數(shù)據(jù)家,idc官網(wǎng),算力,裸金屬,高電機房,邊緣算力,云網(wǎng)合一,北京機房,北京云計算,北京邊緣計算,北京裸金屬服務器,北京數(shù)據(jù)服務器,北京GPU服務器,高算力服務器,數(shù)據(jù)機房相關技術新聞最新報道
生成式人工智能不僅改變了組織開展業(yè)務的方式，還改變了它們消耗計算資源的方式。這些大型語言模型(LLM)以及數(shù)字孿生、擴展現(xiàn)實和元宇宙等其他人工智能工具，需要大量圖形處理單元(GPU)來訓練數(shù)據(jù)集或處理圖形密集型任務。
然而，這其中也有一個問題。GPU價格昂貴、供應不足，而且消耗大量能源。因此，首席信息官(CIO)和其他業(yè)務和IT領導者，越來越面臨著如何使用它們以及在何處使用它們的問題。了解所需任務并平衡處理能力需求和成本至關重要。
idc網(wǎng),算力,裸金屬,高電機房,邊緣算力,云網(wǎng)合一,北京機房,北京云計算,北京邊緣計算,北京裸金屬服務器,北京數(shù)據(jù)服務器,北京GPU服務器,高算力服務器,數(shù)據(jù)機房所有這些都直接與數(shù)據(jù)中心相關。隨著人工智能成為主流，組織必須適應，僅僅了解GPU在哪里帶來戰(zhàn)略收益是不夠的，CIO必須做出關鍵決策，決定何時使用GPU或CPU，以及是否在本地或云端處理訓練、推理和其他任務。
盡管最近GenAI備受關注，但GPU進入數(shù)據(jù)中心已有十多年了。圖形處理器在科學研究、深度學習、機器學習以及機器視覺、機器人技術和自動化等眾多其他任務中發(fā)揮著關鍵作用。它們已成為處理復雜模擬和海量數(shù)據(jù)挑戰(zhàn)的寶貴工具。
然而，2022年11月，情況發(fā)生了巨大變化。在ChatGPT公開發(fā)布以及隨后出現(xiàn)的MicrosoftCopilot和GoogleGemini等GenAI框架之后，組織開始積極探索將LLM投入使用的方法。很快人們就發(fā)現(xiàn)，AI定制對于實現(xiàn)特定任務至關重要，包括聊天機器人、內(nèi)容創(chuàng)建、設計迭代、市場研究、網(wǎng)絡安全、欺詐檢測、產(chǎn)品原型設計以及各種其他用例。
如今，數(shù)據(jù)中心對GPU的需求正在飆升。預計到2027年，數(shù)據(jù)中心的平均機架密度將達到每機架50kW，超過目前的平均36kW。人工智能和機器學習的迅猛發(fā)展正在推動數(shù)據(jù)中心設計、選址和投資策略的變革浪潮。
與此同時，GPU的價格越來越高。例如，NVIDIAGeForceRTX4090是一款廣泛部署的頂級型號，于2022年推出，起價約為每臺1,600美元。價格較低、顯存較少的GPU仍需數(shù)百美元。但硬件的前期投資只是一個起點。GPU的耗電量通常是CPU的兩倍或三倍，同時需要強大的冷卻和更復雜的布線。
許多數(shù)據(jù)中心都沒有足夠的空間和電力來運行GPU。因此，首席信息官必須就如何處理人工智能做出一些艱難的決定以及GPU何時能帶來明顯的優(yōu)勢。對于一些大規(guī)模并行任務(如人工智能訓練工作負載)，GPU實際上可以通過更快地執(zhí)行計算來降低總體TCO。然而，對于其他工作負載(如人工智能推理)，CPU通常可以提供足夠的性能，同時降低每瓦運營成本。
首先要確定具體用例以及所需的性能和準確度水平。此時，可以考慮成本和碳排放等因素，并確定使用哪種硬件以及處理應在云端還是在本地進行?；A模型訓練需要GPU，但推理則不同。在某些情況下，甚至可以在筆記本電腦或手持設備上進行推理。
所有主要的云提供商如今都提供預裝GPU的虛擬機，或租用支持GPU的服務器的選項。因此，無需投資物理硬件。這些云也不會忽視可管理性。它們提供GPU直通工具，可直接管理GPU硬件上的性能因素。
這使得CIO能夠配置和管理復雜的環(huán)境，包括涉及GPU和CPU的混合情況。它包括用于擴展和利用資源、配置GPU內(nèi)存以及為機器學習或視頻編輯等特定任務建立實例類型的工具。
通過清晰地了解關鍵因素(包括訓練數(shù)據(jù)集的大小和廣度、誰將使用它、系統(tǒng)上的查詢或點擊量預計是多少、以及GPU和CPU的堆疊方式)，可以做出明智的決策。例如，在某些情況下，可能需要不同類型的GPU來推理和運行系統(tǒng)，或者帶有加速器的CPU可能更適合處理較小的模型。
還可以從可持續(xù)性和碳性能權衡的角度來看待GPU和CPU。我們將看到對AI的需求不斷增長，企業(yè)對GPU的需求也不斷增長。但我們也可能看到GPU和CPU的更多混合，因為許多任務在成本和碳排放方面仍然更高效。
