Управление температурой чипа AI
В настоящее время другие технологические гиганты, такие как Microsoft, Google и Meta, также расширяют свои центры обработки данных для обучения и запуска своих моделей искусственного интеллекта. По имеющимся данным, Microsoft и OpenAI планируют построить проект центра обработки данных, который будет включать в себя суперкомпьютер с миллионами выделенных серверных чипов. Текущий проект может стоить 115 миллиардов долларов, включая суперкомпьютер искусственного интеллекта под названием Stargate, запуск которого ожидается в 2028 году. Генеральный директор Meta Марк Цукерберг также заявил в январе этого года, что к концу 2024 года вычислительная инфраструктура компании будет включать 30 000 видеокарт H100. Он также добавил: «Если включить другие графические процессоры, произойдет примерно 600 000 вычислений, эквивалентных H100».
AIGC основан на больших моделях и больших данных. Большая модель — это модель, которая может адаптироваться к последующим задачам после обучения на крупномасштабных и обширных данных. После появления большой модели: (1) параметры модели увеличиваются по величине; (2) Диверсифицированный спрос ускоряет диверсифицированную модернизацию вычислительной мощности: вычислительную мощность можно разделить на базовую вычислительную мощность, интеллектуальную вычислительную мощность и суперкомпьютерную мощность в зависимости от соответствия спроса. В 2021 году общая вычислительная мощность глобальных вычислительных устройств достигла 615 EFlops с темпом роста 44%. Ожидается, что к 2030 году она увеличится до 56ZFlops, а среднегодовой темп роста составит 65%. Интеллектуальная вычислительная мощность увеличится с 232EFlops до 52,5ZFlops, а среднегодовой темп роста превысит 80%; После появления большой модели возникла новая тенденция роста вычислительной мощности: среднее время удвоения вычислительной мощности составило 9,9 месяцев.
За улучшением вычислительной мощности чипы должны иметь более высокую вычислительную эффективность и выполнять больше вычислений за более короткое время, что неизбежно приводит к увеличению энергопотребления чипов. Высокая плотность и высокое энергопотребление центров обработки данных в суперкомпьютерных центрах делают проблемы рассеивания тепла все более актуальными. Современные центры обработки данных, особенно суперкомпьютерные центры, обычно содержат большое количество мощных устройств, которые во время работы выделяют значительное количество тепла. Если тепло не может быть отведено своевременно и эффективно, это не только повлияет на производительность устройства, но также может привести к сбоям в оборудовании. Согласно отчету IDC, около 40% энергопотребления в центрах обработки данных используется для систем охлаждения, что указывает на то, что эффективные решения по охлаждению имеют решающее значение для работы центров обработки данных.
Традиционные системы воздушного охлаждения больше не могут удовлетворить потребности современных суперкомпьютеров в охлаждении, поэтому технология жидкостного охлаждения постепенно стала основным выбором в отрасли. Применение технологии жидкостного охлаждения позволяет центрам обработки данных размещать больше вычислительных устройств в одном пространстве, одновременно снижая энергопотребление системы охлаждения. Применение технологии жидкостного охлаждения не только повышает эффективность вычислений, но и значительно снижает энергопотребление и эксплуатационные расходы. Технология жидкостного охлаждения позволяет выполнять больше вычислительных задач при том же энергопотреблении за счет более эффективной теплопроводности.
С ростом спроса на обучение искусственному интеллекту и высокопроизводительные вычисления технология жидкостного охлаждения будет играть более важную роль в будущих суперкомпьютерных центрах. Ожидается, что в ближайшие годы технология жидкостного охлаждения станет стандартной конфигурацией в суперкомпьютерных центрах и крупных центрах обработки данных, чтобы удовлетворить растущие потребности в вычислениях и решить проблемы рассеивания тепла.
