan za učinkovito postizanje izgradnje na razini gigavata koje su potrebne za budući napredak umjetne inteligencije.
Prilagodljivo i otporno tekućinsko hlađenje
AI opterećenja i infrastruktura ubrzali su usvajanje tekućinskog hlađenja. No, s druge strane, umjetna inteligencija može se koristiti i za daljnje usavršavanje i optimizaciju rješenja tekućinskog hlađenja. Tekućinsko hlađenje postalo je ključno za sve veći broj operatora, ali umjetna inteligencija mogla bi pružiti načine za daljnje unapređenje njegovih mogućnosti.
Umjetna inteligencija u kombinaciji s dodatnim sustavima nadzora i upravljanja ima potencijal učiniti sustave tekućinskog hlađenja inteligentnijima i još robusnijima predviđanjem mogućih kvarova te učinkovitim upravljanjem tekućinom i komponentama. Ovaj trend trebao bi dovesti do povećanja pouzdanosti i dostupnosti za hardver visoke vrijednosti te povezanih podataka i radnih opterećenja.