大模型时代的能源等式如何平衡

大家好，大模型时代的能源等式如何平衡相信很多的网友都不是很明白，包括大模型,能源,AI也是一样，不过没有关系，接下来就来为大家分享关于大模型时代的能源等式如何平衡和大模型,能源,AI的一些知识点，大家可以关注收藏，免得下次来找不到哦，下面我们开始吧！

AI重塑了数千个行业，大型模型正在飙升，将新的势头注入了各行各业，但它也带来了新的挑战。 ——的计算能力和能源（电力）的消耗已经爆炸。如何见面？服务器功耗飙升至“吸烟”，芯片很热，电费令人惊讶，并且在计算能力方面的每一步，冷却成本高达三倍。这些实际问题不可忽视。

AI，“电动老虎”导致许多技术巨头发出电力短缺警告。马斯克曾经指出，人工智能的快速发展和自动驾驶汽车的发展可能导致电力短缺。元首席执行官扎克伯格还直接表示：“为了构建AI数据中心，功率问题是影响下一个发展的瓶颈。”

亚马逊网络服务工程副总裁比尔·瓦斯（Bill Vass）曾经透露，全球每三天将增加一个新的数据中心。全球数据中心的指数增长需要多少电？

在一篇论文中，荷兰国家银行的数据科学家亚历克斯·德·弗里斯（Alex de Fries）在一份论文中估计，到2027年，AI可能占全球总消耗总量的0.5。根据他的计算，如果Google将生成的AI技术集成到每种搜索中，则每年将消耗约290亿千瓦时的电力，这相当于肯尼亚等三个国家的年度每年电力消耗。

这不可避免地引起了人们对推动AI开发所需的数据中心电力需求的广泛关注，这可能会对电网造成压力，并阻碍过渡到清洁能源。另一个严重的现实是，AI模型的物理足迹正在从计算能力，电力到热管理。这种影响引起了人们对能源和水消耗，电子废物（例如电池和旧服务器）以及硬件制造公司对不可再生资源（例如稀土元素）的依赖的担忧。

可以实现可持续人工智能吗？如何发展绿色计算能力并进一步加速绿色能源结构的转化已成为下一个工业发展的关键。正如Openai首席执行官Sam Altman最近指出的那样：“在接下来的十年中，无论掌握情报和能源的人都将获胜。”

“人工智能发展很快，但电网发展很慢。”如何填补电力鸿沟？与AI大型型号的快速开发并行的是，AI每天都在吞咽许多计算能力和电力。

Openai的Chatgpt每天消耗超过500,000千瓦时的电力，以应对2亿用户的要求，而美国的平均每天使用约29千瓦时。 Openai预测，到2030年，美国将需要大约50 GW（GW）的新电力能力来支持AI行业的快速发展。

实际上，在AI大型模型时代之前，数据中心的能源消耗非常稳定，因为互联网使用情况的改善被能源效率的提高所抵消。但是，这种情况正在迅速变化—— AI查询消耗大约是现有搜索引擎能源消耗的10倍。根据高盛（Goldman Sachs）的一份报告，美国2022年美国电力需求的计算功率数据中心的比例仅为3，但到2030年，其电力率将增加到8，每年的电力需求增长率为2.4。相反，过去20年中，数据中心发电的年度复合年增长率小于0.5。该报告还预测，到2030年，AI数据中心的电力需求将增长160。

与人工智能的快速发展形成鲜明对比的是，电网的发展非常慢。 Infineon在最近的一个AI创新技术论坛上指出，AI计算能力的爆炸性增长对电力基础设施构成了前所未有的挑战。 —— AI数据中心功耗每6个月增加一倍（例如NVIDIA GB200集群功耗可以达到120kW/机柜），而传统电网的升级周期则超过10年。

因此，“电力差距”已经形成，并导致技术巨头担心电力短缺。 Google前首席执行官埃里克·施密特（Eric Schmidt）甚至在美国国会能源和商业委员会的听证会上警告说，“ AI将来将消耗99的全球电力。”他认为，AI模型未来发展的瓶颈本身不是算法，而是物理局限性，例如电力资源。

因为从长远来看，当前AI的计算速率每6个月翻了一番，这是不可持续的。能源已成为全球AI竞争的关键要素。

阿里巴巴研究所指出，在全球计算范式中正在发生新的重大变化，即从CPU领导的计算系统转变为由GPU领导的AI计算系统。 AI基础设施已成为参加全球AI竞争并赢得AI战略计划的关键。从全球角度来看，智能计算群集的规模从10K卡级别转移到10K卡级别，因为超大规模的群集是培训国际高级基本模型的重要设施。建立超大智能计算集群是一个复杂的系统项目。这不是Wanka设备的简单堆叠和连接，而是需要芯片，服务器，网络设备，调度软件，模型等的密切合作，以及对存储，GPU，GPU，基本操作代码，网络通信原始原则等的系统优化。除了在非常高的技术要求下，智能计算序列的构建还面临着IS的限制。

AI数据中心里的电源革命信息与通信技术研究所《中国绿色算力发展研究报告》指出，将来，AI Computing Power Clusters的功耗通常超过20kW/机柜，并且在橱柜功率超过15kW之后，主流空气冷却和放回数据中心的柜子也将面对瓶装。因此，在这种情况下，有必要要求计算能力基础架构突破通过算法和框架优化，能源有效的硬件升级，可再生能源利用，可再生能源利用以及热回收系统，液体冷却技术和其他节省措施来破坏人工智能带来的计算能力和能源瓶颈。

如何有效控制和减少对高性能计算的需求不断增长的能源消耗，已成为AI数据中心构建和升级的关键主张。这也是主要的半导体和电子技术制造商最近努力的重点。

从电源的角度来看，在AI数据中心中，它大致是一个过程：独立AI服务器机柜的行需要逐渐将带有较高电压的输入电流转换为非常低的电压电流，然后将其直接发送到GPU（Graphics Processor）和CPU（中央处理器）。在此过程中，将有三到四个步骤转换，每个转换的步骤都伴随着功率损失。因此，大大减少每个步骤的功率损失是提高数据中心电源效率的主要方向。

最近，在半正式发布的《AI数据中心系统方案指南》（AI数据中心系统解决方案指南）上，响应AI计算能力的激增引起的功耗问题，旨在系统地帮助工程师处理设计问题。该指南超出了单个产品的简介，以构建涵盖“ Grid-to-Chip”的完整链接一站式供应系统。内容彻底分析了完整的电源解决方案链，包括基于SIC和基于硅的电源设备，高性能门驱动器，数字/模拟控制器，多相调节器，负载点（POL）降压转换器和钥匙保护电路。该指南不仅为核心设备提供了规范参数和选择指南，而且还提供了有关如何优化系统体系结构，通过丰富的典型应用程序场景和实际系统设计案例来优化系统体系结构，提高功率密度和转换效率的深入说明，从而为客户提供了从设备选择评估到系统集成的全能工程支持。

电源技术中的创新对于实现可持续的未来至关重要，其中不断增加电源电源密度是满足AI数据中心电力需求的指数增长的关键。

近年来，在半智能电源和智能感知技术上的半智能电源和智能感知技术也深深地参与了广泛的带隙半导体领域。凭借其高级SIC电源设备（例如MOSFET，DIODES）的核心产品组合，高度集成的智能功率阶段模块（IPMS），该公司已成功开发了用于AI数据中心应用的高功率密度，高效率电源解决方案。这些解决方案可以大大减少能源转化过程的损失并提高整体电源系统效率。

去年，在半导体上，推出了新一代的硅碳化物技术平台Elitesic M3E MOSFET，并计划在2030年之前推出多代新产品。精英M3E MOSFET可以以较低的叠值成本实现下一代电气系统的性能和可靠性。由于其在更高的开关频率和电压下运行的能力，该平台可以有效地减少功率转换损失，并有效地促进数据中心向更有效，更高功率的过渡，从而满足可持续人工智能引擎的指数增长的能源需求。此外，多种汽车和工业应用，例如电动汽车电动系统，DC快速充电堆，太阳能逆变器和储能解决方案也将受益于此。

除了芯片技术本身外，Infineon的相关技术人员还指出，考虑AI服务器外围设备的电感也很重要，以及如何缩短电源模块与工作模块（核心模块）之间的距离。可以说，从电源输入到电源的消耗，包括电路设计在内的整个链接的长度非常关键，可能有助于节省电力。

构筑绿色算力体系亚洲样本有望引领全球除了探索电力技术中的可持续智能外，开发绿色计算能力已成为一个长期的系统项目。所有国家都在积极探索和促进计算能力基础设施向绿色，低碳和可持续方向的转变。

中国信息与通信技术与通信技术的开放数据中心委员会与许多国内IT和CT部门单位一起指出，绿色计算能力是一个全面的概念，涉及绿色和低碳流程，例如生产，供应和计算能力服务。具体而言，绿色计算能力，即对计算能力的绿色和低碳追求，可以通过在计算电源生产，计算功率运行，计算电源管理和计算电源应用等级别集成和促进绿色来实现。作为一个系统的项目，绿色计算功率通过芯片，服务器，系统集，云服务，电源系统和能源存储等多个主要链接运行。

绿色计算能力的发展不仅是国家增强人工智能和计算能力基础设施的国际竞争力的不可避免的要求，而且是加速能源结构转换并促进计算和能源发展的不可避免的要求。从计算能力的整个生命周期的角度来看，计算能力的碳足迹主要来自三个方面：以能量用作作为主体的温室气体（GHG）排放，涵盖了由资产投资和在整个生命周期中产生的计算能力管理产生的间接碳排放，并在整个生命周期中产生的碳发射和计算机上的碳排放量产生和计算机上的电源。构建绿色计算电源系统的三个支柱包括减少数据中心的能源消耗，可再生能源成为电力的主要来源，而智能能源管理为数据中心的绿色和低碳发展提供了有效的支持。

其中，“计算能力+能源”的协作优化是实现低碳转化的重要方面。通过引入AI算法以优化数据中心的运行和维护，智能系统可以实时监控数据中心的能源和资源使用情况，通过数据分析预测未来的使用趋势，并自动调整设备以实现卓越的能源利用效率的操作状态，并可以极大地优化指标（功能利用效率），以及（水利用效率），以及（水利用效率），以及care and care and care and care）。例如，当Microsoft Azure数据中心使用负载平衡技术时，当负载从10增加到40时，功耗仅增加1.7倍，从而有效地降低了能耗。

此外，还必须解决以下问题：相应的监管治理和监管措施以AI计算能力基础设施的发展速度改善。在这方面，亚洲还可以领导和展示一个前瞻性的全面AI生态系统的出现，为亚洲样本提供了值得从全球探索可持续智能探索的亚洲样本。

环顾世界，亚太地区是全球数字经济发展非常积极发展的地区之一，也是全球数据中心行业发展的新高地。这是促进技术创新和智能升级的重要力量。根据华为与能源相关部门先前在华为亚太合作伙伴会议期间发布的数据：亚太数据中心市场规模迅速增长，印度尼西亚，马来西亚，菲律宾和其他国家的复合增长率从2021年到2026年都超过20。

新加坡法学院法学院法学院教授兼科学研究副院长李·波·森（Lee Poh Seng），新加坡国立大学机械工程系和能源研究所执行主任，新加坡法学院法学院教授兼科学研究事务副院长，在最近的第《绿色算力技术白皮书（2023年）》条中指出了这三项数字化的三种重要事实。

第一个是功能不匹配，也就是说，AI基础设施，环境可持续发展和金融之间存在“筒仓”效果。第二个是空间不匹配，它是指地方，国家和国际治理之间缺乏足够的协调。第三个是时间不匹配，也就是说，AI系统的快速部署周期与环境和社会弹性的长期需求之间存在冲突。

为了应对这些不匹配，我们需要一个全球观点，以允许基础设施和治理的发展以协调的方式进行。文章指出，这对亚太地区尤为重要，因为该地区受城市密度，气候脆弱性和加速数字化的交叉影响的影响。

作为回应，新加坡的一些举措，包括开发绿色数据中心路线图，生成性AI治理框架模型的开发以及更广泛的《绿色智能：为什么AI基础设施和治理必须协同发展》的发布，展示了早期的努力，以协调基础设施和治理框架以推动可持续数字生态系统的发展。可以看出，实现可持续性AI需要政府，行业人物，学术机构和更广泛的社区的联合行动，以确保数字基础设施的增长与环境和社会目标协调。

写在文末NVIDIA创始人Huang Renxun说，AI数据中心实际上是“ AI工厂”。未来数据中心不再是存储和计算中心，而是产生令牌的工厂（计算能力的单位）。 ——输入能量和输出令牌。

如果在互联网时代的技术周期的最后一轮中，竞争是“计算能力+连接”，那么在本轮周期中，竞争是“计算功率+电源”。如何建立可持续的绿色情报？需要绿色计算能力与绿色能源技术基础之间的深入协作。